데이터 사이언티스트 1차 면접에서는 예측 오차를 낮췄다는 성과보다 기준 모델을 어떻게 정했고 그 예측이 실제 운영 지표로 어떻게 이어졌는지를 확인하려 합니다. 이 예시의 공고는 배차·경로 문제에 혼합정수계획 같은 수리 최적화를 적용한 경험을 요구하고 위경도 기반 공간 데이터 분석을 우대했는데, 이력서에서 두 경험이 확인되지 않아 질문이 됐습니다. 아래는 데이터 사이언티스트 7년차가 하람모빌리티의 수요 예측·배차 공고로 받은 1차 면접 준비 예시입니다.
면접 준비 기능은 지원한 회사의 채용공고와 내 이력서를 대조하고 회사의 공개 정보도 함께 살펴 질문을 만들어요. 이 예시의 회사와 채용공고는 예시를 위해 지어낸 것이라 이력서와 채용공고만으로 만들었어요.
경력 7년 9개월과 석사 학력은 JD의 경력·학력 요건에 부합하고, 수요 예측 운영, 오차 분석, 대시보드, 실험 경험도 직접 연결됩니다. 1차에서는 상품·물류센터 단위의 주간 예측이 시간대·지역별 호출 예측에도 적용 가능한지, 정확도 개선이 운영 지표 변화로 어떻게 이어졌는지 집중 검증될 가능성이 큽니다. 특히 수리 최적화 모델 적용 경험은 이력서에서 확인되지 않으므로, 보유 경험의 경계를 분명히 하고 유사한 의사결정 경험과 학습 계획을 준비해 두세요.
JD는 '시간대·지역별 호출 수요 예측 모델 개발과 운영'을 요구하고, 이력서에는 '상품 3만 2천 종·물류센터 7곳 주간 수요 예측 모델 구축'과 오차 24.6%에서 13.1% 개선이 제시되어 있습니다.
전략 · 「경력·프로젝트 검증」 1번에서 문제와 기준 모델, 프로모션·공휴일 변수 18종을 선택한 근거, 검증 방식, 오차와 운영 지표의 변화를 차례로 설명하세요. 예측을 실제 운영에 반영하고 결과를 관리한 역량을 중심에 두면 좋습니다.
JD는 '예측 결과를 차량 사전 배치와 기사 인센티브 정책에 연결'하고 '배차 실패율, 기사 공차 시간'을 함께 보도록 합니다. 이력서에는 결품률 8.4%에서 3.2% 감소와 과잉 재고 월 4억 1천만 원에서 2억 3천만 원 감소가 기재되어 있습니다.
전략 · 「경력·프로젝트 검증」 2번과 「직무 역량·기술」 4번에서 예측 지표와 현장 지표를 함께 관리한 경험을 먼저 설명하고, 각 지표의 비교 기간과 확인 방법을 덧붙이세요. 예측 결과가 운영 판단에 연결되는 과정을 구체적으로 보여주면 좋습니다.
JD는 '예측 근거를 운영자가 이해할 수 있는 형태로 대시보드화'하고 '정책 변경 효과를 검증'하도록 합니다. 이력서에는 상위 변수 5개를 노출한 대시보드 4종, 운영 문의 주 18건에서 4건 감소, A/B 테스트 설계 지원 42건이 제시되어 있습니다.
전략 · 「행동·협업」 1번에서 대시보드에 담은 정보와 운영팀 활용 변화를 설명하고, 「직무 역량·기술」 3번에서는 실험 대상과 효과 지표를 분리해 말하세요. 운영자의 질문을 분석·실험 설계로 연결하는 협업 역량을 남기면 좋습니다.
JD는 '혼합정수계획 등 수리 최적화 모델' 적용을 요구하지만, 이력서에는 배차·경로 최적화 경험이 보이지 않습니다.
전략 · 「요구 대비 빈 자리」 1번의 준비 방향에 따라 해당 경험이 없다면 분명히 인정하세요. 예측 결과를 결품·재고 판단에 연결한 경험으로 인접 역량을 설명하고, 배차 제약과 목적함수를 어떻게 파악해 학습할지 준비하세요.
이력서의 대표 예측은 '주간 수요 예측'이며, JD가 다루는 시간대·지역별 호출 수요와 예측 단위 및 변동성이 다릅니다.
