[넥스트증권] Data Engineer (AI Content Platform) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 데이터 수집 및 연동: 사내 증시 데이터와 뉴스·기업 자료 등 콘텐츠 소재를 수집·연동하고 AIGC에 필요한 데이터로 가공합니다.

  이렇게 볼 수 있어요

  AIGC는 AI 생성 콘텐츠(AI-Generated Content)를 말합니다. 직무 Summary에 따르면 가공한 데이터는 AI가 원고와 대본 제작에 활용하므로, 이 데이터를 받아 쓰는 쪽은 사람 분석가가 아니라 언어 모델입니다. 모델이 숫자를 틀리게 옮기지 않도록 시세·재무 수치에 기준 시각과 단위를 붙여 넘기는 식의 가공이 일반 분석용 마트와 다른 점입니다.

• 데이터 저장소 및 파이프라인 개발: 데이터 저장소와 데이터 파이프라인을 설계·개발·운영합니다.

  이렇게 볼 수 있어요

  뉴스는 같은 내용의 중복 기사와 정정 기사가 하루에도 많이 들어오고, 공시는 정정 공시로 앞의 내용이 바뀝니다. 필수 요건의 중복·누락, 증분 갱신, 실패 재처리는 이 원천들에서 매일 생기는 문제라, 정정이 들어왔을 때 이미 만든 콘텐츠 소재를 어떻게 갱신했는지 같은 경험이 이 업무와 바로 이어집니다.

• 관계 모델링 및 검색 지원: 종목·기업·이벤트와 관련 자료를 연결하고, AI가 필요한 정보를 검색·활용할 수 있는 데이터 구조를 구축합니다.

  이렇게 볼 수 있어요

  AI서비스개발팀의 ML엔지니어(NLP·LLM) 공고는 뉴스·공시에서 뽑은 엔티티를 금융 온톨로지의 종목·기업·섹터·테마와 연결하는 일을 맡습니다. 이 공고의 우대 사항에도 온톨로지·지식 그래프를 위한 관계 모델링이 있어, 두 팀이 종목·기업 관계 데이터를 함께 쓰거나 맞추게 될 가능성이 있습니다. 같은 기업이 여러 이름과 코드로 등장하는 문제를 식별자로 묶어 본 경험이 이 업무에 쓰입니다.

• 데이터 품질 및 운영 관리: 데이터의 정확성·최신성·출처를 관리하고 처리 성능과 운영 안정성을 개선합니다.

  이렇게 볼 수 있어요

  AI가 만든 원고의 숫자 하나가 어느 데이터에서 왔는지 거슬러 확인할 수 있어야 컴플라이언스 검토와 정정이 가능하므로, 금융 콘텐츠에서는 출처 관리가 품질 관리의 일부입니다. 레코드마다 원천과 수집 시각을 남기는 계보(lineage)를 설계해 봤다면 어느 단위까지 출처를 남겼는지 밝히는 편이 낫습니다.

• 데이터베이스 운영 관리: 서비스 데이터베이스의 스키마 변경과 마이그레이션, 인덱스·파티셔닝, 백업·복구, 접근 권한과 모니터링을 관리하고 용량·성능 문제를 예방합니다.

  이렇게 볼 수 있어요

  운영 중인 PostgreSQL에서 큰 테이블의 컬럼을 바꾸거나 인덱스를 추가하면 잠금 때문에 서비스가 멈출 수 있어, 무중단 마이그레이션 절차(CREATE INDEX CONCURRENTLY, 단계적 컬럼 변경 등)를 써 본 경험이 이 업무의 구체적인 예입니다. 우대 사항이 PostgreSQL의 파티셔닝, VACUUM·통계 관리, 복제·장애 조치를 따로 적어 서비스 DB가 PostgreSQL일 가능성이 큽니다.

• 제품 요구사항 구현: 콘텐츠·AI·데이터 플랫폼 담당자와 데이터 요구사항을 정의하고 우선순위에 따라 단계적으로 구현합니다.

  이렇게 볼 수 있어요

  직무 Summary는 우선순위가 높은 시그널과 콘텐츠 소재부터 구현하고 제품 요구에 따라 범위를 넓힌다고 적었습니다. 처음부터 모든 데이터를 갖추는 방식이 아니므로, 콘텐츠 기획 쪽과 어떤 데이터를 먼저 만들지 정하고 작게 출시한 뒤 넓혀 간 경험이 이 업무 방식에 맞습니다.

2자격 요건

• 5년 이상 12년 이하의 데이터 엔지니어링이나 데이터 처리 중심 백엔드 개발 경력, 또는 이에 준하는 역량이 필요합니다.

  이렇게 볼 수 있어요

  데이터 엔지니어링과 데이터 처리 중심 백엔드 경력을 함께 적은 것은 업무에 서비스 DB 운영과 API·웹 문서 수집이 함께 있기 때문으로 볼 수 있습니다. 백엔드 경력이라면 배치·수집 작업과 DB 운영을 맡았던 기간을, 데이터 엔지니어 경력이라면 서비스 DB를 직접 운영한 경험을 자세히 보여 주면 업무 범위 전체와 이어집니다.

