GIL's LAB

공공 데이터 가공 자동화 서비스

GIL~ — Tue, 24 Jun 2025 19:13:40 +0900

안녕하세요.

최근 공공 데이터 가공 자동화 서비스를 사이드 프로젝트로서 개발하고 있습니다.

관련해서 여러분들의 도움이 필요한데 아래 글을 읽어보시고 설문에 응해주시면 감사하겠습니다!

공공데이터, 매번 찾기 어렵고 정리하느라 시간 낭비되신 적 없으셨나요?

공공데이터를 질문만으로 요청하면,
자동으로 찾아서 정제하고 시각화까지 해주는 **데이터 자동화 서비스**를 준비하고 있습니다.
지금은 초기에 시장 가능성과 실제 수요를 확인하고 있는 단계입니다.

✅ 최근 1년 내 공공데이터를 사용해보신 분이라면,
아래 짧은 설문(약 3~5분)에 참여해주시면 큰 도움이 됩니다.

[설문 링크] https://forms.gle/EXAMPLE123456

설문 결과는 요약 리포트로 공유드릴 예정이며,
원하시면 출시 전 베타 테스트에도 우선 초대드릴게요.

대상: 공공데이터를 사용해본 실무자, 연구자, 분석가, 기획자 등
목적: 실사용자의 불편 지점 및 자동화 수요 확인

좋은 의견이 저희 서비스 방향을 더 날카롭게 다듬어줄 거라 믿습니다.
지금 한 번 참여해주시겠어요?

데이터 분석가 / 데이터 사이언티스트를 위한 GPT 가이드라인

GIL~ — Wed, 5 Mar 2025 08:06:07 +0900

데이터 분석 실무에서는 우리가 예상하지 못한 다양한 문제를 해결해야 합니다. 경험이 많은 데이터 분석가나 데이터 사이언티스트조차 매일 검색하면서 업무를 수행합니다. 이때 중요한 것은 어떤 키워드로 검색해야 하는지(구글링), 그리고 어떤 프롬프트를 써야 하는지(ChatGPT 활용)를 아는 것입니다.

1. ChatGPT를 활용하면 어떤 업무 효율을 높일 수 있을까?

ChatGPT는 다양한 업무에서 효율을 높이는 데 유용하게 사용될 수 있습니다.

새로운 개념 이해
- 예: "결정 트리가 뭐야? 초보자도 이해할 수 있게 설명해줘"
코드 리뷰 및 최적화
- 예: "이 코드에서 에러가 발생하는 이유가 뭐고 어떻게 해결할 지 알려줘"
코드 작성 지원
- 예: "이 데이터에서 고객 이탈률을 계산하는 MySQL 쿼리를 작성해줘"
브레인스토밍
- 예: "이러한 프로젝트가 있는데 어떻게 해결할지 같이 고민해보자"
문서 첨삭
- 예: "이 영어 표현 좀 수정해줄 수 있어? Jira 티켓에 답글로 쓸 거야"
자동화 지원
- 예: "이 데이터 분석 결과를 쉽게 이해할 수 있도록 요약해줘"

2. ChatGPT는 만능이 아니다: AI의 한계

많은 사람들이 ChatGPT만 사용하면 고급 실무자가 될 수 있는가?라는 의문을 가집니다. 하지만 배경지식 없이 GPT의 결과물을 그대로 사용하는 것은 위험합니다.

GPT의 한계

오답 가능성 – 반드시 정답을 도출하지는 않습니다.
비즈니스 도메인 이해 부족 – 어떤 문제를 해결해야 하는지는 사람이 결정해야 합니다.
창의적 문제 해결의 어려움 – 기존에 다뤄지지 않은 문제는 GPT가 해결할 수 없습니다.
운영 자동화의 어려움 – 분석 이후 실제 서비스 배포 및 운영은 사람이 해야 합니다.

즉, GPT는 도구일 뿐, 그것을 활용하는 사람의 역량이 중요합니다.

3. 좋은 프롬프트 작성 가이드

ChatGPT의 성능을 극대화하려면 명확하고 구체적인 프롬프트 작성이 필수적입니다.

1) 명확한 질문 (Clarity)

❌ 잘못된 예시
"이 데이터셋을 분석해줘."

✔️ 좋은 예시
"이 데이터를 사용하여 고객별 평균 구매 금액을 계산해줘."

