[CJ올리브영] Data Architect (시니어) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 멀티 비즈니스 도메인의 데이터 표준(단어/용어/코드/도메인) 정책 프레임워크를 수립하고 전사 표준/업무용어 관리 체계를 정립합니다.

  이렇게 볼 수 있어요

  올리브영 테크 블로그의 2026년 3월 글은 올영매장 서비스가 쓰는 매장 정보, 오프라인 프로모션, 픽업 주문 데이터를 스토어·쿠폰증정·주문결제 스쿼드가 각각 관리하고 환경과 서버, 데이터양도 서로 다르다고 설명했습니다. 데이터를 스쿼드마다 따로 관리하는 구조에서는 표준 용어가 없으면 같은 말이 다른 데이터를 가리킬 수 있습니다. 여러 조직이 따로 쓰던 용어나 코드를 하나로 맞춘 경험이 있다면 누구와 어떤 기준으로 합의했는지를 적는 것이 좋습니다.

• LLM 및 AI 기술로 정책서 내 업무용어 자동 수집체계를 구축하고, 수작업 중심의 DA 검토 단계를 자동화하는 기술적 구조를 설계합니다.

  이렇게 볼 수 있어요

  회사는 2026년 4월 전 구성원 업무 환경에 Gemini Enterprise를 도입한다고 밝히며 그간 데이터 인프라를 고도화하고 AI 적용 범위를 확대해 왔다고 적었습니다. 정책서 같은 비정형 문서에서 업무용어를 뽑는 일은 우대 사항의 AI/LLM·텍스트 마이닝 경험과 같은 작업입니다. 자동화하려면 수작업 검토의 기준이 규칙으로 쓰여 있어야 합니다. 그래서 DA 검토 기준을 문서로 정리해 본 경험은 자동화 설계의 첫 단계에서 쓰입니다.

• 대규모 커머스 원천 시스템과 DW 영역의 개념/논리/물리 데이터 모델링 표준을 수립하고 설계 검토와 ERD 거버넌스를 최적화합니다.

  이렇게 볼 수 있어요

  Data Engineer 공고도 모델링 표준을 설계하는 일을 적었습니다. 이 자리의 범위는 원천 시스템 쪽 모델링 표준까지 넓습니다. 올리브영 테크 블로그의 2025년 11월 글은 주문·교환·반품·옵션 변경 로직이 7,000줄이 넘는 프로시저 하나에 섞여 있었다고 소개했습니다. 원천 시스템의 구조 검토에는 테이블 관계뿐 아니라 로직이 어느 모듈에 있는지도 함께 걸리기 쉽습니다. 검토 기준과 반려 사유의 유형을 직접 정한 일은 ERD를 검토한 일과 별개의 경험으로 적을 만합니다.

• 핵심품질항목(CTQ)과 품질 KPI를 정의하고 품질 측정 프로세스를 수립해 데이터 품질 진단과 개선 실무를 주도합니다.

  이렇게 볼 수 있어요

  CTQ는 품질 관리에서 핵심 품질 항목을 가리키는 말로, 데이터 품질에서는 완전성·정확성·적시성처럼 측정할 항목입니다. 직무소개는 품질관리 체계를 제로베이스에서부터 체계화한다고 적어 기존 체계를 손보는 일보다 새로 세우는 일에 무게가 있습니다. Data Analytics Engineer 공고는 파이프라인 단위의 정합성 자동 검증과 신선도 SLA를 적었고, 이 자리는 전사 품질 항목과 KPI를 정하는 쪽입니다.

• 정보보안 조직과 협업해 전사 개인정보 식별·분류 체계를 수립하고 메타데이터 기반의 통제 기능을 반영합니다.

  이렇게 볼 수 있어요

  개인정보 식별·분류는 컬럼 단위로 개인정보 여부와 등급을 메타데이터에 표시하고 접근 통제를 거기에 연결하는 일입니다. 자격 요건의 메타데이터 관리 시스템과 데이터 계보 전문성이 이 업무의 바탕입니다.

2자격 요건

• 데이터 아키텍처(DA) 및 데이터 거버넌스 분야 실무 경력이 10년 이상 필요합니다.

  이렇게 볼 수 있어요

  데이터 아키텍처 경력과 데이터 거버넌스 경력은 이 조건에 함께 적을 수 있습니다. 업무가 전사 정책 수립과 모델링 표준, 품질 체계, 개인정보 분류까지 넓어서 모델링, 표준 관리, 품질, 개인정보 가운데 맡았던 영역을 구분해 적으면 업무와 이어집니다. Data Engineer 공고와 Data Analytics Engineer 공고는 5년을 요구합니다. 10년을 요구하는 이 자리는 구현보다 전사 정책과 표준을 정하는 업무를 적었습니다.

