이 자리가 왜 생겼을까요
당근 기술 블로그에 2026년 1월 올라온 글에서 데이터 가치화팀의 한 Data Analytics Engineer는 Activation 분석을 매번 쿼리로 직접 계산하던 방식에서 벗어나 이를 '전사 공통 데이터 레이어'로 끌어올린 경험을 소개했습니다. 글은 팀별로 만든 데이터에 누가, 언제, 어떤 기준으로 만들었는지 맥락이 남지 않아 점검하기 어려웠다고 설명하고, 공통 레이어로 결과의 신뢰도와 운영 안정성을 확보하고 여러 팀이 같은 기준으로 재사용하는 것을 목표로 삼았다고 적었습니다. 이 공고의 업무도 전사 주요 데이터 마트와 지표를 설계하고 그 정의와 산출 로직을 검증하는 일입니다. 팀마다 따로 만들던 데이터를 공통 기준의 마트로 모아 본 경험이 있다면 몇 개 팀이 그 마트를 썼고 어떤 작업이 줄었는지 숫자로 적는 게 좋습니다.
당근이 지금 어떤 사업에 집중하고 있는지는 당근 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
전사 주요 데이터 마트(Fact/Dimension/Feature/Segment 등)의 설계와 운영을 주도합니다.
이렇게 볼 수 있어요
특정 팀용 테이블이 아니라 여러 팀이 함께 쓰는 마트입니다. 설계한 마트를 몇 개 팀이 썼고 어떤 질문에 답하는 데 쓰였는지 밝힐 수 있습니다.
전사 주요 지표를 정의하고 정리하며 체계화된 구조를 만듭니다.
이렇게 볼 수 있어요
지표 이름과 계산 기준을 회사 전체가 같게 쓰도록 만드는 일입니다. 팀마다 다르게 세던 지표를 하나의 정의로 맞춘 경험이 있다면 그 과정에서 어느 팀과 무엇을 조율했는지가 이 업무와 가장 가까운 사례입니다.
전사 주요 지표와 실험 지표의 정의와 산출 로직을 데이터 파이프라인 전반에서 검증하고 디버깅합니다.
이렇게 볼 수 있어요
실험 지표가 함께 적혀 있어 A/B 테스트 결과를 판단하는 데 쓰이는 숫자까지 이 포지션이 확인합니다. 지표 값이 이상할 때 원천 데이터부터 마트까지 거슬러 올라가 원인을 찾은 사례가 이 업무에 맞습니다.
데이터 모델링과 품질 관리로 신뢰도 높은 데이터 환경을 만들고, 운영 중 관측성(Observability)과 자동화된 품질 체크로 문제를 조기에 발견해 해결합니다.
이렇게 볼 수 있어요
품질을 사람이 눈으로 확인하는 대신 자동 체크로 잡는 방식입니다. 데이터 품질 테스트를 파이프라인에 붙여 어떤 문제를 미리 막았는지 막은 건수와 함께 밝힐 수 있습니다.
데이터 거버넌스 체계 운영과 문서화로 조직 전체의 데이터 신뢰성을 높입니다.
이렇게 볼 수 있어요
우대 사항에도 DataHub 같은 메타데이터 관리 시스템이 있습니다. 데이터 정의서나 카탈로그를 만들어 다른 팀이 데이터를 스스로 찾게 만든 경험이 이 업무와 가깝습니다.
2자격 요건
데이터 모델링/ETL/데이터 마트 구축 경험이 필요합니다.
이렇게 볼 수 있어요
세 가지가 '/'로 나열돼 있습니다. 직접 설계한 모델의 구조와 그 마트를 쓴 사람이 누구였는지 나란히 적으면 경험의 범위가 분명해집니다.
단일 모델 수준이 아닌 데이터 파이프라인 전반에서 데이터 품질을 관리하고 정합성을 검증해 본 경험이 필요합니다.
이렇게 볼 수 있어요
테이블 하나의 검증이 아니라 여러 단계를 거치는 흐름 전체를 봤는지를 묻습니다. 원천과 마트 사이의 숫자가 맞지 않을 때 어느 단계에서 어긋났는지 찾은 사례를 들 수 있습니다.