컬럼명: customer_id, purchase_amount
목표: 고객별 평균 구매 금액을 계산하여 새로운 컬럼 avg_purchase 생성
출력 형식: Pandas 코드 제공

2) 맥락 제공 (Context)

❌ 잘못된 예시
"최근 1년간 가장 많이 구매한 고객을 찾는 SQL 쿼리를 작성해줘."

✔️ 좋은 예시
"PostgreSQL에서 최근 1년간 가장 많이 구매한 고객을 찾는 SQL 쿼리를 작성해줘."

3) 예제 제공 (Examples)

❌ 잘못된 예시
"Python으로 날짜 데이터를 변환하는 코드를 작성해줘."

✔️ 좋은 예시
"Python으로 날짜 데이터를 변환하는 코드를 작성해줘. 예를 들어, 2020-01-02를 Jan-02 2020으로 바꾸고 싶어."

4) 목표 중심 (Goal-Oriented)

❌ 잘못된 예시
"이 데이터에서 매출 변수를 시각화해줘."

✔️ 좋은 예시
"매출 추이를 제품별로 비교하고 싶은데, 제품에 따른 매출 추이를 비교하는 시각화를 해줘."

ValueError: could not convert string to float

GIL~ — Tue, 4 Mar 2025 15:29:06 +0900

데이터 분석을 하다 보면 ValueError: could not convert string to float라는 에러를 만날 수 있습니다.

이 에러는 숫자로 변환할 수 없는 문자열이 포함된 경우 발생합니다.

예시를 보겠습니다

import numpy as np
arr = np.array(["1.23", "4.56", "hello", "7.89"])
arr = arr.astype(float)

[실행 결과]

ValueError: could not convert string to float: 'hello'

해결 방법은 간단합니다. 숫자로 변환할 수 없는 문자열은 숫자로 안바꾸는 것입니다.

다만 결측이 문자열로 표시된 경우가 있습니다.

Kaggle에서 대표적인 문제인 Telco Churn Prediction(링크)에도 비슷한 경우가 있습니다.

TotalCharges란 컬럼이 그러한데, 이는 결측을 적당한 숫자로 바꿔주면 해결됩니다.

참고로 해당 컬럼이 결측인 이유는 실제 거래가 없어서이므로 0으로 대체해주면 됩니다.

즉, 다음과 같이 코드를 만들어줄 수 있습니다.

df['TotalCharges'] = df['TotalCharges'].replace({'':0}).astype(float)

약물이 보행 패턴에 미치는 영향 분석: 회전각 및 Jerk 기반 비교

GIL~ — Tue, 4 Mar 2025 10:08:17 +0900

1. 프로젝트 개요

이번 분석에서는 약물 투여 여부에 따른 보행 패턴 차이를 분석했다.
18명의 피험자가 직선 보행 후 회전할 때 신체 부위별 회전각을 측정했으며, 이를 통해 실험군(약물 투여)과 대조군(비투여)의 차이를 비교했다.

2. 데이터 및 변수 정의

실험 데이터 구성

피험자 그룹
- 실험군 (13명): 약물 투여 피험자
- 대조군 (5명): 약물 비투여 피험자
측정 부위 (총 12개)
- 골반(Pelvis), 엉덩이(Hip), 무릎(Knee), 발목(Ankle), 상체(Trunk), 머리/목(Head/Neck), 어깨(Shoulder), 팔꿈치(Elbow)
- 모든 부위에서 x, y, z 축 회전각(Rotation Angle) 데이터 수집

주요 분석 변수

각 부위의 움직임을 정량화하기 위해 여러 지표를 사용했다.

RMS (Root Mean Square)	변동성 측정	특정 부위가 얼마나 회전하는지 확인
Jerk RMS	가속도 변화율 (동작 부드러움)	값이 클수록 급작스러운 움직임을 의미
Jerk Ratio	Jerk의 최대값 / 평균값	급격한 움직임 여부 측정
CoA (Coefficient of Attenuation)	이동 감쇠 정도	피로도 및 이동 품질 분석
Auto Symmetry	좌/우 회전각 차이	움직임의 대칭성 평가
Stride Autocorrelation	보행 규칙성	규칙적인 패턴인지 확인