• 대규모 엔터프라이즈 환경 또는 대용량 트래픽을 처리하는 플랫폼사에서 전사 데이터 거버넌스 정책 및 프로세스를 직접 설계 및 수립하고, 기술적으로 전사에 전파(Evangelism)해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  전파가 요건이라 정책 문서를 쓰는 데서 끝나지 않고 개발자와 DBA가 표준을 따르게 만든 방식이 쟁점입니다. 올리브영의 스쿼드는 하나의 기능이나 서비스를 중심으로 자율적으로 운영되는 작은 조직이라고 테크 블로그가 설명했습니다. 표준을 지시가 아니라 설득과 합의로 퍼뜨린 경험이 이 요건과 가깝습니다.

• 대형 원천 시스템 및 복잡한 DW/Mart 영역에 대한 상위 수준의 데이터 아키텍처 설계 및 대규모 데이터 모델링(ERD) 검토 경험이 필요합니다.

  이렇게 볼 수 있어요

  업무가 대규모 커머스 원천 시스템과 DW를 함께 다루므로 원천의 운영 모델과 분석용 모델 사이의 매핑을 설계한 경험이 이 요건의 대표 사례입니다. 원천은 주문·교환·반품 같은 거래를 처리하려고 정규화한 구조이고 DW와 Mart는 분석 질의에 맞춘 구조라 같은 개념이 두 모델에서 다르게 표현됩니다. 요건이 설계와 함께 '검토'를 적었으므로 직접 그린 모델과 다른 팀이 그린 모델을 검토해 수정을 이끈 사례를 나눠 적을 수 있습니다.

• 메타데이터 관리 시스템(Meta Data Management) 및 데이터 계보(Data Lineage) 관리 체계에 대한 깊은 기술적 전문성이 필요합니다.

  이렇게 볼 수 있어요

  데이터 계보는 지표나 마트의 값이 어느 원천에서 어떤 변환을 거쳐 나왔는지를 추적하는 정보입니다. 업무의 품질 진단은 원인을 거슬러 찾을 때, 개인정보 통제는 어떤 테이블로 퍼졌는지 찾을 때 계보를 씁니다.

• DBA, 개발자, 보안 담당자 등 다양한 유관 부서의 기술 이해관계자 사이에서 아키텍처의 방향성을 논리적으로 설득하고 조율할 수 있는 '뛰어난 전문적 커뮤니케이션 능력'을 갖춰야 합니다.

  이렇게 볼 수 있어요

  설득 상대가 DBA, 개발자, 보안 담당자 세 부류이고 각자 보는 기준이 다릅니다. DBA는 성능과 운영 부담을, 개발자는 변경 비용을, 보안 담당자는 개인정보 통제를 먼저 봅니다.

3우대 사항

• AI/LLM 프레임워크나 텍스트 마이닝 기술을 활용해 비정형 문서(정책서 등)에서 업무용어를 파싱하거나, 수작업 DA 검토 프로세스를 자동화한 경험이 있는 분을 우대합니다.

  이렇게 볼 수 있어요

  이 우대는 업무의 AI 기반 거버넌스 프로세스 혁신과 같은 작업을 해 본 경험입니다. 정책서에서 업무용어를 파싱한 경험과 수작업 DA 검토를 자동화한 경험은 이 우대에 함께 적을 수 있습니다. DA 검토는 보통 새 테이블과 컬럼의 이름이 표준 단어·용어 사전을 따르는지, 새 용어가 기존 표준 용어와 같은 뜻인지 다른 뜻인지를 사람이 확인하는 단계입니다. 어느 쪽이든 LLM이 낸 결과를 누가 확인하고 어떤 기준으로 고쳤는지가 경험의 깊이를 보여 줍니다.

• 전사 데이터 품질관리 체계(CTQ 정의, KPI 수립, 프로파일링 및 모니터링)를 기획 단계부터 실제 적용, 고도화까지 실무 중심의 Full-Cycle로 수행해 본 경험이 있는 분을 우대합니다.

  이렇게 볼 수 있어요

  직무소개가 품질관리 체계를 제로베이스에서 체계화한다고 적어 이 우대는 업무의 출발점과 같습니다. 기획, 적용, 고도화 세 단계에서 각각 직접 한 일을 나눠 적으면 Full-Cycle 경험이 구체적으로 보입니다.