• 데이터 파이프라인을 개발하고 운영해 봤어야 합니다.

  이렇게 볼 수 있어요

  이 공고의 파이프라인은 하루 단위 배치만이 아니라 뉴스처럼 수시로 들어오는 원천을 다룹니다. 수집 주기를 어떻게 정했고 그 지연이 데이터를 쓰는 쪽에 어떤 영향을 줬는지까지 말할 수 있으면 콘텐츠 플랫폼실 표종훈 님이 채용 사이트 인터뷰에서 중요하다고 밝힌 시장 정보의 전달 속도와 연결됩니다.

• 관계형 데이터베이스의 모델링, 인덱스 설계, 쿼리 성능 개선과 스키마 변경(마이그레이션)을 운영해 봤어야 합니다.

  이렇게 볼 수 있어요

  AI가 쓰는 검색은 벡터 유사도와 종목·날짜 같은 조건 필터를 함께 거는 경우가 많고, 우대 사항의 pgvector는 그 두 가지를 같은 PostgreSQL 안에서 처리하는 확장입니다. 인덱스 설계 경험을 쓸 때 조건 필터와 정렬이 섞인 쿼리를 어떻게 빠르게 만들었는지 보여 주면, pgvector 검색에서 생기는 것과 같은 문제를 풀어 본 경험이 됩니다.

• 운영 중인 데이터베이스의 백업·복구, 접근 권한, 모니터링 등 안정적인 운영 관리 경험이 필요합니다.

  이렇게 볼 수 있어요

  백업이 있다는 것과 실제로 복구해 본 것은 다른 경험이라, 복구 훈련이나 실제 복구에 걸린 시간을 적으면 이 요건을 숫자로 보여 줄 수 있습니다. 금융회사에서는 운영 DB 접근을 누가 승인했고 무엇을 조회했는지 남기는 절차가 따로 있어, 권한 신청·회수 절차를 운영해 본 경험도 이 요건에 해당합니다.

• API, 데이터베이스, 웹 문서나 파일에서 데이터를 수집·가공해 봤어야 합니다.

  이렇게 볼 수 있어요

  뉴스·기업 자료는 HTML 기사, PDF 보고서, 공시 API처럼 형식이 제각각이라 원천마다 파서가 따로 필요합니다. 웹 문서를 수집할 때는 저작권과 이용 약관 문제가 따라와, 수집 범위를 법무와 정해 본 경험은 금융회사인 이 회사에서도 의미가 있습니다.

• 데이터 중복·누락, 증분 갱신과 실패 재처리를 고려한 안정적인 처리 구조를 구현할 수 있어야 합니다.

  이렇게 볼 수 있어요

  증분 갱신은 마지막으로 처리한 지점을 기록하고 그 뒤만 가져오는 방식인데, 정정 공시처럼 과거 레코드가 바뀌는 원천에서는 그 지점만으로는 변경을 놓칩니다. 변경을 감지해 다시 처리하는 기준을 어떻게 정했는지 설명할 수 있으면 이 요건과 업무의 공시·뉴스 원천이 함께 드러납니다.

• 유관 조직과 데이터 요구사항을 구체화하고 능동적으로 협업할 수 있어야 합니다.

  이렇게 볼 수 있어요

  직무 Summary가 협업 대상으로 콘텐츠·AI·데이터 플랫폼 담당자를 적었습니다. 콘텐츠 쪽은 어떤 시그널이 이야기가 되는지, AI 쪽은 어떤 형식이 모델에 잘 들어가는지, 플랫폼 쪽은 무엇을 제공할 수 있는지를 말하므로, 서로 다른 요구를 하나의 데이터 명세로 정리해 본 경험이 있다면 세 쪽의 요구가 어떻게 달랐는지부터 설명하는 게 좋습니다.

• AI 개발 도구(코딩 에이전트 등)를 실무에 활용하고, 생성된 결과물의 정확성·보안·테스트를 직접 검증해 봤어야 합니다.

  이렇게 볼 수 있어요

  에이전트가 쓴 SQL이나 변환 코드는 문법상 맞아도 조인 조건 하나로 행이 불어나거나 빠질 수 있어, 결과 건수와 합계를 원천과 대조하는 식의 검증이 데이터 작업에서 말하는 '정확성' 확인입니다. 에이전트 결과물을 검증한 방식을 구체적으로 적으면 이 요건이 드러납니다.

3우대 사항

• 증시 시세, 뉴스, 공시, 기업 보고서 등 금융 데이터를 처리해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  시세 데이터는 액면분할·배당 같은 기업행사가 있으면 과거 가격을 조정해야 비교가 맞습니다. AI데이터플랫폼팀과 함께 일하는 금융 데이터 분석가 공고가 가격 조정 규칙과 기업행사에 따른 식별자 이력 기준을 정의한다고 적어, 이 공고가 받는 증시 데이터도 그 기준을 따를 것으로 보입니다. 조정 가격과 원가격을 구분해 다뤄 본 경험이 있으면 밝힐 수 있습니다.