3. 실험군 vs 대조군 비교 분석

통계 분석 결과

총 291개 변수 중 75개에서 실험군과 대조군 간 유의미한 차이 발견
p-value가 가장 낮은 주요 변수:
- mean_change_Trunk_Rz (상체 z축 회전각 평균 변화량)
- jerk_rms_Left_Ankle_Rz (왼쪽 발목 z축 Jerk RMS)
- jerk_ratio_Trunk_Rx (상체 x축 Jerk Ratio)
- coa_Trunk (상체 CoA)

특히 Jerk RMS 관련 변수가 실험군과 대조군 간 차이를 가장 잘 설명하는 것으로 나타났다. 예를 들어, 아래 그림은 대조군(빨간색)과 실험군(파란색)의 왼쪽 발목에 대해 jerk를 시각화한 결과이다.

대조군 (비투여): Jerk RMS 값이 작고 변동성이 큼 → 불규칙한 움직임
실험군 (투여): Jerk RMS 값이 크고 변동성이 작음 → 더 부드러운 움직임

4. 회전 순서 분석

각 피험자가 회전 동작을 수행할 때 신체 부위별 움직이는 시점을 분석했다.
(Jerk의 magnitude가 최대가 되는 시점을 기준으로 회전 발생 시간 계산)

회전 순서 차이

실험군(투여): 대부분 신체 부위가 초기에 빠르게 움직임
대조군(비투여): 신체 부위 움직임이 불규칙하고 지연됨
특히 팔과 어깨의 회전 순서 차이가 큼

5. 연구 결과 요약

실험군(약물 투여)의 보행이 더 규칙적이고 부드러운 패턴을 보임
대조군(비투여)은 움직임이 더 불규칙하고 급격한 변화가 많음
Jerk RMS 및 회전 순서 분석을 통해 보행 패턴 차이를 명확히 확인

유사 프로젝트 요청이 필요하다면?

https://kmong.com/gig/374194

데이터사이언스 박사의 데이터 분석 서비스 드립니다. - 크몽

데이터사이언스박사 전문가의 IT·프로그래밍 서비스를 만나보세요. 의뢰 내용에 따라 작업 기간과...

kmong.com

트위터 네트워크 그래프

GIL~ — Tue, 4 Mar 2025 08:26:36 +0900

1. 프로젝트 개요

데이터 수집: 타겟 유저를 입력하면 해당 유저의 팔로워 데이터를 수집
데이터 시각화: 타겟 유저와 팔로워를 네트워크 형태로 시각화함

2. 사용 패키지

tweepy: 트위터 데이터 수집용
networkx: 네트워크 데이터 분석용
pyvis: 인터랙티브 그래프 시각화용

3. 시각화 결과 예시

유사 프로젝트 요청이 필요하다면?

https://kmong.com/gig/374194

데이터사이언스 박사의 데이터 분석 서비스 드립니다. - 크몽

데이터사이언스박사 전문가의 IT·프로그래밍 서비스를 만나보세요. 의뢰 내용에 따라 작업 기간과...

kmong.com

수면 상태 예측 모델 개발: 심박수와 모션 데이터를 활용한 분석

GIL~ — Tue, 4 Mar 2025 08:15:54 +0900

1. 프로젝트 개요

이번 분석에서는 심박수 및 모션 가속 센서 데이터를 활용하여 수면 상태를 예측하는 모델을 개발했다. 데이터는 PhysioNet에서 수집된 31명의 피험자 데이터를 사용했으며, 주요 목표는 주어진 생체 데이터를 바탕으로 수면 상태(Wake, Light Sleep, Deep Sleep, REM)를 예측하는 것이다.

2. 사용 데이터 및 전처리

데이터 구성

심박수 (HR) 데이터: 불규칙한 주기로 측정됨
모션 가속도 센서 데이터: X, Y, Z 축 값으로 제공됨
수면 상태 레이블: 30초 단위로 측정됨 (Wake, Light Sleep, Deep Sleep, REM)

주요 전처리 과정

심박수 데이터 보완: 특정 시점(t)의 수면 상태 예측을 위해 이전 30초 동안의 평균 심박수를 계산하여 추가
모션 데이터 가공: X, Y, Z 축의 최댓값 - 최솟값을 활용한 가속도 범위 계산 (모션 감지 기준)
N1, N2 수면 단계를 통합하여 총 4개 클래스(Wake, N1-N2, N3, REM)로 단순화

3. 문제 정의 및 접근 방식

해결하고자 하는 문제

주어진 심박수 및 모션 데이터만을 활용하여 실시간으로 수면 상태를 예측하는 모델을 개발하는 것이 목표다. 이를 위해 다음 3가지 접근법을 고려했다.

