이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
복잡한 데이터 세트를 분석하여 실제로 쓸 수 있는 결과를 낸 경험은 4개월 인턴십에서 구매 로그 데이터를 분석한 것이 가장 기억에 남습니다.
6개월치 구매·반품·재방문 데이터 약 15만 건을 받아서 고객 이탈 패턴을 분석했습니다. 처음에는 전체를 다 보려다가 방향을 잡지 못했고, 첫 구매 후 30일 내 재방문 여부를 기준으로 고객을 나눠서 두 그룹의 행동 차이를 비교하는 방식으로 좁혔습니다. 재방문 그룹은 할인 쿠폰 사용률이 2.1배 높다는 패턴이 나타났고, 신규 고객 쿠폰 발송 타이밍 제안으로 연결했습니다. 실패는 처음에 가설 없이 전체 상관관계를 다 뽑아보다가 2주를 흘려보낸 것이었습니다.
복잡한 데이터에서 통찰이 나오는 것은 데이터의 양이 아니라, 어떤 질문으로 접근하느냐에서 시작한다고 생각합니다.
졸업 프로젝트에서 공공 소비 지출 데이터를 지역·연령·카테고리별로 분석하고 시각화하는 작업을 했습니다. 데이터 자체보다 '무엇이 보이느냐'를 끌어내는 게 어려운 작업이었어요.
3개 년도 데이터를 합치는 과정에서 컬럼 이름이 연도마다 다르고 결측치 처리 방식도 달라서 정제에만 1주일이 걸렸습니다. 정제 이후 20~30대 1인 가구가 많은 지역에서 편의점·배달 지출 비율이 다른 지역보다 1.7배 높다는 패턴이 나왔어요. 이 결과를 리테일 입지 분석 맥락으로 해석하는 보고서를 썼습니다. 실패는 시각화에 너무 많은 차트를 넣어서 핵심 인사이트가 묻힌 것이었는데, 핵심 3개만 남기고 나머지를 부록으로 뺐더니 발표 피드백이 좋아졌어요.
데이터 분석 보고서는 많이 보여주는 게 아니라 핵심을 명확하게 보여주는 것이라는 걸 그때 배웠습니다.
캡스톤 프로젝트에서 공장 설비 센서 데이터 6개월치를 분석해서 이상 징후를 사전에 탐지하는 모델을 만들었습니다. 고장이 나기 전에 신호를 잡는 게 목표였어요.
온도·진동·전류 세 종류 센서 데이터를 시간별로 수집한 데이터였는데, 데이터 간격이 불규칙해서 보간 처리가 필요했습니다. 이동 평균과 표준편차를 기준으로 임계값을 넘은 시점을 이상 징후로 정의하고, 그 이후 7일 이내에 실제 설비 점검이 발생한 경우를 레이블로 삼았어요.
정밀도 74%, 재현율 68% 수준이 나왔는데, 실패는 레이블 기준을 7일로 잡았는데 너무 넓어서 노이즈가 많이 섞인 것이었습니다. 5일로 좁혔더니 정밀도가 79%로 올랐어요.
이상 탐지에서 레이블 기준 하나가 모델 품질을 결정한다는 걸 그 프로젝트에서 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 사업기획 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.