이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
금융 데이터 분석 팀 프로젝트에서 신용 리스크 예측 모델을 만드는 작업을 담당했습니다. 저는 피처 엔지니어링과 모델 평가 파트를 맡았고, 금융 데이터 특성상 결측치와 이상값 처리가 까다로웠습니다. 클래스 불균형 문제를 SMOTE와 class_weight 조정으로 처리했고, 최종적으로 XGBoost 모델이 AUC-ROC 0.87로 가장 좋은 성능을 보였습니다. 발표 때 가장 많이 받은 질문이 '이 모델이 실제 대출 심사에 쓰이면 어떤 리스크가 있냐'였는데, 모델 편향 문제와 설명 가능성(Explainability) 이슈를 함께 준비해서 답했습니다. 이 경험으로 금융 ML에서 성능과 해석 가능성을 함께 고려해야 한다는 걸 배웠습니다. 앞으로도 금융 ML을 다룰 때 성능과 해석 가능성을 함께 고려하는 방식을 유지하겠습니다.
모델이 실제 의사결정에 쓰이면 설명할 수 있어야 신뢰를 얻습니다. AUC보다 어떤 특성이 예측을 이끄는지를 함께 물어봅니다.
금융 데이터 관련 팀 프로젝트에서 금융 대시보드 자동화를 담당했습니다. 분석 결과를 팀원들이 공통으로 볼 수 있도록 Python과 시각화 도구를 연결해 리포트를 자동 생성하는 역할이었습니다.
작업하다 보니 데이터를 보여주는 것보다 어떤 지표를 보여줄지 결정하는 것이 훨씬 어려운 문제라는 걸 알았습니다. 금융 데이터는 지표 하나의 해석 방식이 달라지면 전혀 다른 의사결정으로 이어질 수 있기 때문에, 담당자와 여러 차례 검토 미팅을 반복했습니다.
결과적으로 월간 리포트 작성 시간이 기존 대비 절반 이하로 줄었고, 팀 전체가 동일한 기준으로 데이터를 보는 구조가 만들어졌습니다. 이 경험에서 금융 분야는 분석의 정확성만큼 이해하기 쉬운 커뮤니케이션이 중요하다는 것을 배웠습니다. 숫자를 다루는 것과 숫자를 전달하는 것은 다른 작업입니다.
핀테크 관련 수업 프로젝트에서 간편결제 사기 탐지 시나리오를 설계하는 역할을 맡았습니다. 저는 데이터 수집 범위 정의와 이상 거래 패턴 규칙 도출 파트를 담당했습니다.
금융 데이터는 레이블이 극도로 불균형합니다. 사기 거래 비율이 전체의 0.1% 미만이라는 현실적인 조건을 설정하고, 재현율과 정밀도의 트레이드오프를 어디서 설정할지가 핵심 논의였습니다. 은행 입장에서는 사기를 놓치는 손실이 더 크기 때문에 재현율에 가중치를 두는 방향으로 결론을 냈습니다.
발표 후 교수님이 실제 금융 기관은 여기에 규제 요건까지 고려해야 한다는 피드백을 주셨고, 그게 리스크 관리가 단순 분석을 넘어선다는 것을 처음 실감한 순간이었습니다. 기술 설계와 비즈니스 리스크를 함께 볼 수 있는 시야가 금융 직무에서 필요하다고 생각하며 그 방향으로 공부를 이어가고 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 LG CNS 은행·여신 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.