이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
인턴 때 월별 자금 현황 보고서를 Excel로 작성하는 업무를 맡았습니다. 기존 방식은 각 부서 담당자가 제출한 수치를 단순 합산하는 형태였는데, 항목 기준이 부서마다 달라 집계값이 자주 맞지 않았습니다. 저는 먼저 입금·지출 항목 분류 기준을 통일한 입력 템플릿을 만들어 각 부서에 배포했고, 수집된 데이터를 피벗 테이블로 집계하는 구조로 바꿨습니다. 이후 월간 편차가 전월 대비 ±5% 이내로 줄어들어 보고서 검토 시간이 줄었습니다. 예측이 크게 빗나간 경우도 있었는데, 특정 프로젝트 잔금이 예정보다 2개월 늦게 들어오면서 단기 유동성이 흔들린 사례였습니다. 그 이후로 주요 수입 건에는 예상일과 실제 입금일을 별도 컬럼으로 구분해 추적하는 방식을 추가했습니다.
자금 흐름 예측에서 제가 주로 써온 방법은 AR과 AP의 실제 패턴을 분리해 추적하는 것입니다. 계약상 결제 조건과 실제 입금일 사이의 평균 간격이 거래처마다 달랐는데, 이걸 보정 변수로 넣으니 단기 예측 정확도가 의미 있게 높아졌습니다. 예측 주기는 13주 롤링 단위로 유지했고, 매주 실적치와 비교해 전제 조건을 업데이트했습니다. 중장기는 P&L 가정에서 파생된 간접법 모델에 계절성과 CAPEX 계획을 반영했고, 최악·기대·최선 세 가지 시나리오로 범위를 제시했습니다. 단일 수치보다 범위로 보여주면 의사결정자가 불확실성을 고려하면서 판단할 수 있어서 이 방식을 선호하게 됐습니다. 예측이 크게 빗나갔을 때 더 중요한 건 오차의 원인이 모델인지 데이터인지를 빠르게 구분하는 것이었습니다. 그 구분이 있어야 다음 예측을 어떻게 고칠지가 명확해집니다.
자금 흐름 예측에서 가장 크게 배운 것은 예측이 틀렸을 때 원인을 분해하는 습관에서 왔습니다. 한 번은 잘 맞던 모델이 특정 분기에 크게 빗나갔는데, 원인을 파고들어 보니 입력 데이터 자체의 집계 기준이 바뀐 것이 문제였습니다. 부서 간 집계 방식이 달라진 것을 모르고 그대로 모델에 넣었고, 수치는 맞았지만 의미가 달라진 숫자였습니다. 그 이후로 데이터를 넣기 전에 정의와 집계 기준을 먼저 확인하는 것을 체크리스트로 만들었습니다. 예측 방법론보다 입력 데이터의 품질과 정의 일관성이 정확도를 더 많이 결정한다는 것을 그때 알게 됐습니다. Excel 기반 모델을 주로 썼지만, 중요한 것은 도구보다 어떤 가정을 넣었는지를 기록으로 남기는 것이었습니다. 모델이 바뀌어도 가정의 이력이 있으면 과거 예측이 왜 틀렸는지 추적이 가능합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 Tmap Mobility 재무·자금 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.