이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
예측 모델을 개발한 경험은 수업 프로젝트에서 고객 이탈 가능성을 예측하는 과제였습니다. 먼저 어떤 이탈 정의를 쓸지를 결정하는 것이 중요했고, 마지막 구매 이후 90일 이상 미접속을 이탈 기준으로 설정했습니다. 특성 엔지니어링 단계에서 구매 빈도, 최근 접속 주기, 장바구니 이용 패턴 등 행동 데이터를 정리해 모델 입력으로 사용했습니다.
로지스틱 회귀와 랜덤 포레스트를 비교해 AUC 기준으로 랜덤 포레스트가 더 나은 성능을 보여 채택했습니다. 비즈니스 맥락에서 정밀도와 재현율 중 어느 쪽이 더 중요한지를 먼저 정의하는 것이 임계값 설정에 영향을 준다는 점을 이 경험에서 배웠습니다. 모델이 좋은 결과를 냈어도 비즈니스에서 활용할 수 없는 형태면 의미가 없다는 점도 확인했습니다.
예측 대상과 비즈니스 가치를 먼저 정의하는 것이 예측 모델의 출발점이라는 결론을 갖고 있습니다.
예측 모델에서 검증 정확도 숫자 하나만 보면 모델이 실제로 잘 작동하는지 확인할 수 없는 자리가 생긴다는 것을 경험했습니다. 특히 불균형 데이터에서 정확도는 높지만 모델이 예측하지 못하는 자리가 생기는 경우가 있습니다.
이탈 예측 모델에서 이탈 클래스가 전체의 10% 미만이라 정확도가 92%여도 이탈을 하나도 못 잡는 모델이 만들어지는 자리가 있었습니다. k-fold 교차검증으로 데이터 분할 편향을 줄이고, 정밀도와 재현율 중 비즈니스에서 이탈을 먼저 잡는 것이 더 중요하다는 판단으로 재현율 기준을 높이는 임계값을 선택한 경험이 있습니다.
검증 지표를 비즈니스 맥락에 맞게 선택하는 것이 모델 평가의 핵심 자리라고 생각합니다. 선택이 있어야 평가가 됩니다.
지금도 예측 모델은 숫자 성능이 아니라 실제 사용 맥락에서 옳은 결정을 내리는 자리라고 생각합니다. 맥락이 있어야 성능이 됩니다.
예측 모델을 개발하고 끝내는 것과 배포 후에도 모델이 계속 잘 작동하는지 확인하는 것은 완전히 다른 자리라는 것을 알고 있습니다. 시간이 지나면 데이터 분포가 바뀌고 모델이 처음과 다르게 작동하는 자리가 생깁니다.
수업 프로젝트에서 6개월 전 데이터로 학습한 이탈 예측 모델을 최근 데이터에 적용했을 때 성능이 떨어진 사례를 분석하면서, 사용자 행동 패턴 변화로 인해 피처와 타겟 사이 관계가 바뀐 것이 원인이었다는 것을 확인했습니다. 배포 후 예측 정확도와 실제 이탈 여부를 정기적으로 비교하고, 성능이 떨어지면 재학습 기준을 미리 정해두는 것이 운영 안정성을 유지하는 방법입니다.
모델은 배포가 끝이 아니라 모니터링이 시작되는 자리라고 생각합니다. 모니터링이 있어야 운영이 됩니다.
지금도 예측 모델의 가치는 만든 시점이 아니라 계속 쓸 수 있는 상태를 유지하는 자리라고 생각합니다. 유지가 있어야 가치가 됩니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 SPC그룹 공통직무·미지정 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.