이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
인턴 때 물류팀 프로젝트에서 주간 수요 예측 모델을 만들어본 경험이 있습니다. 단순히 Prophet 같은 시계열 라이브러리를 쓰는 것도 고려했는데, 데이터를 먼저 뜯어봤더니 계절성보다 프로모션 이벤트가 훨씬 큰 변동 요인이었습니다. 그래서 이벤트 캘린더를 외부 피처로 추가해 XGBoost로 접근했고, 이전 단순 이동평균 대비 MAPE가 약 8%포인트 개선됐습니다. 핵심은 모델 선택보다 데이터 이해가 먼저라는 것인데, EDA 단계에서 이상치와 계절 패턴을 충분히 보지 않으면 좋은 알고리즘을 써도 결과가 어긋나더라고요. 지금은 분석 시작 전 데이터 분포와 결측 패턴부터 점검하는 것을 루틴으로 굳혔습니다.
수요 예측 알고리즘 개발에서 한계가 드러난 경험은 학습 데이터에 없는 이벤트가 발생했을 때 예측이 크게 빗나간 케이스였습니다. 프로모션 이벤트를 피처로 추가해서 예측 정확도가 올랐는데, 이전에 없었던 새로운 종류의 이벤트가 생기자 모델이 전혀 다른 수요 패턴을 제대로 반영하지 못했습니다.
학습 데이터에 없는 상황은 모델이 처리하기 어렵다는 것을 이해했습니다. 수요 예측 모델은 과거 패턴에서 학습하기 때문에 완전히 새로운 상황에서는 사람의 보정이 필요한 경우가 있다는 결이 생겼습니다.
수요 예측 알고리즘 개발에서 재발 방지로 이어진 경험은 EDA를 루틴으로 만든 이후 이상치 처리 실수가 줄어든 케이스였습니다. 초반에 이상치를 충분히 확인하지 않고 모델을 학습시켰다가 예측 결과가 왜곡되는 경우가 있었습니다.
데이터를 먼저 충분히 살피고 이상치를 확인하는 단계를 루틴으로 정한 뒤, 비슷한 실수가 줄었습니다. 데이터 분석에서 모델보다 데이터 이해가 먼저고, EDA를 습관화하면 나중에 발생하는 수정 비용을 줄일 수 있다는 결이 남아 있습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 와이즐리컴퍼니 솔루션 아키텍트 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.