[채널코퍼레이션] Data Analyst 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• BigQuery 데이터 마트를 직접 설계하고 Airflow·Dataform으로 데이터 파이프라인의 안정성과 확장성을 확보하며, 데이터 웨어하우스와 전사 데이터 카탈로그를 구축·고도화합니다.

  이렇게 볼 수 있어요

  같은 회사 Sales Operations Analyst 공고의 업무가 분석·대시보드·리포트인 데 비해, 이 공고는 데이터 마트 설계와 파이프라인 운영을 업무 첫 항목으로 두었습니다. Dataform은 BigQuery 안에서 SQL로 변환 로직을 관리하게 해 줍니다. 그래서 SQL에 익숙한 분석가가 파이프라인까지 맡는 구성입니다. 직접 만든 테이블이나 파이프라인이 있다면 쓴 도구와 다룬 데이터 규모를 함께 적으면 범위가 보입니다.

• LLM judge 기반 정량 평가 같은 새로운 방식으로 데이터 카탈로그의 신뢰도와 활용도를 측정하고 개선합니다.

  이렇게 볼 수 있어요

  카탈로그를 만드는 데서 끝나지 않고 얼마나 믿고 쓰이는지를 숫자로 잽니다. 문서나 메타데이터의 품질을 지표로 관리해 본 경험이 이 업무와 가깝습니다.

• MRR, GRR/NRR 등 전사 핵심 지표의 정의부터 관리, 공유까지 이어지는 지표 거버넌스를 확립하고 전파합니다.

  이렇게 볼 수 있어요

  업무의 지표 거버넌스는 MRR, GRR/NRR 같은 구독 매출 지표를 다룹니다. 팀마다 다르게 계산하던 지표를 하나의 정의로 맞춰 본 경험이 이 업무와 가장 비슷합니다.

• 세일즈, 마케팅, 재무 같은 비즈니스 팀과 프로덕트 팀과 협업하며 목표 달성을 위한 데이터 기반 인사이트를 제공합니다.

  이렇게 볼 수 있어요

  공고는 DI1팀이 세일즈 중심의 비즈니스 팀에 데이터 인텔리전스를 공급하고, DI2팀이 프로덕트 팀과 밀착해 제품 핵심 지표를 정의한다고 소개했습니다. 세일즈 쪽과 프로덕트 쪽 가운데 어느 팀과 일해 왔는지 경력에 밝힐 수 있습니다.

• 비즈니스: 비용까지 고려한 매출 Growth Model을 만들어 이탈·다운그레이드 방지와 신규 고객 확보 효율화를 위한 선행 레버를 발굴합니다.

  이렇게 볼 수 있어요

  매출만이 아니라 비용까지 모델에 넣습니다. 이탈이나 다운그레이드를 미리 알려 주는 지표를 찾아 본 경험이 있다면 그 지표가 실제 매출보다 얼마나 앞서 움직였는지 숫자로 보여 주는 편이 좋습니다.

• 제품: 프로덕트 팀이 트래킹해야 할 핵심 지표(예: ALF 관여율·해결율)를 정의하고 핵심 레버를 발굴한 뒤, 그 인사이트로 제품팀·세일즈팀을 넛지해 성과를 만듭니다.

  이렇게 볼 수 있어요

  회사는 최근 1년간 ALF가 맡은 상담의 평균 해결률이 64%라고 발표했습니다. 제품 지표를 정의하고 그 지표로 팀의 우선순위를 바꿔 본 경험이 여기에 맞습니다.

• Hex, Tableau 등의 툴로 데이터 시각화와 대시보드를 구축합니다.

  이렇게 볼 수 있어요

  Hex는 SQL과 Python을 한 노트북에서 돌려 분석 결과를 앱처럼 공유하는 도구입니다. Tableau는 대시보드 중심의 BI 도구입니다. 이 팀은 두 도구로 일회성 분석과 상시 대시보드를 함께 만듭니다. Tableau·Hex는 같은 회사 Sales Operations Analyst 공고에도 나오는 도구입니다. 이 공고의 우대 사항에는 Tableau와 Redash가 있습니다. 만든 대시보드를 누가 얼마나 자주 봤는지까지 알고 있다면 활용도를 함께 보여 줄 수 있습니다.