전략 · 「직무 역량·기술」 1번에서 기존 경험으로 옮길 수 있는 데이터 점검과 기준선 수립 역량을 설명하세요. 호출·배차 로그의 시간 및 지역 단위 정의, 시간 순서 검증, 기준 모델 비교를 면접 전에 구체적인 작업 순서로 정리하세요.
이력서에는 재구매율 11.2%에서 17.8%, 이탈률 5.9%p 차이 등 결과가 있으나, 비교군과 측정 설계는 드러나지 않습니다.
전략 · 「경력·프로젝트 검증」 3번과 「직무 역량·기술」 3번에서 실험군·비교군, 기간, 정책 성과 지표를 사실대로 설명하세요. 확인되지 않은 설계는 없다고 구분하고, AUC 개선과 쿠폰 효과를 별개의 결과로 다룰 준비를 하세요.
가상 모범 답변의 장면과 수치는 예시로 지어낸 내용이에요. 내 실제 경험으로 바꿔 말해 보세요.
가온리테일랩의 주간 수요 예측 모델을 중심으로 대상과 운영 문제, 초기 오차의 한계, 프로모션·공휴일 변수 18종을 추가한 판단, 오차와 결품률·과잉 재고 변화를 순서대로 설명해 보세요. 모델과 지표를 직접 담당한 범위도 분명히 나누세요.
모델 비교나 변수 선택의 세부 근거가 약하다면 분기별 오차 리뷰 문서 8편과 재발 원인 3가지를 반영한 경험을 대안으로 삼으세요. 어떤 오차 구간을 발견했고, 일괄 변수 추가 대신 어떤 근거로 수정했는지 설명하면 판단 과정을 보완할 수 있습니다.
오차 개선 수치만 제시하고 기준 모델, 검증 절차, 본인이 내린 결정을 설명하지 않는 답변은 피하세요.
저는 가온리테일랩에서 상품 3만 2천 종과 물류센터 7곳의 주간 수요 예측을 맡았습니다. 처음에는 직전 수요를 기준으로 한 모델을 기준선으로 삼았는데, 프로모션과 공휴일이 겹치는 주에 오차가 크게 벌어졌습니다. 상품군과 센터별로 오차를 나눠 보니 성수기 수요 변화가 공통 원인이어서, 관련 변수 후보를 검토해 18종을 추가했습니다. 시간 순서를 지킨 검증 구간에서 기준 모델과 비교하며 변수를 조정했고, 평균 절대 백분율 오차를 24.6%에서 13.1%로 낮췄습니다. 예측을 운영 지표와 함께 검증해야 모델의 가치가 분명해진다는 점을 배웠습니다.
주간 수요 예측 모델 운영 경험을 중심으로 예측 오차와 결품·재고 지표를 함께 관리한 배경, 비교 기준과 기간, 변화 해석의 한계를 설명하세요. 다른 요인이 섞였다면 모델의 기여를 과장하지 말고 확인 가능한 범위를 구분하세요.
운영 지표의 인과적 분리가 어려웠다면 이탈 예측 모델 개선과 상위 위험군 3만 명 대상 쿠폰 실험을 대안으로 제시하세요. AUC 개선과 이탈률 차이를 각각 어떤 자료로 평가했는지, 모델 지표와 정책 효과를 어떻게 구별했는지 설명하세요.
예측 오차가 낮아졌으므로 결품과 재고 개선이 전부 모델의 인과적 효과였다고 단정하는 답변은 피하세요.
저는 예측 오차만으로 운영 성과를 설명하지 않도록 결품률과 과잉 재고 금액을 함께 추적했습니다. 모델 적용 전후의 주간 수요와 재고 기록을 같은 상품군과 물류센터 단위로 묶고, 적용 후 12주 동안 주별 변화를 비교했습니다. 예측 오차가 24.6%에서 13.1%로 낮아지는 동안 결품률은 8.4%에서 3.2%로, 월 과잉 재고 금액은 4억 1천만 원에서 2억 3천만 원으로 줄었습니다. 발주 정책과 프로모션도 결과에 영향을 줄 수 있어 모델만의 효과라고 단정하지 않고, 지표가 함께 움직인 구간과 예외 구간을 나눠 봤습니다. 운영 결과를 함께 봐야 예측을 개선할 방향도 찾을 수 있었습니다.