#1	현재 시점 데이터만 활용	실시간 예측 가능	성능 저하 가능성
#2	이전 시점 데이터까지 활용	패턴 반영 가능	실시간 예측 어려움
#3	전체 데이터를 활용하여 예측	높은 정확도	수면 종료 후에만 예측 가능

4. 모델링 및 성능 비교

모델 성능 비교 (Baseline)

초기 모델링에서는 랜덤포레스트, 결정나무, LightGBM, XGBoost, 신경망, 로지스틱 회귀, LSTM을 테스트하여 최적의 모델을 탐색했다.

케이스최적 모델정확도

#1	로지스틱 회귀	55.81%
#2	신경망	56.85%
#3	신경망	56.91%

전체 데이터를 활용한 케이스(#3)의 성능이 가장 우수하며, 케이스 #2의 신경망 모델도 비교적 좋은 성능을 보였다.

하이퍼파라미터 튜닝 결과

이후 신경망 모델을 중심으로 하이퍼파라미터 튜닝을 진행했다.

케이스최적 아키텍처옵티마이저정확도

#2	(100, 50, 10)	Adam	70.09%
#3	(10)	Adam	70.12%

케이스 #3에서는 단순한 모델도 좋은 성능을 보였으나, 실시간 예측을 위해서는 케이스 #2의 모델이 더 적합할 것으로 판단된다.

5. 결론 및 향후 개선 방향

이번 분석에서는 심박수 및 모션 데이터를 활용하여 수면 상태를 예측하는 신경망 모델을 개발했다. 실시간 예측을 위한 모델(케이스 #2)이 가장 현실적인 대안이며, 추가적인 하이퍼파라미터 튜닝 및 추가 데이터 적용을 통해 성능을 더욱 향상시킬 수 있을 것으로 기대된다.

추후 개선 방향

데이터 증강: 피험자 수 증가 및 다양한 환경에서의 데이터 수집
특성 엔지니어링: 주파수 도메인 특성 추가 (FFT 변환 등)
모델 최적화: Transformer 계열 모델 도입 검토

유사 프로젝트 요청이 필요하다면?

https://kmong.com/gig/374194

데이터사이언스 박사의 데이터 분석 서비스 드립니다. - 크몽

데이터사이언스박사 전문가의 IT·프로그래밍 서비스를 만나보세요. 의뢰 내용에 따라 작업 기간과...

kmong.com

데이터 분석가와 사이언티스트 신입 과제 전형

GIL~ — Thu, 27 Feb 2025 09:05:31 +0900

최근 데이터 분석가(Data Analyst; DA)와 데이터 사이언티스트(Data Scientist; DS)를 채용하는데 있어 과제 전형을 포함시키는 회사가 늘어났습니다. 이번 포스팅에서는 이러한 과제 전형을 대비하기 위한 방법에 대해 알아보겠습니다.

DA/DS 과제 전형의 목적: 무엇을 평가할까?

DA/DS 과제 전형의 목적은 당연히 입사해서 업무를 잘 수행할 수 있을지를 평가하기 위한 것입니다. 그러나 하나의 과제만 보고 개인의 역량을 제대로 평가하기는 쉽지 않습니다. 그래서 답안지를 보기보다 문제 풀이 과정을 봅니다. 즉, 정답을 찾는지, 화려한 스킬을 쓰는지를 보는 것이 아니라 논리적인 접근 방식과 문제 해결 능력을 평가하는 것이 핵심입니다. 따라서 높은 모델 정확도를 달성하는 것보다, 문제를 어떻게 정의하고 해결해 나가는지를 명확하게 서술하는 것이 중요합니다. 또한, 실무 면접에서 해당 과제를 설명해야 할 가능성이 높기 때문에, 코드 가독성과 문서화에도 신경 써야 합니다. 특히 분석과 무관하게 그냥 해봤다 싶은 내용은 부록 등으로 과감히 빼길 바랍니다.

내용을 정리하면 다음과 같습니다.

