데이터마이닝 경험을 통해 통계 분석에서 어떤 인사이트를 얻었는지를 확인한다. 데이터를 수치로만 보지 않고 의미 있는 결론을 도출하는 분석 역량을 평가한다.
이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터마이닝을 통해 통계적으로 어떠한 것을 느꼈는가?
수업에서 데이터마이닝 프로젝트를 하면서 숫자 뒤에 패턴이 있다는 것을 처음으로 실감했습니다. 단순히 평균이나 분산을 보는 것과, 군집 분석이나 연관 규칙으로 숨은 관계를 찾는 것은 완전히 다른 경험이었습니다. 쇼핑몰 데이터를 분석하면서 특정 상품을 사는 사람이 다른 특정 상품도 같이 산다는 패턴을 발견했을 때, 데이터가 보여주는 것과 직관이 다를 수 있다는 것을 느꼈습니다. 그게 데이터를 믿어야 하는 이유가 되었습니다.
통계가 가설을 검증하는 도구라는 것을 그때 처음 제대로 이해했습니다. 직관을 데이터로 확인하는 과정이 분석의 핵심이라는 것을 배웠습니다. 패턴을 발견하는 순간이 분석에서 가장 흥미로운 지점입니다.
데이터마이닝을 하면서 통계적으로 가장 인상 깊었던 건 이상값의 영향력이었습니다. 전체 분포를 보면 안 보이던 것이 이상값 몇 개를 제거하고 나서야 패턴이 드러나는 경험을 했어요. 전처리 단계가 분석 결과를 얼마나 바꿀 수 있는지를 그때 실감했습니다. 모델을 만들기 전에 데이터를 충분히 들여다보는 것이 왜 중요한지를 몸으로 배운 거예요.
분포를 먼저 이해하지 않으면 결과를 잘못 해석하게 된다는 걸 알았습니다. 그 이후로 데이터를 받으면 먼저 분포를 시각화하는 습관이 생겼어요. 데이터를 보는 순서가 분석의 품질을 결정합니다. 전처리가 모델보다 더 중요한 경우가 많아요.
데이터마이닝 프로젝트에서 분류 모델을 만들었을 때, 정확도가 높아도 실제로 쓸 수 없는 모델이 나오는 경험을 했습니다. 클래스 불균형 문제를 고려하지 않았더니, 다수 클래스만 맞추는 모델이 높은 정확도를 보였어요. 통계 지표 하나만 보면 전체를 오해할 수 있다는 걸 그 실패에서 배웠습니다.
정밀도와 재현율을 함께 봐야 한다는 것도 그때 처음 체감했어요. 숫자를 믿되 맥락을 함께 보는 것이 통계 분석의 기본이라는 걸 알게 됐습니다. 지표는 결국 질문에 맞는 것을 골라야 한다는 걸 배웠어요. 잘못된 지표는 잘못된 결론으로 이어집니다. 어떤 지표를 쓸지 결정하는 것이 분석의 절반이에요.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 한국감정원 일반 연구개발 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.