고객 128만 명의 구매 이력 기반 6개 군집과 캠페인 6종을 중심으로, 세분화 목적, 군집을 해석하고 캠페인에 연결한 과정, 재구매율 측정 기준을 설명하세요. 실험 또는 비교군이 있었다면 설계와 한계까지 밝혀 주세요.
군집화의 세부 방법보다 실험 설계가 더 분명하다면 청보라애널리틱스의 A/B 테스트 42건 지원 경험을 보완 사례로 삼으세요. 표본 수 산정 계산기와 결과 해석 가이드를 어떻게 활용해 효과 판단의 일관성을 높였는지 설명할 수 있습니다.
재구매율 변화만으로 군집 캠페인의 효과가 입증됐다고 말하고 비교 기준이나 동시 변화 가능성을 다루지 않는 답변은 피하세요.
저는 가온리테일랩에서 고객 128만 명의 구매 이력을 바탕으로 구매 빈도와 최근 구매 시점, 구매 금액을 정리해 6개 군집을 만들었습니다. 군집별 대표 행동을 확인한 뒤 재구매 유도 방식이 달라지도록 캠페인 6종을 설계했습니다. 캠페인 적용 전후 3개월 재구매율을 군집별로 집계했고, 전체 지표는 11.2%에서 17.8%로 변했습니다. 이 수치만으로 캠페인 효과를 단정하지 않도록 군집별 반응과 적용 시기의 프로모션 변화를 함께 살폈습니다. 세분화는 고객을 나누는 데서 끝나지 않고, 각 군집에 맞는 실행과 측정 기준을 연결해야 의미가 있다는 점을 배웠습니다.
광고 매체 9종·캠페인 340건의 성과 분석을 중심으로 마지막 클릭 기준의 한계, 4단계 가중 기준을 선택한 이유, 예산 재배분 제안과 성과 측정 과정을 설명하세요. 본인이 만든 기준과 실행을 구분하고 결과 해석의 한계도 언급하세요.
광고 성과의 인과 검증이 제한적이었다면 표본 수 산정 계산기 제작과 A/B 테스트 설계 지원을 대안 사례로 삼으세요. 재실행 사례가 줄어든 과정에서 본인이 정한 표본 기준과 결과 해석 절차를 설명하면 검증 역량을 보여줄 수 있습니다.
매출 배수 상승을 기여도 기준 변경만의 효과로 단정하면서 예산·캠페인 구성의 변화 여부를 설명하지 않는 답변은 피하세요.
저는 청보라애널리틱스에서 광고 매체 9종과 캠페인 340건의 성과를 분석했습니다. 마지막 클릭 기준만으로는 구매 전 여러 매체를 거친 경로의 기여를 비교하기 어려워, 고객 접점의 순서와 구매까지의 거리를 반영한 4단계 가중 기준을 만들었습니다. 이 기준으로 매체별 기여도를 다시 계산하고, 효율이 높은 매체에 예산을 재배분하는 안을 제안했습니다. 이후 광고 대비 매출은 2.4배에서 3.1배로 변했으며, 캠페인 구성과 예산도 함께 달라질 수 있어 기준 변경만의 효과로 단정하지 않고 기간별 집행 내역을 대조했습니다. 측정 기준과 실제 실행을 함께 봐야 해석이 설득력을 갖는다는 점을 배웠습니다.
가온리테일랩의 주간 수요 예측 경험을 출발점으로 삼아 수요 단위 설정, 시간·지역별 데이터 품질 확인, 기준선 수립, 시간 순서를 보존한 검증을 설명하세요. 택시 호출에 이미 적용해 본 것처럼 말하지 말고, 기존 경험에서 전이 가능한 판단과 새로 확인할 점을 나누세요.
분기별 오차 리뷰와 성수기 변수 설계 경험을 다른 축으로 활용하세요. 호출 수요에 적용할 때도 시간대·지역·요일·기상·행사별 오차를 분리해 볼 계획을 제시하고, 적절한 집계 단위는 보유 데이터 분포를 확인한 뒤 정하겠다고 설명하세요.
상품별 주간 예측을 호출 수요 예측과 같은 문제로 취급하고, 시간대·지역 단위와 시계열 검증을 어떻게 다룰지 생략하는 답변은 피하세요.