2자격 요건

• 데이터 분석(DA) 관련 실무 경험이 1년 ~ 5년 이상이어야 합니다.

  이렇게 볼 수 있어요

  공고 머리에는 주니어와 시니어가 함께 적혀 있어 연차 폭이 넓습니다. 같은 회사 Sales Operations Analyst 공고가 데이터 분석 또는 비즈니스 분석 3년 이상을 요구하는 것과 달리, 이 공고는 1년 차부터 지원 대상에 둡니다. 공고는 입사 뒤 역할을 분석 역량 강화, 데이터 환경 구축, 전략 설계 참여의 세 단계로 소개합니다. 분석 업무를 맡은 기간과 다룬 데이터 영역에 더해 이 가운데 어느 단계의 일을 해 봤는지를 자세히 쓰세요.

• 얽혀 있는 비즈니스 문제나 데이터 현상을 구조적으로 정리하고 핵심 원인을 명료하게 정의할 수 있어야 합니다.

  이렇게 볼 수 있어요

  업무로 보면 이 요건은 이탈·다운그레이드를 미리 알려 주는 선행 레버를 찾거나 ALF 관여율·해결율이 움직인 이유를 밝히는 일에 쓰입니다. 숫자가 예상과 다르게 움직였을 때 원인을 좁혀 간 사례가 있다면 처음 세운 가설과 확인한 결과를 나란히 적어 분석을 어떻게 진행했는지 보여 줄 수 있습니다. 2차 면접은 대표와 깊이 있는 직무 이야기를 나누는 자리라 이런 사례를 꺼내기 좋습니다.

• SQL로 Raw Data를 능숙하게 추출하고 분석해 인사이트를 도출할 수 있어야 합니다.

  이렇게 볼 수 있어요

  1차 면접의 라이브 쿼리 테스트가 직무에 필요한 기본적인 SQL 역량을 확인합니다. 평소 지표를 계산하던 쿼리를 손으로 다시 짜 보는 연습이 대비가 됩니다.

• 주도적으로 문제를 파고들고 새로운 기술과 지식을 빠르게 습득하며 성장하고 싶은 분이어야 합니다.

  이렇게 볼 수 있어요

  이 팀은 데이터 카탈로그의 신뢰도를 LLM judge 기반 정량 평가 같은 새로운 방식으로 재는 일까지 맡고 있어, 새 기술을 빠르게 익히라는 요건이 실제 업무 방식과 이어집니다. 낯선 도구나 방법을 짧은 기간에 익혀 데이터 품질이나 분석 방식에 적용해 봤다면 무엇을 얼마 만에 익혔는지까지 정리해 둘 만합니다.

• 다양한 팀과 원활하게 소통하고 협업할 수 있는 '탁월한 커뮤니케이션 역량'이 필요합니다.

  이렇게 볼 수 있어요

  세일즈, 마케팅, 재무, 프로덕트 팀이 모두 협업 상대입니다. 분석 결과를 다른 직군에게 설명해 결정을 바꾼 경험이 있다면 설명한 상대와 바뀐 결정이 이 요건의 근거가 됩니다.

3우대 사항

• B2B SaaS 또는 AI 제품 비즈니스에 대한 이해나 관심이 있는 분을 우대합니다.

  이렇게 볼 수 있어요

  B2B SaaS 쪽 이해는 MRR, GRR/NRR 지표 거버넌스와 이탈·다운그레이드 방지 Growth Model에 필요합니다. AI 제품 쪽 이해는 ALF 관여율·해결율 같은 제품 지표 정의에 쓰입니다. GRR은 이탈과 다운그레이드만 반영하고 NRR은 업셀까지 더한 유지율입니다. 두 지표를 나눠 계산해 본 경험이 있다면 이 우대와 이어지는 사례로 꺼낼 수 있습니다.

• '데이터를 뽑는 것'이 아니라 '문제를 정의하고 해결하는 것'에 관심이 있는 분을 우대합니다.

