이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
대규모 모빌리티 데이터로 경제적 가치를 정량화했던 건 수업 교통경제학 프로젝트에서였습니다. 교통카드 이용 패턴 데이터를 활용해서 특정 노선 추가가 통행 시간을 얼마나 줄이는지 분석했습니다. 통행 시간 절감을 시간의 기회비용으로 환산하는 방식으로 경제적 가치를 추정했습니다. 단순히 이용자 수보다 이동 거리·환승 횟수·시간대별 혼잡도를 교차해서 보니 특정 구간의 개선이 훨씬 큰 편익을 만들어낸다는 걸 확인했습니다. 데이터가 클수록 개인 수준의 행동 패턴이 집계 수준에서 어떤 사회 현상으로 나타나는지 연결하는 작업이 흥미로웠습니다. 경제적 가치 추정에서 어려운 부분은 외부 효과를 어떻게 정의하느냐였습니다.
탄소 감축·사고 감소·혼잡 완화 같은 항목을 어떤 기준으로 화폐화할지 가정을 투명하게 명시하는 것이 결론의 신뢰도를 결정했습니다.
모빌리티 데이터로 경제적 가치를 정량화할 때 제가 어렵게 느낀 것은 무엇을 가치로 셀지 경계를 긋는 것이었습니다. 교통경제학 프로젝트에서 이용자 수만 보면 단순하지만, 그것이 진짜 가치인지 의심스러웠습니다. 그래서 저는 데이터 자체에서 나오는 직접 가치와, 통행 시간이 줄어 절약되는 시간·비용 같은 간접 가치를 분리해 추정하는 순서로 접근했습니다. 또 한 가지 조심한 것은 특정 플랫폼 이용자만 잡히는 편향과, 같은 이동이 여러 데이터에서 중복 집계되는 문제였습니다. 보정 없이 그대로 합치면 과대 추정이 됩니다. 가치 정량화는 숫자를 키우는 것이 아니라, 가치의 종류를 나누고 편향을 보정해 진짜 가치만 남기는 것에서 시작된다고 생각합니다.
모빌리티 데이터의 경제 가치를 추정하며 제가 중요하게 본 것은 결과를 단일 숫자로 단정하지 않는 것입니다. 탄소 감축이나 사고 감소 같은 외부 효과를 화폐로 환산할 때, 어떤 기준을 쓰느냐에 따라 결과가 크게 달라졌습니다. 그래서 저는 어떤 가정으로 환산했는지를 투명하게 명시하고, 보수적 추정치와 낙관적 추정치를 범위로 함께 제시하는 것이 필요하다고 봤습니다. 하나의 값으로 못 박으면, 가정이 흔들릴 때 결론 전체가 무너집니다. 또 데이터 커버리지의 한계도 함께 적어, 어디까지 믿을 수 있는 추정인지를 분명히 했습니다. 가치 추정은 정확한 한 숫자를 내는 것이 아니라, 가정을 드러내고 범위로 표현해 신뢰도를 지키는 것이라고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 카카오모빌리티 정책·연구 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.