논리적 구조 평가: 단순히 정답을 맞추는 것이 아니라, 문제를 어떻게 접근하는지를 중점적으로 평가합니다.
실제 업무 방식과의 연계: 모델의 성능이 중요한 경우도 있지만, 그것만이 정답이 아닙니다. 과제 풀이 과정에서의 논리적 접근이 중요합니다.
실무 면접 대비: 과제에서 수행한 내용이 실무 면접에서 질문될 가능성이 큽니다. 따라서 해결 방법을 명확히 정리해야 합니다.
코드 가독성과 문서화: 코드 리뷰 과정에서 가독성과 문서화가 중요한 평가 요소가 될 수 있습니다. 정돈된 코드와 명확한 설명이 필요합니다.
과제의 요구 사항 분석: 주어진 과제에서 무엇을 요구하는지를 먼저 명확히 파악한 후 접근해야 합니다.

DA/DS 과제 문항의 특성

한 마디로 정리하면 이 과제는 정답이 없을 가능성이 큽니다. 각자의 논리 전개를 보기 위한 것이 가장 크기 때문입니다. 이러한 내용을 정리하면 다음과 같습니다.

정답이 없는 경우가 많음: 데이터 과제의 특성상, 정해진 정답이 없고 다양한 접근 방식이 가능합니다.
도메인 지식이 중요한 역할을 함: 특정 산업이나 문제 영역에 대한 이해가 있으면 분석에 유리할 수 있습니다. 특히, 적절한 가설을 세우고 검증하는 능력이 핵심입니다.
자발적인 문제 정의 능력 평가: 단순히 기획된 내용을 따라 분석하는 것이 아니라, 스스로 문제를 정의하고 데이터에서 인사이트를 도출할 수 있는 능력이 중요합니다. 예를 들어, 단순히 "매출 감소 요인을 분석하라"는 문제에서, 매출 감소의 원인을 어떻게 정의하고 접근할지 스스로 설정하는 것이 요구됩니다.
모델 점수만으로는 평가되지 않음: 모델링 과제에서도 모델의 성능(정확도, F1-score 등)은 중요하지만, 단순히 높은 점수를 얻는 것이 전부는 아닙니다. 점수는 하나의 참고 지표일 뿐이며, 우연에 의해 달라질 가능성이 크기 때문에 모델링 과정과 해석이 더욱 중요합니다.

DA/DS 과제 문항 예시

고객 데이터 분석: 주어진 고객 데이터를 기반으로 고객 세그먼트를 정의하고, 각 세그먼트의 구매 패턴을 분석하세요.
매출 감소 요인 분석: 지난 6개월의 판매 데이터를 바탕으로 매출 감소 요인을 분석하고, 판매가 가장 낮은 상품군에 대한 개선안을 제안하세요.
연체 고객 분석 및 전략 제안: 주어진 대출 데이터를 분석하여 연체 고객의 주요 특징을 도출하고, 연체율을 낮추기 위한 전략을 제안하세요.
사용자 이탈 분석: 앱 사용자 데이터를 분석하여 이탈률이 높은 시간대를 파악하고, 이를 줄이기 위한 제안을 하세요.
A/B 테스트 결과 분석: 변경된 UI가 사용자 행동에 미친 영향을 분석하세요.
수요 예측: 주어진 물류 데이터를 활용하여 다음 달 특정 상품군의 수요를 예측하세요.

데이터 분야 취업 컨설팅/자기소개서 첨삭/이력서 첨삭은 아래 링크로!

https://kmong.com/gig/380507

데이터 사이언스 박사가 데이터 분야 취업, 진학을 도와 | 50000원부터 시작 가능한 총 평점 5점의

18개 총 작업 개수 완료한 총 평점 5점인 데이터사이언스박사의 문서·글쓰기, 이력서 교정 서비스를 18개의 리뷰와 함께 확인해 보세요. 문서·글쓰기, 이력서 교정 제공 등 50000원부터 시작 가능

kmong.com

[데이터 코딩테스트 대비 #3] 범죄 추이 분석

GIL~ — Thu, 27 Feb 2025 08:47:02 +0900

문제

경찰청에서는 매년 말 지역별 범죄 발생 통계를 발표합니다. 2018년부터 2022년까지 5년치 데이터가 있으며, 각 데이터는 경찰청_범죄 발생 지역별 통계_20181231.csv 등에 저장되어 있습니다 (출처). 해당 데이터를 이용하여 다음 분석을 수행하세요. 단, 결측이나 공백은 0을 나타냅니다.