• pgvector 등 벡터 검색 도구를 활용하거나 RAG용 데이터 파이프라인을 개발한 경험과, LLM 기반 문서 정보 추출·분류·요약과 결과 검증 경험을 우대합니다.

  이렇게 볼 수 있어요

  RAG에서는 문서를 어떤 단위로 자르고 어떤 메타데이터(종목, 날짜, 출처)를 붙이느냐가 검색 품질을 크게 바꿉니다. 기업 보고서처럼 긴 문서를 LLM으로 요약·추출할 때 숫자가 원문과 맞는지 검증한 방법까지 적으면 업무의 정확성·출처 관리를 해 본 경험이 보입니다.

• 시계열·이력 데이터나 온톨로지·지식 그래프를 위한 관계 모델링 경험을 우대합니다.

  이렇게 볼 수 있어요

  기업의 업종, 테마 편입, 지배구조는 시간에 따라 바뀌어, 콘텐츠가 특정 날짜 기준으로 어느 테마에 속했는지를 정확히 말하려면 관계에도 유효 기간이 필요합니다. 이력 테이블이나 그래프 모델에서 시점 조회를 구현해 봤다면 유효 기간을 어떻게 저장하고 조회했는지 적어 이 우대와 연결하는 게 좋습니다.

• Databricks, S3, Parquet 등을 활용한 데이터 연동, AWS·Docker 환경에서 데이터 파이프라인을 배포·운영한 경험, 배치·수집 작업의 스케줄링·재시도·모니터링 체계를 구축한 경험을 우대합니다.

  이렇게 볼 수 있어요

  테크본부장 인터뷰는 Databricks를 일상적으로 쓰는 도구로 꼽았고, AI데이터플랫폼팀과 함께 일하는 Data Engineer (Data Platform) 공고는 Databricks 레이크하우스를 운영합니다. 사내 데이터 플랫폼의 증시 데이터가 그 레이크하우스에 있다면 Delta·Parquet 테이블을 읽어 서비스 DB로 옮기는 연동이 이 공고의 실제 경로가 될 수 있습니다.

• PostgreSQL 운영 경험(파티셔닝, VACUUM·통계 관리, 복제·장애 조치)이나 AWS RDS/Aurora 운영 경험을 우대합니다.

  이렇게 볼 수 있어요

  뉴스와 생성 이력처럼 계속 늘어나는 테이블은 날짜 파티셔닝으로 오래된 구간을 떼어 내야 VACUUM 부담과 인덱스 크기를 관리할 수 있습니다. 업무에 적힌 용량·성능 문제 예방에 이 운영 경험이 직접 쓰이므로, 파티션을 설계한 뒤 쿼리 시간이 어떻게 달라졌는지를 숫자로 밝히는 게 좋습니다.

• 개인정보·민감 데이터의 접근 통제와 감사 로그를 관리한 경험을 우대합니다.

  이렇게 볼 수 있어요

  금융회사의 운영 데이터베이스는 전자금융감독규정에 따라 접근 통제와 접속 기록 관리가 요구되고, 넥스트증권은 2025년 9월 정보보호본부를 새로 만들었다고 발표했습니다(인사이트 보도). 컬럼 단위 마스킹이나 조회 이력 점검을 운영해 본 경험이 있으면 이 우대와 바로 연결됩니다.

4기타 사항

• 게시일 : 2026년 9월 15일
• 고용형태 : 정규직
• 근무지 : 서울특별시 강남구 강남대로 464 비제바노빌딩 3-6층
• 경력 조건 : 경력 5~12년
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• PostgreSQL
• pgvector
• Databricks
• S3
• Parquet
• AWS
• Docker
• AWS RDS/Aurora

전형과 지원

채용 사이트 How We Hire가 밝힌 기본 절차는 서류 접수, 1차 인터뷰, 2차 인터뷰, 처우 협의, 최종 합격의 다섯 단계입니다. 개발·디자인 공고 상당수는 1차 인터뷰 앞에 AI 스크리닝을 더하므로 공고마다 전형 문단을 확인해야 합니다.

지원 전 준비할 것

1. 1

   데이터가 콘텐츠로 간 사례 고르기

   공고가 따로 요청한 대로, 직접 만든 데이터가 서비스 화면이나 콘텐츠 제작에 쓰인 사례를 하나 골라 원천, 가공 규칙, 쓰인 곳을 정리합니다.

2. 2

   정정·중복 처리 방식 정리하기

   정정 기사나 정정 공시처럼 이미 처리한 데이터가 바뀌었을 때 어떻게 감지하고 다시 처리했는지 흐름으로 그려 봅니다.

3. 3

   소속 변경 가능성 확인하기

   콘텐츠 관련 자회사 조직으로의 전보나 소속 변경이 검토될 수 있다는 문구가 있으니, 처우 협의에서 그 경우의 협의 절차와 근로 조건 승계 여부를 확인합니다.