[CJ올리브영] Data Scientist (광고 플랫폼 사업) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 지면별, 캠페인 유형별, 타겟팅 세그먼트별 성과를 분석해 리테일미디어 광고 상품 설계와 운영 고도화에 반영합니다.

  이렇게 볼 수 있어요

  공고는 특정 배너 포맷의 전환율이 한 세그먼트에서만 낮을 때 노출 로직이나 과금 기준을 다시 설계하는 근거가 된다는 예를 들었습니다. 분석 결과가 광고 상품의 규칙을 바꾸는 데까지 쓰입니다.

• 노출·클릭·구매전환 데이터를 연결해 광고주에게 공통으로 제시할 리포팅 지표와 캠페인 성과 측정 기준, 공통 KPI 체계를 설계합니다.

  이렇게 볼 수 있어요

  공고가 든 예시는 '온사이트 노출 후 7일 이내 매장 구매'까지 포함하는 인크레멘탈리티 측정 기준입니다. 온라인 노출과 매장 구매를 한 지표로 묶는 기준을 직접 정해야 하므로 측정 기준을 세워 본 적이 있다면 기간과 범위를 왜 그렇게 정했는지 설명할 수 있어야 합니다.

• 구매·행동·관심 데이터로 오디언스를 정의하고 타겟팅 로직을 세워 재사용 가능한 DMP 자산으로 만듭니다.

  이렇게 볼 수 있어요

  이 업무는 '장바구니에 담고 7일 내 미구매' 같은 행동 시그널을 세그먼트로 표준화해 여러 광고주가 쓰는 타겟팅 옵션으로 내놓는 일입니다. 한 번 쓰고 끝나는 추출이 아니라 계속 쓰이는 정의를 만드는 업무입니다.

• 캠페인 성과 데이터로 고성과 세그먼트를 찾고 Look-alike나 구매 가능성 기반 확장 타겟을 개발합니다.

  이렇게 볼 수 있어요

  신제품 초기 구매자 500명을 시드로 유사 잠재 고객 5만 명을 찾는 예가 적혀 있습니다. 확장 모델을 만든 경험이 있다면 시드 규모와 확장 뒤 성과를 숫자로 보여 줄 수 있습니다.

• 광고상품기획, 세일즈, 데이터엔지니어링과 함께 분석 결과를 실제 상품과 프로세스에 반영합니다.

  이렇게 볼 수 있어요

  세일즈가 '이 세그먼트로 캠페인을 팔 수 있는가'를 물으면 분석 결과를 영업 자료로 바꿔 주는 일까지 들어 있습니다. 분석을 비개발 조직이 쓰는 문서로 옮겨 본 경험이 이 업무에 해당합니다.

2자격 요건

• SQL로 대용량 로그·거래 데이터를 직접 다루고 Python/R 등으로 가설을 검증하며, 전환율이 낮은 이유 같은 질문을 통계적으로 설명하는 역할을 5년 이상 수행한 경험이 필요합니다. 데이터 사이언스, 머신러닝, 통계학 관련 분야 실무 경력(또는 이에 준하는 역량)도 함께 적혀 있습니다.

  이렇게 볼 수 있어요

  공고는 단순 집계와 이 역할을 구분했습니다. 경력사항 칸의 7~10년과 별개로 원인을 통계적으로 설명해 온 기간이 5년 이상이어야 하므로 그 기간을 따로 세어 밝히는 편이 정확합니다.

• 퍼포먼스마케팅, 그로스마케팅, 어트리뷰션, 미디어믹스 등의 개념을 실무 감각으로 이해하는 역량이 필요합니다.

  이렇게 볼 수 있어요

  분석 결과가 광고 상품의 스펙과 KPI로 바로 연결되기 때문이라고 공고가 이유를 적었습니다. 광고 비즈니스의 과금과 성과 지표가 어떻게 움직이는지 설명할 수 있어야 한다는 뜻입니다.

• 미디어의 타겟팅 세그먼트 정의, Look-a-like 모델링, 구매 가능성 기반 확장 타겟팅, 추천 시스템 또는 타겟팅 알고리즘(Two-Tower, GNN, XGBoost 등)을 설계하고 검증해 본 직/간접 경험이 필요합니다.

  이렇게 볼 수 있어요

  공고는 이론적 지식보다 실제 캠페인에 적용해 성과로 검증한 경험을 우대한다고 덧붙였습니다. 모델 이름만으로는 이 요건이 채워지지 않고 그 모델을 적용한 캠페인과 결과가 있어야 합니다.

• DMP, 인하우스 데이터 웨어하우스 등 대규모 데이터 자산을 다루거나 설계해 본 경험이 필요합니다. 파이프라인을 직접 구축하지 않았더라도 데이터 엔지니어링 조직과 자산화 구조를 함께 설계할 수준의 이해가 필요합니다.

  이렇게 볼 수 있어요

  파이프라인 구축 경험은 필수가 아닙니다. 대신 세그먼트를 어떤 테이블 구조로 남길지 데이터 엔지니어와 함께 정해 본 경험이 이 요건의 내용입니다.

