이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
캡스톤 프로젝트에서 소매 판매 데이터를 분석해 재고 보충 주기를 최적화하는 모델을 만든 경험이 있다. 도구는 Python과 pandas, sklearn을 썼다. 초기에 데이터 전처리에서 어려움이 있었는데, 결측값이 불규칙하게 분포해 있어서 단순 imputation을 쓰면 시계열 패턴이 왜곡됐다.
시간 간격을 기준으로 가중 보간을 적용한 방식을 찾아서 해결했다. 분석 결과로 특정 요일·시간대에 재고 소진이 집중된다는 패턴을 발견했고, 이를 기반으로 보충 주기를 조정하는 방안을 제안했다. 팀 발표에서 유통 업체 멘토가 "실제 현장에서 쓸 수 있는 수준"이라는 피드백을 줬다. 이 경험에서 AI 도구보다 데이터 품질이 분석 결과를 더 많이 좌우한다는 것을 직접 확인했다. 도구보다 문제 정의와 데이터 이해에 먼저 시간을 쓰는 습관이 그때 생겼다.
분석 도구를 활용한 또 다른 프로젝트는 수업 과제에서 고객 후기 텍스트를 분류하는 것이었습니다. 수백 개의 후기를 읽고 직접 분류하는 방식은 시간이 너무 걸려서, Python의 transformers 라이브러리를 이용해 감성 분석과 주제 분류를 자동화했습니다. 처음에는 영어 모델을 한국어 데이터에 적용했다가 정확도가 낮아서, 사전 훈련된 한국어 BERT 모델로 교체한 결과 분류 정확도가 크게 개선됐습니다. 결과물로는 자주 언급되는 불만 주제 3개를 정량화해서 시각화했고, 어떤 부분이 고객 만족도에 영향을 미치는지를 요약하는 보고서를 만들었습니다. 이 경험에서 배운 것은 모델 선택보다 데이터와 모델의 적합성 확인이 먼저라는 것이었습니다.
도구는 많지만 내 데이터에 맞는 도구를 고르는 판단이 결과를 결정합니다.
분석 프로젝트에서 예상과 다른 결과를 마주한 경험이 있습니다. 재고 분석을 하면서 가장 중요한 변수가 판매량이나 요일이 아니라 이전 주 재고 수준이라는 것이 피처 중요도 분석에서 나왔습니다. 처음에는 모델이 잘못된 것이라고 생각했는데, 직접 데이터를 다시 살펴보니 해당 변수가 실제로 다음 주 판매에 강하게 연결돼 있는 패턴이 있었습니다. 가설을 바꾸고 그 변수를 중심으로 모델을 조정했더니 예측 정확도가 눈에 띄게 개선됐습니다. 이 경험에서 배운 것은 분석 결과가 예상을 벗어날 때 모델을 의심하기 전에 데이터를 먼저 다시 보는 것이 더 좋은 접근이라는 것입니다.
분석에서 놀라운 결과는 오류가 아니라 새로운 이해의 시작일 수 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 SK텔레콤 인사 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.