이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터 분석 도구로는 주로 Excel/Google Sheets와 Python을 사용했습니다. Excel은 피벗 테이블과 VLOOKUP으로 납기 데이터를 정리하고 공급사별 이행률을 산출하는 데 활용했습니다. Python은 수업 프로젝트에서 pandas로 판매 데이터를 정제하고 이동 평균 예측치를 산출하는 데 사용했습니다. 가장 유의미한 결과를 냈던 건 Excel로 작성한 공급사 평가 대시보드였습니다. 납기·단가·품질 세 축을 한 화면에서 볼 수 있게 만들었더니, 담당자가 공급사 평가 회의 때 그 자료를 그대로 활용했습니다. 도구보다 중요한 건 무엇을 확인하려는가를 먼저 정의하는 것이라는 걸 그 경험에서 배웠습니다. 분석 목적이 명확해야 어떤 도구를 어떻게 쓸지가 결정됩니다.
저는 데이터를 분석할 때 결과를 한눈에 보이게 만드는 시각화에 특히 신경을 씁니다. 학회 프로젝트에서 설문과 활동 데이터를 모아 분석했는데, 표로만 정리하니 사람들이 핵심을 잘 못 읽었습니다. 그래서 어느 항목에 반응이 몰리는지, 시기별로 어떻게 변하는지를 그래프로 정리했더니, 발표에서 논의가 훨씬 빨라졌습니다. 도구 자체보다 보는 사람이 무엇을 궁금해하는지에 맞춰 표현을 고르는 것이 중요하다는 것을 그때 배웠습니다. 같은 데이터도 추세를 보여줘야 할 때와 비중을 보여줘야 할 때 적합한 그래프가 다릅니다. 분석은 숫자를 내는 데서 끝나는 것이 아니라, 그 결과가 읽는 사람에게 전달돼 판단으로 이어질 때 의미가 있다고 생각합니다.
데이터 분석에서 제가 가장 보람을 느낀 것은 제 분석이 실제 결정을 바꿨을 때였습니다. 동아리 행사에서 참여가 저조한 이유를 데이터로 분석한 적이 있는데, 막연히 '홍보가 부족했다'고 넘어가지 않고 설문과 참여 기록을 보니 일정과 시간대가 문제라는 것이 드러났습니다. 이 결과를 근거로 다음 행사의 일정을 조정하자고 제안했고, 실제로 반영돼 참여가 늘었습니다. 그때 분석은 보고서로 끝나면 의미가 없고, 무엇을 바꿀지로 이어져야 가치가 생긴다는 것을 배웠습니다. 그래서 저는 분석을 시작할 때부터 '이 결과로 어떤 결정을 내릴 수 있을까'를 먼저 생각합니다. 결정과 연결되지 않는 분석은 시간만 쓰는 일이 될 수 있다고 봅니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 무신사 인프라/클라우드 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.