[토스] Data Scientist (Commerce Signal) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 신호 발굴부터 피처 선택, 실험, 모델 반영까지 한 흐름의 오너십을 갖고, 그 신호가 실제 모델 품질과 전환을 끌어올리는지 끝까지 확인합니다.

  이렇게 볼 수 있어요

  분석 결과를 넘기는 데서 끝나지 않고 모델 지표와 전환이 움직였는지까지 책임집니다. 분석이 모델 개선으로 연결된 사례가 지원서의 중심이 됩니다.

• 유저 의도와 맥락 이해: 구매 주기, 재구매 시점, 카테고리 관심, 가격 민감도처럼 여러 맥락에서 달라지는 유저 의도를 분류하고, 급상승 상품과 시즈널한 흐름까지 파악해 모델이 활용할 신호로 만듭니다.

  이렇게 볼 수 있어요

  이 업무의 중심은 행동 로그에서 유저 의도를 정의하는 것입니다. 같은 유저의 의도가 시점에 따라 바뀐다는 전제이므로 시간 축을 넣어 세그먼트를 나눠 본 경험을 이 업무에 쓸 수 있습니다.

• 신호 관점의 모델 진단: 모델이 어떤 신호를 충분히 활용하지 못하는지, 어떤 유저, 상품군, 상황에서 새로운 신호가 필요한지를 데이터로 찾아내 개선 우선순위를 정합니다.

  이렇게 볼 수 있어요

  신호 관점의 모델 진단은 모델 성능이 떨어지는 구간을 데이터로 나눠 보는 작업입니다. 자격 요건에 적힌 모델 성능 저하 진단 경험을 이 업무에서 그대로 씁니다.

• 신호, 피처, 라벨 설계와 검증: 유저와 상품의 적합도, 상품 간 연관도 같은 신호와 노출 대비 무반응을 뜻하는 네거티브 라벨을 직접 정의하고, AUC, nDCG를 비롯한 다각도의 지표로 온, 오프라인 효과와 성능을 검증합니다.

  이렇게 볼 수 있어요

  라벨을 어떻게 정의하느냐가 모델이 배우는 내용을 바꿉니다. 네거티브 라벨을 정의해 봤다면 어떤 기준을 세웠고 지표가 어떻게 달라졌는지가 핵심 설명이 됩니다.

• 실험을 통한 모델 반영: 가설 수립부터 A/B 테스트 설계, 결과 분석까지 직접 주도해 검증된 신호를 ML Engineer와 함께 모델에 녹이고, 반영 이후의 지표 변화까지 함께 책임집니다.

  이렇게 볼 수 있어요

  모델 코드는 ML Engineer와 함께 다루고 실험 설계와 판단은 Data Scientist가 주도합니다. 실험 뒤 반영 여부를 결정한 경험이 이 흐름과 맞습니다.

2자격 요건

• SQL을 활용해 자유롭게 원하는 데이터를 추출하고 분석까지 진행할 수 있어야 합니다.

  이렇게 볼 수 있어요

  전형에 쿼리 테스트가 따로 있어 SQL 실력을 직접 봅니다. 직무 인터뷰에서도 라이브 쿼리 테스트가 진행될 수 있다고 적혀 있습니다.

• 추천, 검색, 타겟팅 등 Machine Learning 모델의 평가방법을 이해하고, 모델 관점에서 성능이 어디서 왜 저하되는지 진단해 본 경험을 요구합니다.

  이렇게 볼 수 있어요

  모델을 만들어 본 경험보다 모델을 평가하고 약점을 찾아 본 경험을 묻습니다. 추천·검색·타겟팅 가운데 한 분야의 사례면 됩니다.

• 분석에서 멈추지 않고 모델이 학습하고 추론할 신호, 피처, 라벨을 직접 설계하고 검증해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  리포트를 쓰는 데서 끝나는 데이터 분석 직무와 이 공고는 이 요건에서 달라집니다. 내가 만든 피처나 라벨이 모델에 실제로 들어갔는지가 드러나야 합니다.

