[CJ올리브영] Data Engineer 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 온·오프라인 옴니채널 비즈니스에서 발생하는 데이터를 통합하는 데이터 플랫폼을 구축하고, Kafka 기반 실시간 스트리밍과 대용량 배치 처리가 결합된 하이브리드 환경을 Apache Iceberg 중심의 레이크하우스(Lakehouse) 아키텍처로 운영합니다.

  이렇게 볼 수 있어요

  실시간과 배치 두 처리 방식을 한 플랫폼 안에서 함께 다룹니다. 직무소개는 레이크하우스로 데이터 거버넌스와 성능을 동시에 확보한다고 적었습니다. 저장 구조를 고를 때 관리 기준과 조회 속도를 함께 따져 본 경험이 이 업무와 바로 연결됩니다.

• 현업의 문제를 데이터 요구사항으로 해석해 필요한 데이터 구조를 설계하고, 인프라·기술적 이해를 바탕으로 유관 조직과 함께 구현을 이끌어 데이터가 원활하게 활용되는 환경을 제공합니다.

  이렇게 볼 수 있어요

  요청을 받아 적재하는 데서 시작하지 않고 현업의 질문을 데이터 구조로 바꾸는 단계부터 맡습니다. 현업 담당자와 이야기하며 테이블 설계를 바꾼 경험이 있다면 처음 요청과 최종 설계가 어떻게 달랐는지를 이력서에 밝힐 수 있습니다.

• 시스템별로 상이하게 구현된 판단 로직을 단일 데이터 계층으로 통합하고, 반복되는 데이터 요구를 공통 패턴으로 도출해 개별 대응이 아닌 표준 모델로 해결되는 구조를 만듭니다.

  이렇게 볼 수 있어요

  같은 지표가 시스템마다 다르게 계산되는 문제를 한 계층에서 정리하는 일입니다. 요청마다 쿼리를 새로 짜던 방식을 공통 모델로 바꾼 뒤 중복 로직이나 처리 시간이 얼마나 줄었는지가 이 업무와 바로 이어지는 경험입니다.

• 도메인 담당자·분석가와 협업해 데이터의 실질적 의미와 예외 케이스를 검증하며 모델을 정교화하고, 개인의 경험에 머물던 도메인 지식을 여러 조직이 공유하는 재사용 자산으로 전환합니다.

  이렇게 볼 수 있어요

  모델을 만드는 일과 함께 그 모델에 담긴 업무 규칙을 정의서로 남기는 일까지 맡습니다. 데이터 사전이나 지표 정의서를 만들어 다른 팀이 그대로 가져다 쓴 경험이 여기에 맞습니다.

• 원천과 제공 데이터 간 정합성을 자동화된 방식으로 검증하고, 적시성 기준과 이상 탐지 체계로 데이터에 대한 신뢰를 관리합니다.

  이렇게 볼 수 있어요

  정합성 검증을 사람이 눈으로 하지 않고 자동화된 방식으로 한다고 적었습니다. 적재 지연이나 건수 차이를 잡아내는 검사를 직접 만들어 운영했다면 어떤 기준을 걸었고 무엇을 잡아냈는지를 면접에서 설명할 수 있습니다.

• 분석 환경과 카탈로그, 모델링 표준을 설계하고, 도메인 조직이 그 기준 위에서 자체 데이터 자산을 생산할 수 있는 기반을 제공합니다.

  이렇게 볼 수 있어요

  데이터 조직이 모든 테이블을 만드는 구조가 아니라 도메인 조직이 표준을 따라 직접 만들게 하는 방향입니다. 카탈로그를 도입하거나 모델링 규칙을 정해 다른 팀이 따르게 한 경험이 이 업무와 가장 가깝습니다.

2자격 요건

• 데이터 엔지니어링 및 데이터 모델링 경험이 5년 이상 필요합니다.

  이렇게 볼 수 있어요

  공고 머리의 경력 조건과 같은 5년이 엔지니어링과 모델링 경험으로 적혀 있습니다. 파이프라인 운영만 한 기간과 모델을 설계한 기간이 다르다면 두 경험을 나눠 표시하는 편이 요건과 맞춰 보기 쉽습니다.

• 시스템마다 흩어진 비즈니스 로직을 공통 데이터 계층으로 통합하고, 이를 정확하고 유지보수 가능한 형태로 구현하며 대용량 환경의 성능까지 고려할 수 있어야 합니다.

  이렇게 볼 수 있어요

  정확성, 유지보수, 성능 세 가지를 한 요건에 묶었습니다. 통합 모델을 만든 뒤 쿼리 비용이나 처리 시간을 줄이려고 파티션이나 적재 방식을 바꾼 경험이 있다면 전후 수치와 함께 말할 수 있습니다.

• 데이터 모델과 ETL/ELT를 설계하고 코드로 관리해 본 경험이 필요하고, 적재 방식 설계, 버전 관리, 코드 리뷰, 테스트, 배포 자동화가 예로 적혀 있습니다.

  이렇게 볼 수 있어요

  파이프라인을 소프트웨어처럼 관리해 봤는지를 다섯 가지 예로 구체화했습니다. 저장소 구조, 리뷰 규칙, 테스트 방식, 배포 도구를 이름으로 대면 어디까지 해 봤는지가 분명해집니다.