SQL, Python을 활용해 데이터를 분석하고 처리할 수 있어야 합니다.
이렇게 볼 수 있어요
엔지니어링과 분석을 넘나드는 직무라 쿼리 언어와 프로그래밍 언어를 둘 다 요구합니다. 분석용 쿼리와 처리용 코드를 각각 어디에 썼는지 나눠 밝혀 두면 두 언어를 따로 설명하기 쉽습니다.
분석가, PM, 엔지니어 등 다양한 직군과 협업하고 소통하며 효율적인 데이터 구조를 설계해 본 경험이 필요합니다.
이렇게 볼 수 있어요
데이터 구조 설계를 혼자가 아니라 데이터를 쓰는 사람과 함께 정하는 일로 적었습니다. 요구가 서로 다른 직군 사이에서 마트 구조를 어떻게 정했는지가 담긴 경험을 고르면 됩니다.
3우대 사항
전사 주요 지표를 정의하고 관리해 본 분을 우대합니다.
이렇게 볼 수 있어요
전사 주요 지표를 정의하고 정리하는 업무를 이미 해 본 사람을 우대한다는 뜻입니다. 정의한 지표가 몇 개였고 어느 조직이 그 지표를 썼는지 숫자로 보여 주면 됩니다.
Airflow나 DBT 같은 도구로 대규모 데이터를 효율적으로 분석에 활용할 수 있는 분을 우대합니다.
이렇게 볼 수 있어요
공고에 연결된 팀 기술 글 가운데 'DBT와 Airflow 도입하며 마주한 7가지 문제들'이 있습니다. 두 도구를 써 봤다면 모델을 어떤 계층으로 나눴고 스케줄을 어떻게 운영했는지까지 밝히면 경험의 깊이가 분명해집니다.
A/B 테스트에 대한 통계적 이해를 갖춘 분을 우대합니다.
이렇게 볼 수 있어요
업무에 실험 지표 검증이 들어 있습니다. 실험 결과의 유의성을 판단하거나 표본 크기를 정해 본 경험을 예로 들 수 있습니다.
AWS, GCP 등 클라우드 환경에서 데이터 파이프라인과 인프라를 운영해 본 분을 우대합니다.
이렇게 볼 수 있어요
클라우드는 AWS와 GCP 두 가지가 예로 적혀 있습니다. 써 본 클라우드와 그 위에서 돌린 파이프라인 도구를 이름 그대로 적어 두면 우대 항목과 맞춰 보기 쉽습니다.
DataHub 같은 데이터 거버넌스 및 메타데이터 관리 시스템을 운영해 본 분을 우대합니다.
이렇게 볼 수 있어요
업무에도 데이터 거버넌스 체계 운영과 문서화가 적혀 있습니다. 메타데이터 시스템을 도입하거나 운영하며 문서화를 어떻게 유지했는지 적을 수 있습니다.
4기타 사항
- 게시일 : 2025년 10월 24일
- 고용형태 : 정규직(수습 3개월)
- 근무지 : 서울특별시 서초구 강남대로 465, 교보강남타워 11층 (추정)
- 경력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
- 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
쓰는 기술
공고 본문에 적힌 기술만 모은 목록입니다.
- SQL
- Python
- Airflow
- DBT
- AWS
- GCP
- DataHub
전형과 지원
채용 FAQ가 밝힌 정규직 기준 일반적인 전형은 여섯 단계이고 단계마다 결과 통보에 걸리는 기간까지 공개돼 있습니다. 포지션에 따라 절차가 달라 공고마다 확인해야 합니다. 재지원 규칙이 단계마다 달라서 지원 순서를 정할 때 먼저 볼 부분입니다.
