이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터 분석으로 공장 조사를 지원한 경험은 캡스톤 프로젝트에서 제조 공정 불량 원인 분석을 맡으면서 쌓았습니다. 공정 단계별 불량률 데이터를 받아 어느 단계에서 불량이 집중되는지를 먼저 파악했습니다. 단계별 불량률 추이를 시계열 그래프로 그리자 특정 시간대에 불량이 증가하는 패턴이 드러났고, 이를 공정 담당자와 공유해 원인 후보를 좁혔습니다.
설비 가동 이력과 불량률 데이터를 시간 기준으로 연결하자 특정 설비 오버홀 이후 불량이 감소하는 것이 보였습니다. 데이터 연결의 핵심은 각 소스의 타임스탬프를 맞추는 것이었는데, 공정 로그와 설비 이력의 시간 단위가 달라 통일하는 전처리 작업이 먼저였습니다. 이 경험에서 데이터 분석은 분석 기법보다 데이터를 연결하는 전처리가 결과의 질을 결정한다는 결을 얻었습니다.
공장 데이터 분석에서 결과를 수치로 보여주는 것이 현장 담당자를 설득하는 핵심이었습니다. 특정 설비 오버홀 이후 불량률이 줄었다는 것을 시각적으로 보여주기 위해 오버홀 전후 일정 기간의 불량률 평균을 비교했습니다. 단순 비교만으로는 우연인지 실제 변화인지 알기 어려워서, 관리 상한선과 하한선을 계산해 데이터가 그 범위 안에 들어오는지 확인하는 통계적 공정 관리 기법을 학습해서 적용했습니다. 이 방법을 적용하니 개선 전에는 제어 한계선을 벗어나는 포인트가 자주 보였는데, 설비 오버홀 이후에는 관리 범위 안으로 들어온 것이 시각적으로 드러났습니다. 데이터를 보여줬을 때 현장 담당자가 이 구간이 특정 원자재 공급처를 바꾼 시점이라는 정보를 추가로 알려줬는데, 데이터와 현장 지식이 결합됐을 때 원인 추적이 더 빠르게 됐습니다. 제조 데이터 분석은 분석 결과를 현장 언어로 번역하고 수치로 보여주는 것이 설득력을 만든다는 것을 이 경험에서 배웠습니다.
공장 데이터를 연결하면서 서로 다른 시스템의 데이터를 합치는 전처리가 분석 시간의 절반 이상을 차지했습니다. IoT 센서 데이터는 1초 단위로 수집됐는데, 생산 로그는 1분 단위였습니다. 두 데이터를 시간 기준으로 연결하려면 기준 시간 단위를 통일해야 했는데, 센서 데이터를 1분 단위로 집계할 때 평균으로 할지 최댓값으로 할지가 분석 결과에 영향을 줬습니다. 이상 탐지가 목적이라면 최댓값이 더 적합하다는 것을 현장 담당자와 논의해서 결정했습니다. 결측값도 많았는데, 센서가 오프라인이던 구간은 결측인지 실제로 데이터가 없는 건지 구분이 필요했습니다. 무조건 보간하면 이상 발생 구간을 가려버리는 경우가 있어서 결측 구간을 별도 플래그로 표시하는 방식을 선택했습니다. 데이터를 연결하는 전처리에서 내린 결정이 분석 결론에 영향을 주기 때문에, 전처리 선택 근거를 문서로 남기는 것이 중요하다는 것을 이 경험에서 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성전자 SW·IT 일반 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.