경찰청_범죄 발생 지역별 통계_20211231.csv

0.01MB

경찰청_범죄 발생 지역별 통계_20221231.csv

0.01MB

경찰청_범죄 발생 지역별 통계_20181231.csv

0.01MB

경찰청_범죄 발생 지역별 통계_20191231.csv

0.01MB

경찰청_범죄 발생 지역별 통계_20201231.csv

0.01MB

문제 (1) 2018년부터 2022년까지 서울, 부산, 대구, 인천, 광주, 대전, 울산, 세종의 사기 범죄 추세를 시각화하세요.

문제 (2) 2018년부터 2022년까지 경기도에서 발생한 강력 범죄 추세를 시각화하세요.

문제 (3) 전체 범죄 건수가 매년 감소한 지역의 범죄 발생 건수 추이를 시각화확인하세요.

문제 (4) 2022년에 전체 범죄 발생 가운데 마약범죄 발생 비율이 가장 높은 상위 10개 지역을 추출하세요.

* 해당 문제에 대한 해설은 따로 제공하지 않습니다.

데이터 분석/사이언스 분야 프로젝트 기술서 작성 방법

GIL~ — Tue, 12 Mar 2024 10:00:29 +0900

안녕하세요. 근 1년만의 포스팅입니다.

이번 포스팅에서는 경력 기술서 내의 프로젝트 기술서를 작성하는 방법에 대해 알아보겠습니다.

가장 중요한 것은 제 3자인 평가자가 기술서를 본다는 점을 감안해야 한다는 것입니다.

기술서 구조

기술서는 다음과 같은 구조로 작성하는 것이 좋습니다.

프로젝트명, 기간 (개월수)

프로젝트 개요
주요 수행 내용
업무 성과
획득 역량

각 항목에 대해 자세히 알아보겠습니다.

프로젝트명

프로젝트명은 가급적 구체적으로 작성해줘야하며, 그 뒤에 기간을 명시해줘야 합니다.

가상의 프로젝트(주가 예측 알고리즘 개발)를 다음과 같이 쓸 수 있을 것입니다.

주가 예측 알고리즘 개발, 2023.06 ~ 2024.12 (1년 6개월)

기간 옆에 몇 개월짜리인지를 써주는 것이 평가자가 보기 편합니다.

개요

개요에는 프로젝트 배경과 목표를 작성해주는 것이 좋습니다. 특히, 데이터 분석과 사이언스 업무는 주로 데이터를 바탕으로 어떤 문제를 해결하는 경우가 많으므로, 어떤 문제를 해결하는지에 대한 간단히 서술해주는게 좋습니다.

주요 수행 내용

주요 수행 내용은 2-depth로 작성해야 하는 것이 좋습니다.

즉, 다음과 같은 구조가 좋습니다.

주식, 경제 지표 등의 데이터 수집
- 웹 크롤러 개발을 통한 최근 20년 간의 일별 주식 데이터 수집
- 통계청에서 물가 상승률, 인구 수 등의 경제 지표 수집

두 명 이상이 참가한 프로젝트인 경우에는 자신이 수행한 내용 위주로 작성해야 합니다.

여기서도 가장 주의할 점은 이 프로젝트를 전혀 모르는 사람이 내용을 보는 것이므로, 대략적이나마 어떤 내용을 수행했는지 알기 쉽게 표현해야 한다는 점입니다.

획득 역량

획득 역량은 이 프로젝트를 통해 무엇을 배웠는지를 쓰는 것이며, 생략이 가능합니다.

1-depth로 작성해도 무방하며, 기술적인 내용에 국한되지 않고 써야 합니다.

가령, 고객의 니즈를 파악하는 것, 결과물을 문서화해서 잘 모르는 사람이 쓸 수 있게 만든 것 등도 중요한 획득 역량입니다.

주요 성과

가장 중요한 부분입니다. 의외로 많은 분들이 주요 성과를 쓸 때, 모델의 성능을 씁니다.

예를 들어, "정확도 99% 달성"과 같이 씁니다. 그러나 이것이 실질적으로 어떤 의미가 있는 것인지를 알기 어려워서 성과라고 하기 힘듭니다 (물론 잘 알려진 문제에서 기존 대비 몇 % 성능을 향상시켰다는 성과입니다).

그래서 가장 좋은 형태는 이 프로젝트를 통해, (1) 공수를 얼마나 절감시켰는지, (2) 돈을 얼마나 벌었는지, (3) 사용자를 얼마나 유입시켰는지 등입니다.