• 정형 데이터뿐만 아니라 비정형/반정형 데이터에 대한 거버넌스 및 전사 데이터 카탈로그 구축 경험이 있는 분을 우대합니다.

  이렇게 볼 수 있어요

  Data Engineer 공고도 분석 환경과 카탈로그, 모델링 표준을 설계한다고 적었습니다. 카탈로그는 두 공고에 모두 걸쳐 있고, 이 자리는 거버넌스 정책과 표준 쪽에서 구축 경험을 묻습니다.

• Cloud 데이터 웨어하우스(Snowflake, BigQuery, Redshift 등) 환경에서 데이터 거버넌스 및 아키텍처 최적화 경험이 있는 분을 우대합니다.

  이렇게 볼 수 있어요

  Data Engineer 공고와 Data Analytics Engineer 공고에도 BigQuery가 이름으로 나오고 Snowflake와 Redshift는 이 공고에만 있습니다.

• 데이터 관련 자격증(DAP, DAsP, SQLP, SQLD) 소지자를 우대합니다.

  이렇게 볼 수 있어요

  DAP와 DAsP는 데이터 아키텍처, SQLP와 SQLD는 SQL 영역의 자격증입니다. 이 공고의 데이터 아키텍처·모델링 업무와 SQL 영역에 대응하는 자격증 이름이 네 개 나옵니다. 보유한 자격증은 분야와 취득 시점을 함께 적을 수 있습니다.

4기타 사항

• 게시일 : 2026년 6월 30일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 대한민국 서울특별시 용산구 한강대로 372
• 경력 조건 : 경력 10년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• LLM
• ERD
• Snowflake
• BigQuery
• Redshift

전형과 지원

분석한 공고 대부분이 같은 일곱 단계를 적었습니다. 공간디자인 공고, VMD 담당자 공고, 글로벌 VMD담당자 공고, 패키지 디자이너 공고, 콘텐츠 디자이너 공고, 콘텐츠 마케팅 담당자(시니어) 공고, FESTA·KCON 전략/실행 담당자(주니어) 공고, 브랜드 디자이너(메이크업) 공고, 공간·팝업 콘텐츠 전략/실행 담당자(주니어) 공고, 비주얼 콘텐츠 기획자 (PB 브랜드) 공고는 과제전형을 더했고, Product Designer (B2B/광고플랫폼) 공고와 Global Product Designer 공고는 직무에 따라 과제전형이 추가될 수 있다고 적었습니다. Forward Deployed AI Engineer, QA Engineer (Domestic), QA Engineer (Global), 커머스플랫폼유닛 Android 개발채용, 커머스플랫폼유닛 Back-end 개발채용, 커머스플랫폼유닛 iOS 개발채용, 검색 플랫폼 개발자, Windows Application Engineer (POS 시스템), Data Engineer, Data Analytics Engineer, QA Ops Engineer (Test Automation), Data Scientist (AI 추천), Data Architect (시니어), Data Service Engineer (Back-end), Data Scientist, Global Software Engineer-Frontend (글로벌 개발), AI Engineer (추천) 공고는 면접에 라이브코딩테스트나 Whiteboard Test를 포함했습니다. 뷰티 카테고리 MD, MD (취미-음반), MD (건강식품), MD (일반식품), 글로벌B2B MD (헬스), Data Scientist (광고 플랫폼 사업), 뉴포맷 스토어기획 담당자, 프로모션 마케터 공고에는 단계가 적혀 있지 않으므로 지원할 공고의 전형 안내를 따로 확인해야 합니다.

지원 전 준비할 것

1. 1

   표준 용어 하나가 정해진 과정

   여러 조직이 다르게 쓰던 용어나 코드를 표준으로 합의한 사례 하나를 골라 이전 정의, 합의한 부서, 정착시킨 방법을 순서대로 정리하세요.

2. 2

   Whiteboard Test용 거버넌스 구조 한 장

   1차 면접이 Whiteboard Test입니다. 표준 수립부터 모델 검토, 품질 측정, 메타데이터 반영까지의 흐름을 그려 보고 단계마다 협업한 부서와 도구를 함께 말할 수 있게 준비합니다.

3. 3

   자동화 후보 검토 기준

   수작업으로 하던 데이터 검토 단계 하나를 골라 어떤 기준으로 통과와 반려를 정했는지 규칙으로 적어 보는 게 좋습니다.