이 자리가 왜 생겼을까요
토스 CDAO는 2026년 3월 12일 토스 커리어 아티클 'Data First, 그리고 AI Native : 지금 토스가 일하는 방식'에서 온톨로지 기반으로 데이터를 구조화하고 AI가 즉시 활용할 수 있도록 데이터를 자산화하고 있다고 설명했습니다. 같은 글은 누구나 Agent를 빠르게 개발할 수 있는 'Agent Builder 플랫폼'을 전사에 제공하고 있다고 소개했습니다. 이 공고의 팀은 거래·가맹점·유저를 관통하는 데이터 자산(SSOT)을 설계하고, 최근에는 온톨로지 기반으로 데이터를 연결해 Agent가 활용할 지식 체계(Knowledge Base)를 구축하는 프로젝트를 추진하고 있다고 적었습니다. Agent가 쓸 데이터의 의미를 거래 데이터 쪽에서 정의하는 일이므로, 분류 체계나 지표 정의를 여러 팀이 같은 기준으로 쓰게 만든 경험이 있다면 그 기준이 어디까지 쓰였는지를 지원서에 담아 두면 이 공고 업무와의 연결이 분명해집니다.
- 토스 Data Scientist (Data Intelligence Platform) 공고
- Data First, 그리고 AI Native : 지금 토스가 일하는 방식 (토스 커리어 아티클, 2026-03-12)
토스가 지금 어떤 사업에 집중하고 있는지는 토스 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
유저 프로파일 분석 및 모델링: 미시적인 유저 세분화(segmentation)로 유저를 깊이 이해하고, 유저 행동과 특성을 설명하고 예측하는 모델링을 수행합니다.
이렇게 볼 수 있어요
팀 소개는 지표를 정의하는 데 그치지 않고 예측·스코어링 모델을 직접 설계해 서비스에 녹여내는 것까지 한다고 적었습니다. 세그먼트를 나눈 기준과 함께 그 세그먼트가 어느 서비스 기능이나 의사결정에 쓰였는지를 적어 두면 모델을 실제 서비스에 적용하는 단계까지 해 봤다는 점이 보입니다.
가맹점 프로파일 분석 및 모델링: 가맹점 단위 SSOT를 위한 핵심 지표를 설계하고, 거래유저 로열티, 가맹점 등급 등 가맹점 속성을 정의해 이를 산출하는 스코어링 모델을 개발합니다.
이렇게 볼 수 있어요
가맹점 등급처럼 조직 전체가 같은 값을 써야 하는 속성을 정의하는 일입니다. 여러 팀이 쓰던 서로 다른 기준을 하나로 맞춰 본 경험이 있다면 어떻게 합의했고 어디에 쓰였는지 꺼낼 수 있습니다.
거래데이터 분류 고도화: 토스 카테고리·브랜드 분류 체계를 운영하며 분류 로직을 설계·개선하고, 신규 데이터와 새로운 기술을 탐색하고 적용해 분류 정확도를 끌어올립니다.
이렇게 볼 수 있어요
분류 정확도를 끌어올리는 것이 이 업무의 목표로 적혀 있어, 상품명·거래 적요 같은 텍스트를 분류해 본 프로젝트라면 정확도를 어떻게 측정했고 어떤 방법으로 얼마나 올렸는지 숫자로 적어 두는 게 좋습니다.
온톨로지 프로젝트 데이터 분석 및 설계: 프로젝트 목적에 맞게 데이터를 설계하고 지식 그래프를 구축하며, 골든셋(Golden Set)으로 Agent의 답변 정확도를 측정해 데이터 구조와 프롬프트를 개선합니다.
이렇게 볼 수 있어요
데이터 구조를 바꾼 효과를 Agent 답변 정확도로 확인합니다. LLM 응답을 평가셋으로 재며 프롬프트나 입력 데이터를 고쳐 본 경험이 있다면 평가셋을 어떻게 만들었는지까지 설명할 수 있습니다.
2자격 요건
문제에 맞는 방법론을 통계부터 ML·DL·LLM까지 폭넓게 검토해 선택하고, 가설을 세워 검증할 수 있는 사람을 찾습니다.
이렇게 볼 수 있어요
이력서 안내도 어떤 문제를 왜 그 방법으로 풀었는지 판단 근거를 설명해 달라고 했습니다. 복잡한 모델 대신 통계 방법을 고른 결정도 그 근거를 밝히면 이 요건의 사례가 됩니다.
유저·가맹점 단위의 예측·스코어링 모델을 실서비스에 적용해 본 경험이 있는 사람을 찾습니다.
이렇게 볼 수 있어요
오프라인 분석에서 끝난 모델이 아니라 서비스에 들어간 모델을 묻습니다. 모델이 어느 서비스의 어떤 결정에 쓰였고 적용 뒤 어떤 지표가 달라졌는지 함께 적어 두세요.
SQL과 Python으로 대용량 데이터를 능숙하게 다룰 수 있는 사람을 찾습니다.