여섯 단계
일반적인 순서는 서류, 화상 인터뷰, 과제, 직무 인터뷰, 컬처핏 인터뷰와 레퍼런스 체크, 처우 협의이고 포지션에 따라 다릅니다. 결과 통보는 서류가 영업일 7일 이내, 화상과 직무 인터뷰가 5일 내외, 컬처핏 단계가 10일 내외입니다. 과제는 "5일 또는 7일 이내 작성 가능한 분량"이고 별도 전형으로 있기도 하고 인터뷰에 함께 출제되기도 합니다.
이렇게 볼 수 있어요
각 단계의 대기 기간이 공개돼 있으므로 다른 회사 일정과 겹쳐 볼 수 있습니다. 서류부터 최종까지 한 달이 넘게 걸린다고 보고 움직이는 편이 안전합니다.
컬처핏 뒤에는 1년
서류와 화상 인터뷰, 직무 인터뷰 단계에서 떨어지면 같은 공고에 6개월 뒤 다시 지원할 수 있고 다른 공고는 제한이 없습니다. 컬처핏 인터뷰 이후에는 모든 공고에 1년간 지원할 수 없습니다. 회사는 컬처핏 기준이 전 공고 공통이기 때문이라고 밝혔습니다.
이렇게 볼 수 있어요
마지막 단계의 실패 비용이 다른 단계보다 훨씬 큽니다. 인재상 다섯 가지에 각각 대응하는 사례를 하나씩 준비해야 하는 이유가 여기에 있고, 여러 공고를 염두에 두고 있다면 더욱 그렇습니다.
이력서 형식
자유 형식이고 PDF를 권장합니다. 채용 FAQ는 hwp와 word를 호환 문제로 지양해 달라고 하고 zip은 받지 않으며, 웹 링크는 이력서나 포트폴리오 파일에 첨부하라고 적었습니다.
이렇게 볼 수 있어요
형식을 정해 두지 않았으므로 양식을 맞추는 데 시간을 쓸 필요가 없습니다. 대신 자유 형식에서는 무엇을 강조할지가 온전히 지원자의 선택이라 공고의 업무 목록에 적힌 일을 해 본 경험을 자세히 적는 편이 낫습니다.
복수 지원과 그 밖의 규칙
정규직은 전부 상시 채용이고 복수 지원이 가능하며 공고별로 평가자와 기준이 달라 각각 진행됩니다. 나이와 학력 제한이 없습니다. 공고에는 입사 후 3개월 수습이 적혀 있습니다.
이렇게 볼 수 있어요
공고마다 절차가 따로 도는 구조라 두 곳에 지원하면 일정이 서로 어긋날 수 있습니다. 다만 컬처핏 단계까지 간 공고가 하나라도 있으면 그 결과가 나머지에 영향을 주므로 순서를 생각해 둘 필요가 있습니다.
이 공고만 다른 점
화상 인터뷰에서 라이브 코딩 테스트가 진행됩니다.
전형이 서류 전형, 화상 인터뷰(라이브 코딩 테스트), 직무 인터뷰, 컬처핏 인터뷰 및 레퍼런스 체크, 처우협의, 최종 합격 및 입사 순입니다. 회사 FAQ가 밝힌 일반 순서의 과제 단계가 이 공고에는 없고, 첫 인터뷰에서 바로 코드를 작성하게 됩니다.
지원 전 준비할 것
- 1
지표 정의를 바꾼 사례 하나
지표 이름, 계산식, 바꾸기 전과 후의 차이, 그 지표를 쓰는 팀을 한 사례로 묶어 두면 직무 인터뷰에서 바로 꺼낼 수 있습니다.
- 2
SQL과 Python 라이브 코딩 연습
첫 인터뷰가 라이브 코딩 테스트입니다. 집계와 윈도 함수를 쓰는 SQL, 데이터를 정제하는 Python 코드를 시간 안에 짜는 연습을 해 둡니다.
- 3
공고에 연결된 팀 글 읽기
공고에 Activation 공통 레이어, Karrot Metrics 지표 플랫폼, DBT와 Airflow 도입기 같은 팀의 기술 글이 연결돼 있습니다. 미리 읽어 두면 팀이 쓰는 용어와 마트 구조를 알고 인터뷰에 들어갈 수 있습니다.