  이렇게 볼 수 있어요

  이 공고의 분석가는 ALF 관여율·해결율처럼 제품팀이 볼 지표를 직접 정의하고, 그 인사이트로 제품팀과 세일즈팀을 움직이는 데까지 맡습니다. 요청받은 숫자를 넘기는 데서 멈추지 않고 문제를 다시 정의해 다른 팀의 결정을 바꾼 경험은 처음 받은 요청과 실제로 푼 문제를 나란히 놓을 때 가장 잘 전달됩니다.

• Data Warehouse 및 데이터 카탈로그 구축·운영에 대한 깊은 관심과 성장 의지를 가진 분을 우대합니다.

  이렇게 볼 수 있어요

  공고는 DI팀이 올해 집중하는 과제를 카탈로그·파이프라인·지표 정의 같은 데이터 기반을 먼저 다지는 일로 소개했으니, 이 우대는 올해 팀의 중심 과제와 이어집니다. 직접 운영해 본 적이 없더라도 테이블 정의를 문서로 맞추거나 데이터 마트를 설계해 본 범위가 있다면 구체적으로 적어 둘 만합니다.

• 생성형 AI 도구로 코딩/분석 업무의 생산성을 극대화해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  회사는 사내 AI 활용 프로그램 후기에서 모든 멤버가 클로드 코드를 쓴다고 밝혔고, 이 팀은 카탈로그 평가에도 LLM judge를 쓰는 방식을 업무로 적었습니다. AI 도구로 바꾼 분석 작업을 적는다면 무엇을 맡겼고 결과를 어떻게 검증했는지까지 쓰는 게 이 팀의 일하는 방식에 맞습니다.

• Python으로 데이터를 다루거나 분석해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  같은 회사 Sales Operations Analyst 공고는 SQL과 Python을 함께 자격 요건으로 두었지만, 이 공고는 SQL만 자격 요건이고 Python은 우대입니다. 업무의 Airflow 파이프라인과 Hex 노트북은 Python으로 다룹니다. 쓴 라이브러리와 분석 목적에 더해 파이프라인이나 노트북에서 써 본 범위를 적을 수 있습니다.

• 데이터 시각화 툴(Tableau, Redash)로 데이터 시각화를 해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  Tableau는 업무의 대시보드 구축에도 나옵니다. Redash는 SQL 쿼리 결과를 바로 차트와 대시보드로 만드는 도구라 SQL을 자격 요건으로 둔 이 공고와 쓰는 방식이 비슷합니다. Looker Studio나 Power BI처럼 다른 도구를 썼다면 공고 표기의 도구 이름과 나란히 적고 만든 대시보드의 용도를 밝히면 대조하기 쉽습니다.

4기타 사항

• 게시일 : 2026년 4월 28일
• 고용형태 : 정규직
• 근무지 : 서울특별시 강남구 논현로 508, 8층(역삼동, GS타워) (추정)
• 경력 조건 : 경력 1~5년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• BigQuery
• Airflow
• Dataform
• Hex
• Tableau
• Redash
• SQL
• Python

전형과 지원

분석 시점 한국 공고의 전형은 서류전형, 1차 면접, 2차 면접, 최종 합격 네 단계가 가장 많았고, 직군에 따라 3차 면접이나 과제 전형, 일부 개발 공고의 온라인 사전 기술 인터뷰, Data Analyst와 Japan Product Specialist 공고의 콜 인터뷰가 더 있었습니다. 45건 가운데 40건이 전형 설명에 컬처핏이나 채널팀 문화와의 적합성 확인을 적었습니다.

지원 전 준비할 것

1. 1

   라이브 쿼리 연습

   1차 면접에 라이브 쿼리 테스트가 있습니다. 구독 매출 데이터를 가정해 MRR과 이탈률을 계산하는 쿼리를 시간을 재며 짜 보면 면접 환경에 익숙해집니다.

2. 2

   지표를 정의한 사례

   업무에 지표 거버넌스와 제품 지표 정의가 함께 있습니다. 지표 하나를 골라 정의를 정한 이유, 계산 방식, 그 지표로 바뀐 결정을 한 장에 정리해 두세요.

3. 3

   ALF 지표 생각해 보기

   회사 발표의 ARR 500억 원과 ALF 평균 해결률 64%를 확인하고 공고가 예로 든 ALF 관여율·해결율을 어떻게 정의할지 생각을 메모해 가면 콜 인터뷰와 면접에서 이야기할 거리가 생깁니다.