• 현업 인터뷰 등을 활용해 업무와 데이터의 의미를 파악하고, 부서 간 다른 해석을 하나의 구조로 정리하는 역량이 필요합니다.

  이렇게 볼 수 있어요

  같은 숫자를 부서마다 다르게 부르거나 계산하는 상황을 전제로 한 요건입니다. 매출이나 회원 같은 기본 지표의 정의를 여러 부서와 합의해 하나로 맞춘 과정이 있다면 누구와 무엇을 조정했는지를 사례로 들 수 있습니다.

• 데이터를 만들어 전달하는 데서 그치지 않고 실제로 활용되는 데까지 책임진다고 생각하는 사람을 찾습니다.

  이렇게 볼 수 있어요

  만든 테이블이나 마트를 누가 얼마나 쓰는지까지 챙겼는지를 묻는 항목입니다. 사용량을 추적하거나 쓰이지 않는 데이터를 정리해 본 경험이 이 태도를 사실로 보여 줍니다.

3우대 사항

• 문제 정의부터 설계·구현·활용 정착까지 데이터 프로덕트의 전 과정을 주도하고, 비즈니스 성과로 연결해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  자격 요건의 '실제로 활용되는 데까지'에서 한 걸음 더 나아가 비즈니스 결과까지 묻습니다. 만든 데이터 프로덕트가 어느 부서의 어떤 결정이나 매출 지표로 이어졌는지를 숫자로 연결해 두는 게 좋습니다.

• 커머스 도메인 데이터를 다뤄 봤거나, 온·오프라인이 결합된 옴니채널 환경의 데이터 통합을 경험한 사람을 우대합니다.

  이렇게 볼 수 있어요

  두 경험이 '거나'로 이어져 있어 둘 중 하나만 있어도 이 항목에 맞춰 볼 수 있습니다. 매장 결제 데이터와 온라인 주문 데이터를 한 고객 기준으로 묶어 본 경험이 옴니채널 통합의 예입니다.

• 데이터 구조에 대한 이해를 바탕으로 AI를 적극 활용해 데이터 프로덕트를 완성 단계까지 직접 구현해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  AI 도구를 써 봤다는 사실보다 그것으로 끝까지 만든 결과물을 봅니다. 어떤 단계를 AI로 처리했고 데이터 구조 지식으로 어디를 고쳤는지를 나눠 말할 수 있어야 합니다.

• 스키마가 고정되지 않은 반정형·비정형 데이터를 안정적인 분석 모델로 정형화해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  로그나 텍스트처럼 형식이 자주 바뀌는 데이터를 테이블로 바꾼 경험을 가리킵니다. 스키마가 바뀌었을 때 파이프라인이 멈추지 않게 처리한 방식이 '안정적인'이라는 조건에 대한 답입니다.

• Databricks, BigQuery, Spark 또는 Iceberg·Delta Lake 기반 데이터 웨어하우스·레이크하우스 환경에서 데이터를 구축해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  도구 다섯 개가 이름으로 적혀 있고 '또는'으로 이어져 있습니다. 직무소개가 Iceberg 중심이라고 밝혔으므로 Delta Lake만 써 봤다면 두 테이블 포맷의 차이를 미리 정리해 가면 면접에서 쓸 수 있습니다.

4기타 사항

• 게시일 : 2026년 4월 10일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 대한민국 서울특별시 용산구 한강대로 372
• 경력 조건 : 경력 5년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• Kafka
• Apache Iceberg
• Databricks
• BigQuery
• Spark
• Delta Lake

전형과 지원

분석한 공고 대부분이 같은 일곱 단계를 적었습니다. 공간디자인 공고, 패키지 디자이너 공고, 콘텐츠 마케팅 담당자(시니어) 공고는 과제전형을 더했고, Product Designer (B2B/광고플랫폼) 공고는 직무에 따라 과제전형이 추가될 수 있다고 적었습니다. Forward Deployed AI Engineer, QA Engineer (Domestic), 커머스플랫폼유닛 Android 개발채용, 커머스플랫폼유닛 Back-end 개발채용, 검색 플랫폼 개발자, Windows Application Engineer (POS 시스템), Data Engineer 공고는 면접에 라이브코딩테스트나 Whiteboard Test를 포함했습니다. 뷰티 카테고리 MD와 Data Scientist (광고 플랫폼 사업) 공고에는 단계가 적혀 있지 않으므로 지원할 공고의 전형 안내를 따로 확인해야 합니다.

지원 전 준비할 것

1. 1

   통합 모델 사례 한 건

   시스템마다 다르던 로직을 공통 계층으로 합친 사례 하나를 골라 통합 전 정의, 부서와 합의한 과정, 바꾼 뒤의 처리 시간이나 비용을 순서대로 정리해 두세요.

2. 2

   Whiteboard Test 연습

   1차 면접은 Whiteboard Test와 구술입니다. 실시간 이벤트와 일 단위 배치가 함께 들어오는 주문 데이터를 레이크하우스에 쌓는 구조를 한 장의 그림으로 그려 보고 단계마다 고른 이유를 말로 설명하는 연습을 해 두는 게 좋습니다.

3. 3

   파이프라인 코드 관리 방식 정리

   ETL/ELT를 코드로 관리한 경험이 자격 요건입니다. 쓰던 버전 관리, 리뷰, 테스트, 배포 자동화 도구와 직접 만든 규칙을 한 묶음으로 준비합니다.