이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터 분석 및 시각화 도구를 수업 과제에서 사용한 경험이 있습니다. Python의 pandas와 matplotlib으로 데이터를 정제하고 시각화하는 기초 실습을 했고, 이후 팀 프로젝트에서는 Tableau로 대시보드를 구성해 데이터 트렌드를 표현했습니다.
Tableau를 처음 썼을 때, "어떤 차트가 이 데이터를 가장 직관적으로 표현하는가"를 고민하는 것이 생각보다 어려웠습니다. 데이터를 정확하게 보여주는 것과 "이 그래프를 보는 사람이 무엇을 알아야 하는가"를 함께 생각해야 한다는 걸 그때 배웠습니다.
본격적인 분석 경험은 없지만, 시각화에서 가장 중요한 건 데이터를 예쁘게 만드는 것이 아니라 핵심 메시지를 빠르게 전달하는 것이라고 봅니다. 도구 능숙도보다 "이 숫자가 무엇을 의미하는가"를 해석하는 능력이 먼저라고 생각합니다.
데이터 분석 과제를 처음 받았을 때 막막했던 것은 어디서 시작해야 하는지였습니다. 데이터를 그냥 불러다 그래프부터 그리면 의미 없는 시각화가 나오는 경우가 많아서, 그 이후로는 순서를 잡고 접근하는 습관을 들이게 됐습니다.
제가 쓰는 순서는 먼저 데이터 전체 분포와 결측값 비율을 확인하고, 이상치를 처리한 뒤, 관심 있는 변수 간 상관관계를 보는 방식입니다. pandas의 describe()로 기초 통계를 먼저 보는 것이 출발점이 됐습니다. 분석 순서를 정하지 않고 시각화부터 하면 결론이 맞는지 판단할 기준이 없다는 것을 경험으로 배운 결입니다. 순서 자체가 분석의 신뢰도를 만든다는 것도 함께 이해했습니다.
데이터 분석 과제에서 혼자 해결이 안 됐던 자리가 있었습니다. groupby와 pivot_table을 동시에 써야 하는 집계 로직에서, 어떤 방식이 더 효율적인지 판단이 서지 않았습니다.
그때 팀 동료가 두 방식의 성능 차이와 가독성 차이를 짧게 설명해줬는데, 그게 이후 혼자 짤 때 기준이 됐습니다. 교수님께도 시각화를 설명용으로 쓰는 것과 탐색용으로 쓰는 것은 목적이 다르다는 것을 피드백으로 받아서, 그 이후로는 어떤 목적으로 그래프를 그리는지를 먼저 생각하게 됐습니다. 막힌 자리에서 손을 빌리는 것이 빠른 성장의 경로라는 것을 이해한 결입니다. 혼자 오래 막히는 것보다 일찍 물어보는 것이 더 많이 배우는 방법이었습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 롯데 정보보안 담당 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.