저는 상품별 주간 예측 경험을 호출 수요에 그대로 옮기기보다, 먼저 운영 의사결정에 맞는 단위를 정하겠습니다. 호출 발생 시각을 기준으로 시간대별 수요를 집계하고, 운영팀이 차량을 배치하는 지역 경계와 연결해 시간대-지역 조합의 누락과 급격한 변동을 확인하겠습니다. 이후 직전 주나 요일 평균 같은 단순 기준선을 만들고, 최근 3년 기록을 시간 순서대로 학습·검증·시험 구간에 나눠 비교하겠습니다. 지역별 표본이 적거나 경계가 바뀐 구간은 별도로 점검하겠습니다. 기존 업무에서도 상품·센터별 오차를 나눠 원인을 찾았고, 이번에는 시간 단위와 지역 단위에 맞게 검증 기준을 새로 세우는 것이 중요하다고 생각합니다.
가온리테일랩의 프로모션·공휴일 변수 설계 사례를 중심으로 초기 모델의 성수기 한계, 변수 후보 선정 근거, 학습·검증 데이터에서의 시간 정합성, 성수기 구간별 오차 비교를 설명하세요. 수치가 어떤 집계 기준인지도 준비해 두세요.
변수별 효과를 분리해 말하기 어렵다면 분기 오차 리뷰 8편과 재발 원인 3가지 반영 경험을 다른 축으로 제시하세요. 반복 오차 구간을 분류하고 원인에 맞춰 변수 설계를 바꾼 과정을 설명하며, 호출 데이터에서는 기상·행사 변수의 제공 시점도 별도로 검증하겠다고 덧붙이세요.
변수 18종을 추가했다는 사실만 강조하고 성수기 구간 정의, 시간 정합성, 비교 방법을 설명하지 않는 답변은 피하세요.
저는 가온리테일랩에서 초기 모델이 성수기 수요를 놓치는 구간을 확인하고, 프로모션 일정과 공휴일이 수요에 미치는 영향을 변수 후보로 검토했습니다. 실제 예측 시점에 알 수 있는 정보인지 확인해 누수 가능성을 점검한 뒤, 프로모션·공휴일 관련 변수 18종을 구성했습니다. 성수기 기간을 따로 나눠 기존 방식과 추가 변수 적용 모델의 오차를 같은 기준으로 비교했고, 오차는 31%에서 16%로 낮아졌습니다. 전체 평균만 보면 특정 기간의 개선이 가려질 수 있어 성수기와 일반 주간을 나눠 확인했습니다. 외부 변수는 수요와 시간적으로 맞는 정보인지부터 확인해야 한다는 점을 배웠습니다.
가온리테일랩의 이탈 예측 모델 개선과 상위 위험군 대상 쿠폰 실험을 중심으로 대상 범위를 정한 이유, AUC와 정책 효과 지표의 역할 차이, 실제 비교 설계와 측정 기간을 설명하세요. 자료에 없는 실험 세부 사항은 사실에 맞게 보완하거나 확인되지 않는다고 구분하세요.
위 실험의 세부 설계가 충분히 정리되지 않았다면 청보라애널리틱스의 A/B 테스트 42건 지원을 활용하세요. 표본 수 산정 계산기, 재실행 감소, 해석 가이드가 어떤 실험 품질 문제를 해결했는지 설명하고 쿠폰 사례의 보완점과 연결하세요.
AUC가 개선됐다는 이유만으로 쿠폰이 효과적이었다고 결론 내리거나, 비교군과 효과 측정 기준을 생략하는 답변은 피하세요.
저는 이탈 예측 모델의 AUC가 0.71이던 상황에서 위험 고객을 더 잘 선별하도록 변수를 점검하고 모델을 개선했습니다. AUC는 순위 구분 능력을 보는 지표이고 쿠폰 정책의 효과를 직접 보여 주지는 않기 때문에, 상위 위험군 3만 명을 대상으로 캠페인 반응을 따로 측정하도록 범위를 정했습니다. 위험군 안에서 쿠폰 제공 여부를 나눠 발송 전후 구매와 이탈 지표를 비교했고, 이탈률 차이를 정책 판단의 핵심으로 삼았습니다. 모델 AUC는 0.83으로 높아졌고 대상군 간 이탈률은 5.9%포인트 차이가 났습니다. 예측 성능과 처치 효과를 구분해 평가하는 것이 중요하다는 점을 배웠습니다.