이렇게 볼 수 있어요
서류 다음 쿼리 테스트가 있고, 직무 인터뷰 중에도 라이브 쿼리 테스트가 진행될 수 있는 전형입니다. 다뤄 본 데이터 규모(행 수나 일별 거래 건수)와 자주 쓴 처리 방식을 이력서에 함께 적어 두세요.
데이터 분석과 구조화 역량으로 분류 체계와 로직을 설계해 본 사람을 찾습니다.
이렇게 볼 수 있어요
업무의 토스 카테고리·브랜드 분류 체계 운영과 이어지는 요건입니다. 분류 체계를 처음 만들었거나 바꾼 경험이라면 분류 단계의 수와 예외를 처리한 규칙까지 설명할 수 있습니다.
데이터와 모델링의 목적, 판단 근거를 논리적으로 커뮤니케이션할 수 있는 사람을 찾습니다.
이렇게 볼 수 있어요
팀 소개는 만드는 데이터 자산이 조직 전체가 신뢰하고 활용할 수 있는 형태여야 한다고 적었습니다. 지표나 분류 기준을 정해 놓고 다른 팀이 실제로 받아들이게 만든 과정이 이 커뮤니케이션 역량을 보여 줍니다.
다양한 최신 기술에 관심이 있고, 새로운 것을 학습하고 성장하기를 원하는 사람을 찾습니다.
이렇게 볼 수 있어요
팀은 최근 온톨로지와 Agent용 지식 체계 구축 프로젝트를 추진하고 있습니다. 최근 직접 시도해 본 LLM이나 그래프 기술은 무엇을 해 봤고 어디에 써 봤는지 짧게 덧붙이면 됩니다.
3우대 사항
금융(자산·보험·결제 등) 도메인 데이터를 다뤄 본 경험
이렇게 볼 수 있어요
분류 대상이 토스 거래 데이터이므로 결제나 카드 승인 데이터를 다뤄 봤다면 그 데이터를 정제한 방법이 이 업무에 바로 쓰입니다.
임베딩·표현학습으로 유저·가맹점을 벡터화하고 활용해 본 경험
이렇게 볼 수 있어요
임베딩·표현학습은 업무의 유저 세분화와 가맹점 속성 모델에 쓰일 수 있는 방법입니다. 만든 임베딩을 어떤 다음 작업에 썼고 무엇이 나아졌는지를 함께 밝혀 두는 게 좋습니다.
상품명·거래 적요 같은 텍스트 데이터를 분류하거나 구조화해 본 경험
이렇게 볼 수 있어요
짧고 표기가 제각각인 텍스트를 정규화해 본 경험이 있다면 그 방법과 분류 정확도를 거래데이터 분류 고도화 업무와 이어 설명하기 쉽습니다.
온톨로지, 지식그래프, 데이터 카탈로그 등 데이터 구조화 프로젝트 경험
이렇게 볼 수 있어요
토스 CDAO는 2026년 3월 커리어 아티클에서 온톨로지 기반으로 데이터를 구조화해 AI가 즉시 활용할 수 있도록 자산화하고 있다고 밝혔습니다. 데이터 카탈로그나 메타데이터 체계를 만든 경험이 있다면 그 체계를 어느 팀이 무엇에 썼는지까지 적는 편이 낫습니다.
LLM·Agent를 활용한 데이터 파이프라인이나 프롬프트를 설계해 본 경험
이렇게 볼 수 있어요
골든셋으로 Agent 답변 정확도를 재고 프롬프트를 고치는 것이 온톨로지 프로젝트 업무의 한 부분입니다. 프롬프트를 바꿔 정확도가 달라진 실험 기록이 있다면 무엇을 바꿨고 정확도를 어떻게 쟀는지 정리해 둘 만합니다.
4기타 사항
- 게시일 : 2026년 9월 30일
- 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
- Python
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.
기본 다섯 단계
지원서 접수, 직무 인터뷰, 문화적합성 인터뷰, 레퍼런스 체크, 처우 협의와 합류 결정 순입니다. 안내에는 '포지션에 따라 사전 과제/ 전화 인터뷰 등의 전형이 추가될 수 있어요'라고 적혀 있습니다.
이렇게 볼 수 있어요
공고마다 앞 단계가 다르므로 일정을 잡을 때 공고 페이지를 먼저 봐야 합니다. 같은 계열사 안에서도 사전 과제가 붙은 공고와 없는 공고가 섞여 있습니다. 토스뱅크 Customer Success Specialist(계약직)와 토스 Financial Data Analyst (FP&A) 공고는 레퍼런스 체크와 처우 협의 없이 문화적합성 인터뷰 뒤 바로 최종 합격으로 갑니다. 토스씨엑스 B2C 패션몰 단순문의 상담원 공고는 서류접수 뒤 단순 화상 인터뷰 한 번을 거쳐 최종합격으로 갑니다. 둘 중 하나만 빠진 공고도 있습니다. 토스증권 Executive Assistant 공고는 레퍼런스 체크 뒤 처우 협의 없이 최종 합격으로 갑니다. Category MD (신선식품 Unit Leader - 과일, 채소), Category MD (뷰티), Category MD (가공식품), Category MD (생활 - 가구/홈데코/주방용품), Search Quality Operations Manager, 토스인슈어런스 Commission Manager 공고는 처우 협의가 레퍼런스 체크보다 먼저 옵니다.