• 대규모 행동 로그에서 유저의 의도를 파악하고, 이를 모델이 쓸 수 있는 지표로 정의해 본 경험을 찾습니다.

  이렇게 볼 수 있어요

  로그를 집계하는 데 더해 의도를 숫자로 정의하는 단계까지 해 봤는지를 봅니다. 정의한 지표를 누가 어디에 썼는지 함께 적으면 설득력이 생깁니다.

• 가설을 세워 A/B 테스트를 설계하고 검증하며 지속해서 개선해 나간 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  한 번의 실험보다 결과를 보고 다음 실험으로 이어 간 경험이 필요합니다. 이력서 안내에도 문제정의-가설설정-실험설계-검증-결과의 과정이 드러나게 써 달라는 내용이 있습니다.

3우대 사항

• Candidate Generation과 Ranking으로 구성된 Multi-Stage 추천, 검색 모델 구조에 대한 이해를 우대합니다.

  이렇게 볼 수 있어요

  신호가 후보 생성 단계와 랭킹 단계 가운데 어디에 들어가느냐에 따라 효과가 달라집니다. 단계별로 지표를 나눠 본 경험이 이 이해를 보여 줍니다.

• 오프라인 모델 지표와 온라인 실험 지표를 연결해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  이 우대 사항은 업무에 적힌 온, 오프라인 효과 검증 경험을 가리킵니다. 오프라인 AUC가 올랐는데 온라인 전환이 안 움직였던 사례처럼 두 지표가 어긋난 경험도 설명할 거리가 됩니다.

• Feature Importance 분석, 편향 보정, 불확실성 처리 방법론을 활용해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  세 방법론 가운데 써 본 것을 구체적으로 밝히면 됩니다. 노출 편향을 보정하는 방법은 업무의 네거티브 라벨 설계와도 연결됩니다.

• 학습과 서빙 시점의 정합성까지 고려해 피처를 설계해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  학습 때 쓴 피처를 서빙 때 같은 값으로 만들 수 있어야 실험 결과가 유지됩니다. 피처 누수를 발견하고 고친 경험이 있다면 구체적으로 적을 수 있습니다.

4기타 사항

• 게시일 : 2026년 7월 7일
• 고용형태 : 정규직
• 근무지 : 서울특별시 강남구 테헤란로 142 (역삼동, 아크플레이스) (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
• A/B 테스트
• AUC
• nDCG

전형과 지원

토스커뮤니티는 합류 여정을 한 페이지로 공개해 두었습니다. 공통 골격은 같지만 계열사와 공고에 따라 단계가 더해지거나 빠지므로, 공고 페이지에 적힌 단계를 함께 확인해야 합니다.

지원 전 준비할 것

1. 1

   쿼리 테스트 대비해 SQL 손 풀기

   사전 과제가 약 2시간짜리 쿼리 테스트이고 인터뷰에서 라이브 쿼리 테스트가 있을 수 있습니다. 윈도우 함수와 퍼널·리텐션 집계처럼 행동 로그를 다루는 쿼리를 시간을 재며 미리 풀어 봅니다.

2. 2

   분석이 모델 개선으로 연결된 사례 정리하기

   이력서 안내가 데이터 분석이 모델 개선(신호, 피처, 라벨)으로 연결된 경험이 있다면 적어 달라고 했습니다. 어떤 신호나 라벨을 만들었고 모델 지표가 얼마나 움직였는지를 문제정의부터 결과까지의 순서로 적어 둡니다.

3. 3

   토스쇼핑을 직접 써 보며 신호 후보 적어 보기

   CSI 팀이 다루는 데이터는 상품, 셀러, 유저, 리뷰, 이미지입니다. 토스 앱의 쇼핑 탭에서 추천과 검색 결과를 써 보고 어떤 신호가 더 있으면 결과가 나아질지 메모해 두면 직무 인터뷰에서 꺼낼 이야기가 생깁니다.