• 데이터 분석 결과를 상품기획 조직이 바로 활용할 수 있는 형태로 정리하고 설득해 실행으로 연결하는 커뮤니케이션 능력이 필요합니다.

  이렇게 볼 수 있어요

  공고는 이 역할의 결과물을 리포트가 아니라 상품 기능 구현과 고도화의 근거 자료라고 밝혔습니다. 내 분석으로 다른 부서가 기능이나 정책을 바꾼 사례가 이 요건에서 말하는 실행입니다.

3우대 사항

• 커머스 및 미디어 플랫폼, DSP/SSP 사업, 광고 대행사 등에서 광고 데이터를 다뤄 본 리테일미디어·애드테크 업계 실무 경험을 우대합니다.

  이렇게 볼 수 있어요

  광고 상품의 과금 구조와 성과 지표를 이미 알고 있으면 온보딩 기간이 줄어든다는 이유가 붙어 있습니다. 다뤄 본 광고 상품의 과금 방식과 매체를 구체적으로 밝히면 이 경험이 드러납니다.

• A/B 테스트 및 인과추론 기반 실험 설계 경험, 곧 캠페인 효과를 단순 상관관계가 아니라 실험 설계나 인과추론(uplift modeling, DID 등)으로 검증해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  '정말 광고 때문에 산 것인가'를 증명하는 과제가 예로 적혀 있습니다. 업무의 인크레멘탈리티 측정과 이어지는 항목이라 대조군을 어떻게 잡았는지가 실험 설계 경험의 핵심입니다.

• MMM(마케팅 믹스 모델링) 또는 어트리뷰션 모델링 경험을 우대합니다. 여러 매체·채널의 기여모델을 설계하거나 정량화해 본 경험이 대상이고 그 가운데서도 이커머스 클릭 로그와 오프라인 매장(POS) 결제 데이터를 결합해 Cross-channel 구매 전환과 LTV를 측정해 본 경험을 특히 원합니다.

  이렇게 볼 수 있어요

  공고는 온·오프라인 통합 어트리뷰션을 올리브영 리테일미디어의 가장 큰 차별화 포인트라고 적었습니다. 온라인 로그와 매장 결제를 같은 고객으로 묶어 본 경험이 있다면 결합 기준과 측정한 지표를 함께 보여 줄 수 있습니다.

• SQL, Python 등 데이터 환경에서 분석 파이프라인을 직접 운영해 본 대용량 데이터 처리 및 클라우드 환경 경험을 우대합니다.

  이렇게 볼 수 있어요

  공고는 1,700만 명 온/오프라인 회원의 데이터를 다루는 환경이라고 밝혔습니다. 다뤄 본 데이터의 규모와 파이프라인을 운영한 주기를 숫자로 적으면 이 환경에 맞는 경험인지 확인할 수 있습니다.

• Tableau, Looker 등으로 대시보드를 설계하거나 분석 결과를 세일즈·상품기획 조직이 바로 쓰는 형태로 정리해 본 경험, MLOps 체계(Kubeflow, MLflow 등)로 머신러닝 모델의 주기적 재학습과 서빙을 자동화해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  모델이 리포트에 머물지 않고 상품에 바로 반영되는 구조라 운영까지 이어 가는 경험을 본다고 공고가 적었습니다. 시각화와 모델 운영이 한 항목에 묶여 있어 둘 가운데 해 본 쪽을 구체적으로 밝히면 됩니다.

• 통계학/컴퓨터공학 관련 분야 석/박사 학위 소지자를 우대합니다.

  이렇게 볼 수 있어요

  학위는 우대 사항에만 있고 자격 요건에는 학력 조건이 없습니다.

4기타 사항

• 게시일 : 2026년 8월 27일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 대한민국 서울특별시 용산구 한강대로 372
• 경력 조건 : 경력 7~10년
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• SQL
• Python
• R
• XGBoost
• Tableau
• Looker
• Kubeflow
• MLflow

전형과 지원

분석한 공고 대부분이 같은 일곱 단계를 적었습니다. 공간디자인 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 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

   온·오프라인을 이은 측정 사례 하나

   업무와 우대 사항이 모두 온라인 노출과 매장 구매를 잇는 측정을 다룹니다. 서로 다른 채널의 데이터를 한 고객으로 묶어 효과를 잰 사례가 있다면 결합 기준, 대조군, 결과 지표를 한 장에 정리해 두세요.

2. 2

   세그먼트가 상품이 된 경험

   이 자리에서 세그먼트 정의는 광고주에게 파는 타겟팅 옵션이 됩니다. 만든 세그먼트나 확장 모델이 다른 팀의 상품이나 영업 자료로 쓰인 경험을 사용처와 성과까지 이어서 적어 두는 게 좋습니다.

3. 3

   올리브영 광고 지면 직접 보기

   앱과 온라인 몰의 광고 지면, 매장의 디지털 스크린을 직접 보고 어떤 세그먼트로 어떤 성과 지표를 잴 수 있을지 하나 정리해 두면 면접에서 바로 이야기할 수 있습니다.