위에서 예를 들었던 주가 예측이라면, "주가 예측을 통해 20%의 연평균 수익률을 얻었다" 정도가 좋겠죠.

데이터사이언티스트 서류 작성 문의는 아래 링크로!

https://kmong.com/gig/380507

데이터 사이언스 박사가 데이터 분야 취업, 진학을 도와 | 50000원부터 시작 가능한 총 평점 5점의

22개 총 작업 개수 완료한 총 평점 5점인 데이터사이언스박사의 문서·글쓰기, 이력서 교정 서비스를 22개의 리뷰와 함께 확인해 보세요. 문서·글쓰기, 이력서 교정 제공 등 50000원부터 시작 가능

kmong.com

출처: https://gils-lab.tistory.com/131 [GIL's LAB:티스토리]

데이터사이언티스트 취업을 위한 지원서 준비 방법

GIL~ — Thu, 21 Sep 2023 18:00:01 +0900

오랜만에 포스팅입니다.

최근 저희 회사에서 신입 데이터사이언티스트 2명을 채용하고 있고, 평가 위원으로 들어가게 됐습니다. 지금은 막 서류를 검토하고 면접에 올릴 인원을 선정하는 단계인데, 생각보다 엄청나게 많은 지원자가 몰려 일이 밀리고 있습니다. 정확한 경쟁률을 밝히기는 어려우나 300:1을 넘습니다. 그리고 인사팀에서 1차로 필터링을 해서 주지만, 그래도 현업 데이터사이언티스트 한 명이 봐야할 지원서만 백장을 넘습니다.

그러다보니 각자의 기준을 만들고 면접에 올릴 가능성이 없는 지원자는 빠르게 낮은 점수를 부여합니다 (지원자 입장에선 억울할 수 있지만, 결국 뽑는건 두 명 뿐이니 합격 가능성이 낮은 지원자는 빠르게 검토할 수 밖에 없습니다). 그리고 최근에는 현업에서 서류를 직접 검토하는 일이 많은데, 서류를 검토한다고해서 원래 일이 연기되거나 사라지는건 아니어서 가급적 빨리 처리하고 싶어합니다.

서론이 길었는데, 제가 평가하고 있는 기준은 다음과 같습니다.

1. 석사 학위와 중고 신입

석사 학위는 데이터사이언스와 관련된 학과의 석사 학위(컴퓨터공학, 산업공학, 통계학, 데이터사이언스 등)를 말합니다. 박사 학위가 있으신 분도 있었지만, 신입으로 들어오기에는 오버 스펙이라 최하 점수를 드렸습니다. 중고 신입은 데이터 사이언스 관련으로 3년 미만의 경력이 있는 지원자를 말합니다. 석사 학위자가 아니거나, 중고 신입이 아닌 경우에는 이걸 뒤집을만한 경험이 없으면 불합을 줬습니다.

2. 프로젝트 경험

프로젝트 경험이 없거나 지나치게 적은 경우에는 최하 점수를 줄 수 밖에 없습니다. 혼자서 공부했다고 하는 경우도 있는데, 서류에서 검증이 가능한 사항이 아니기에 보통 무시합니다. 프로젝트는 기업 프로젝트, 공모전, 개인 프로젝트 모두 상관없습니다.

3. 지나치게 무성의한 이력서

신입은 이력 자체가 화려하기 어렵습니다. 그래서 각 항목을 가능한 자세히 설명해주는 것이 필요한데, 프로젝트 제목만 쓰는 경우가 종종 있습니다. 제목만 보고 내용을 유추할 수 있거나 흥미를 유발할만한 것이면 모를까, 보통 그렇지는 않습니다. 또한, 자기소개서 분량이 지나치게 적은 경우에도 최하점을 부여합니다.

4. Fit이 안맞는 경우

이건 어쩔수없는 것이긴 한데, 채용 공고에서 설명하는 직무 내용과 조금 떨어진 경험만 있는 경우에는 경험이 많더라도 좋은 점수를 드리기는 어렵습니다.

데이터사이언티스트 서류 작성 문의는 아래 링크로!

https://kmong.com/gig/380507

데이터 사이언스 박사가 데이터 분야 취업, 진학을 도와 | 50000원부터 시작 가능한 총 평점 5점의

kmong.com