이 자리가 왜 생겼을까요
데이터 가치화팀은 2026년 8월 당근 기술 블로그에 실험플랫폼 이야기를 올렸습니다. 글에 따르면 약 3년 전 누적 350여 개였던 실험이 누적 4,600여 개로 늘었고, 월간 진행 실험은 20개 수준에서 290여 개가 됐으며 활성 도메인은 60여 개입니다. 같은 글은 지표 정의를 코드에서 실험플랫폼 UI로 옮긴 뒤 각 팀이 별도 리뷰 없이 직접 지표를 만들게 됐다고 설명합니다. 이 공고의 업무 목록에도 지표 플랫폼과 실험 플랫폼 같은 데이터 제품 개발이 들어 있습니다. 사내 사용자가 직접 쓰는 데이터 도구를 만들어 본 경험이라면 사용 규모와 그 도구로 줄어든 작업이 지원서에서 먼저 보여야 할 숫자입니다.
당근이 지금 어떤 사업에 집중하고 있는지는 당근 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
고성능의 확장 가능한 데이터 처리 시스템(배치/스트리밍)을 설계합니다.
이렇게 볼 수 있어요
배치와 스트리밍이 함께 적혀 있습니다. 둘 중 한쪽 경험이 중심이라면 다른 쪽을 어디까지 다뤄 봤는지 나눠 밝히는 편이 정확합니다.
안정적이고 테스트 가능한 데이터 파이프라인을 설계하고 운영합니다.
이렇게 볼 수 있어요
팀 소개는 자동화된 테스트와 관측성 확보로 데이터의 신뢰성을 지킨다고 적었습니다. 파이프라인에 테스트를 붙여 본 경험이 있다면 어떤 실패를 미리 잡았는지가 사례가 됩니다.
구성원이 이벤트를 쉽게 추가할 수 있도록 자동화된 이벤트 로깅을 구현하고, 대용량 이벤트를 유실 없이 안정적으로 수집하는 로그 시스템을 만듭니다.
이렇게 볼 수 있어요
로깅이 분석가가 아니라 엔지니어 업무로 들어 있습니다. 이벤트 스키마를 관리하거나 수집 유실을 줄인 경험이 있다면 처리량과 유실률 같은 숫자로 적을 수 있습니다.
전사 구성원의 데이터 기반 의사결정을 돕는 데이터 제품(지표 플랫폼, 실험 플랫폼 등)을 개발하고 지속적으로 개선합니다.
이렇게 볼 수 있어요
데이터 제품의 사용자는 사내 PM, 분석가, 엔지니어입니다. 사내 도구를 만들어 사용자 피드백으로 고쳐 본 경험이 있다면 사용자 수와 바뀐 작업 시간을 함께 보여 주면 됩니다.
데이터 시스템의 관측성(Observability)을 지속적으로 확보하고 자동화된 데이터 품질(Quality) 체크로 문제를 조기에 발견해 해결합니다.
이렇게 볼 수 있어요
구성원이 데이터를 신뢰하고 쓰게 하는 것이 목적이라 시스템 관측과 데이터 검증 업무가 하나로 묶여 있습니다. 데이터 이상을 자동으로 감지해 고친 경험이라면 탐지 방법과 고친 내용을 함께 적어야 관측과 검증이 모두 드러납니다.
2자격 요건
Python / Java / Scala / Kotlin / Go 등 하나 이상의 프로그래밍 언어에 능숙해야 합니다.
이렇게 볼 수 있어요
SQL이 아니라 범용 프로그래밍 언어를 요구합니다. 언어 이름과 함께 그 언어로 만든 데이터 시스템이 무엇인지가 보여야 능숙하다는 말이 구체화됩니다.
대규모 트래픽 처리를 위한 확장 가능한 데이터 아키텍처의 구성에 관심이 있어야 합니다.
이렇게 볼 수 있어요
경험이 아니라 관심으로 적혀 있습니다. 직접 운영해 보지 않았더라도 규모가 커질 때 어떤 구조를 고를지 근거를 들어 이야기할 수 있으면 이 항목에 답이 됩니다.
AWS, GCP 등 클라우드 환경에서 개발/운영 경험이 있거나 그에 준하는 지식을 갖춰야 합니다.
이렇게 볼 수 있어요
경험 또는 그에 준하는 지식이라 둘 중 하나면 지원할 수 있습니다. 써 본 클라우드 서비스 이름을 구체적으로 적으면 범위가 분명해집니다.
3우대 사항
Spark, Flink, Beam, BigQuery 등 빅데이터 프레임워크 사용 경험을 우대합니다.
이렇게 볼 수 있어요
도구가 예시로 나열돼 있습니다. 써 본 도구와 처리한 데이터 규모를 함께 밝히면 우대 사항에 직접 답합니다.
분산 환경에서 대용량 데이터를 처리(배치/스트리밍)해 본 경험을 우대합니다.
이렇게 볼 수 있어요
업무 첫 항목의 배치와 스트리밍이 우대 사항에서는 실제 처리 경험으로 바뀌어 있습니다. 하루 처리량이나 지연 시간 같은 운영 수치를 준비합니다.
Kubernetes 등 컨테이너 오케스트레이션 시스템을 활용해 운영해 본 경험을 우대합니다.
이렇게 볼 수 있어요
데이터 시스템을 배포하고 운영하는 범위까지 이 포지션이 맡을 수 있다는 뜻입니다. 데이터 작업을 컨테이너 환경에서 돌려 본 경험이 여기에 들어갑니다.
AWS, GCP 등 클라우드 환경에서 IaC를 활용해 데이터 인프라를 설계하고 운용해 본 경험을 우대합니다.
이렇게 볼 수 있어요
자격 요건의 클라우드 경험에서 한 단계 나아가 인프라를 코드로 관리한 경험을 봅니다. 사용한 IaC 도구와 관리한 자원 범위를 정리해 둡니다.
4기타 사항
- 게시일 : 2020년 12월 20일
- 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.
- Python
- Java
- Scala
- Kotlin
- Go
- AWS
- GCP
- Spark
- Flink
- Beam
- BigQuery
- Kubernetes
- IaC
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/직무 면접에서 라이브 코딩 테스트가 예정돼 있습니다.
전형이 서류 전형, 화상 인터뷰, 직무 인터뷰, 컬처핏 인터뷰 및 레퍼런스 체크, 처우협의, 최종 합격 및 입사 순입니다. 과제 전형은 따로 적혀 있지 않고, 인터뷰 자리에서 코드를 직접 작성하게 됩니다.
지원 전 준비할 것
- 1
라이브 코딩에 쓸 언어 정하기
참고 사항에 화상/직무 면접에서 라이브 코딩 테스트가 예정돼 있다고 적혀 있습니다. 자격 요건에 나열된 Python, Java, Scala, Kotlin, Go 가운데 가장 익숙한 언어로 데이터 처리 코드를 직접 짜 보는 연습을 해 둡니다.
- 2
데이터 품질을 지킨 사례 고르기
업무에 자동화된 테스트, 관측성, 품질 체크가 반복해서 나옵니다. 잘못된 데이터를 어떻게 발견했고 다시 생기지 않게 무엇을 붙였는지를 한 사례로 정리합니다.
- 3
팀 기술 글 미리 보기
공고에 컬럼 레벨 리니지 구축기, MongoDB CDC 구축기, 이벤트센터 개발기 같은 팀의 기술 글이 연결돼 있습니다. 지원 전에 훑어보면 팀이 쓰는 용어와 지금 풀고 있는 문제를 알고 인터뷰에 들어갈 수 있습니다.