문화적합성 인터뷰가 따로 있다
'인터뷰어는 토스의 핵심가치를 누구보다 잘 이해하고 있는 동료들로 구성되어 있어요'라고 적혀 있고, '지원자를 검증하기 위해 일방적으로 질문을 던지는 것이 아니라, 토스커뮤니티 문화에 대해 서로 진솔한 대화를 나누는 방식으로 진행해요'라고 설명합니다.
이렇게 볼 수 있어요
직무 경험만 준비하면 한 단계를 비워 두게 됩니다. 팀 문화 페이지의 열두 항목 가운데 본인 경험으로 이야기할 수 있는 것을 골라 사례를 미리 정리해 두면 이 단계에서 꺼낼 것이 생깁니다. 토스씨엑스 B2C 패션몰 단순문의 상담원처럼 이 단계 없이 단순 화상 인터뷰 한 번으로 끝나는 공고도 있습니다.
인터뷰는 전부 온라인이다
'모든 인터뷰는 온라인(Google Meet/ Zoom)으로 진행하고 있어요'라고 적혀 있고 '최대한 1:1 커뮤니케이션을 지향'한다고 밝혔습니다. 인터뷰어는 '합류하신다면 가장 많은 협업을 하게 되실 동료들'입니다.
이렇게 볼 수 있어요
이동 시간이 들지 않아 재직 중에도 일정을 잡기 쉽습니다. 안내가 조용한 개인 공간과 이어폰 사용을 권하고 있으므로 환경을 미리 확인해 두는 편이 좋습니다.
지원서는 자유 양식이다
'지원자분의 역량을 최우선적으로 검토하기 위해 자유 양식의 지원서를 받고 있어요'라고 적혀 있습니다. 개발 직군은 '기술 숙련도를 파악하기 위해 이력서 상에 기술 스택을 꼭 작성해 주세요'라는 요구가 따로 붙습니다.
이렇게 볼 수 있어요
정해진 문항이 없으므로 무엇을 보여 줄지 직접 정해야 합니다. 안내는 경험을 나열하기보다 '임팩트와 러닝 포인트'를 적으라고 했고, 주민등록번호와 자택 주소, 연봉은 필수가 아니라고 밝혔습니다. 제출은 PDF를 권합니다.
계열사 간 중복 지원이 된다
'원하는 포지션이라면 계열사 간 중복 지원도 가능해요'라고 적혀 있습니다. 토스, 토스뱅크, 토스페이먼츠, 토스인슈어런스, 토스증권, 토스씨엑스 등이 함께 열거돼 있습니다.
이렇게 볼 수 있어요
같은 직무를 여러 계열사가 채용하고 있을 때 하나만 고를 필요가 없습니다. 다만 계열사마다 도메인이 다르므로 지원서의 강조점은 각각 맞추는 편이 낫습니다.
이 공고만 다른 점
서류 접수 다음에 사전 과제(쿼리 테스트)가 있습니다. 약 2시간이 걸리는 쿼리 테스트이고 응시 기간은 5일이며, 사전 과제에 합격하면 직무 인터뷰가 진행되고 그 중에 라이브 쿼리 테스트가 진행될 수 있습니다.
회사 공통 단계에 없는 사전 과제가 서류 다음에 붙습니다. 업무가 거래 데이터를 유저·가맹점 단위 지표로 만드는 일이므로, 거래 단위 테이블을 유저·가맹점 단위로 집계하는 쿼리를 손에 익혀 두면 사전 과제와 직무 인터뷰 중 있을 수 있는 라이브 쿼리 테스트에 함께 대비할 수 있습니다.
지원 전 준비할 것
- 1
2시간 쿼리 테스트 준비하기
사전 과제는 약 2시간짜리 쿼리 테스트이고 응시 기간은 5일입니다. 직무 인터뷰 중에도 라이브 쿼리 테스트가 있을 수 있으므로 윈도 함수와 여러 단계 집계를 말로 설명하며 쓰는 연습을 해 두세요.
- 2
방법을 고른 근거와 검증 과정 쓰기
이력서 안내는 어떤 문제를 왜 그 방법으로 풀었는지 판단 근거와, 데이터 분류·설계와 모델링 과정에서 세운 가설과 검증 과정을 구체적으로 적어 달라고 했습니다. 프로젝트마다 검토했지만 고르지 않은 방법과 그 이유를 한 줄씩 붙이면 방법론을 폭넓게 검토하라는 요건에도 함께 답할 수 있습니다.
- 3
의사결정으로 이어진 결과와 제약 해결 담기
만든 지표나 데이터가 실제로 어떤 의사결정과 임팩트로 이어졌는지 사례로 보여 주고, 데이터 한계나 품질 이슈 같은 현실적인 제약을 어떻게 해결했는지도 담아 달라는 요청이 있습니다. 분류 정확도를 올리다 라벨 품질 문제를 만났다면 그 해결 과정 하나로 두 요청에 함께 답할 수 있습니다.