가온리테일랩에서 예측 오차와 결품률·과잉 재고를 함께 관리한 경험을 중심으로, 예측 지표와 운영 지표를 연결해 살핀 방식을 설명하세요. 모빌리티 현장에 같은 효과가 있었다고 주장하지 말고, 먼저 지역·시간대별 오차와 정책 적용 결과를 나눠 보겠다는 분석 순서를 제시하세요.
운영 결과를 확인하는 다른 사례로 예측값 대시보드와 월 1회 성능 점검 체계를 활용하세요. 운영팀이 예측 근거를 확인하고 문의가 주 18건에서 4건으로 줄어든 과정을 바탕으로, 예측·정책 결과를 함께 검토할 운영 화면과 점검 절차를 어떻게 설계할지 설명하세요.
예측 정확도를 높이면 배차 실패율도 자동으로 낮아진다고 가정하고, 정책 적용과 기사 행동의 차이를 고려하지 않는 답변은 피하세요.
저는 예측이 좋아져도 운영 정책이 바뀌지 않으면 현장 성과로 이어지지 않는다는 점을 가온리테일랩에서 배웠습니다. 하람모빌리티에서는 먼저 시간대·지역별 예측 오차와 실제 호출량을 나누고, 예측이 맞았는데도 배차 실패가 높은 구간과 예측부터 빗나간 구간을 구분하겠습니다. 이어 차량 사전 배치 여부별 배차 실패율과 기사 공차 시간을 비교하고, 배치량이나 인센티브 적용 시점이 실제 공급에 미친 영향을 살피겠습니다. 운영팀과 기준을 맞춘 뒤 지역별 시범 적용을 진행하고, 적용 전후뿐 아니라 유사 지역과의 차이도 함께 보겠습니다. 예측·정책·운행 지표를 단계별로 연결해야 원인을 찾을 수 있습니다.
현재 자료에 혼합정수계획이나 배차·경로 최적화 적용 경험은 기재되어 있지 않으므로, 경험이 없다면 그 사실을 먼저 명확히 하세요. 이어 가온리테일랩에서 예측 결과를 결품·재고 등 운영 판단과 연결한 경험을 유사한 연결 역량으로 설명하고, 최적화 모델 개발과 운영 경험까지 있었다고 확대하지 마세요.
직접 적용 경험이 제한적이라면 청보라애널리틱스의 예산 재배분 분석을 대체 사례로 활용하세요. 제약과 목표를 고려해 의사결정안을 제시한 범위를 설명한 뒤, 입사 전에는 배차 문제의 목적함수·제약·해법 평가 기준을 살펴보고 배차 엔진 개발팀과 모델 인터페이스를 검증하겠다는 계획을 제시하세요.
가격 조정이나 예산 재배분을 혼합정수계획 적용 경험으로 바꿔 말하거나, 최적화 모델을 직접 운영한 것처럼 표현하는 답변은 피하세요.
저는 혼합정수계획을 배차나 경로 문제에 적용해 운영한 경험은 없습니다. 다만 가온리테일랩에서 주간 수요 예측값을 결품률과 과잉 재고 같은 운영 지표에 연결해 판단 기준을 만들었습니다. 상품 3만 2천 종과 물류센터 7곳의 예측을 바탕으로 오차를 24.6%에서 13.1%로 낮추고, 결품률과 재고 금액을 함께 추적했습니다. 입사 후 첫 3개월에는 배차 엔진 개발팀과 의사결정 변수와 제약 조건을 정리하고, 작은 지역 단위의 최적화 문제를 기준선과 비교하겠습니다. 6개월 안에는 예측값을 반영한 시범 정책의 배차 실패율을 측정하며 최적화 역량을 보완하겠습니다.
이력서에 위경도 기반 공간 분석이 명시되어 있지 않다는 점을 분명히 하세요. 대신 가온리테일랩에서 물류센터 7곳 단위로 수요를 다룬 경험이 있다면 공간 분석과는 다른 범위임을 구분하고, 지역 단위 결과를 해석한 경험으로 한정해 설명하세요.
공간 분석 직접 경험이 없다면 서울 자치구 5곳 상권 분석 프로젝트를 대체 소재로 활용하세요. 지역별 개폐업 추이와 인근 구 비교, 표본 기준을 설명하되 좌표 분석을 했다고 주장하지 마세요. 면접 전에는 보유 데이터의 위경도 품질과 지역 경계·집계 단위를 확인할 준비를 해 두세요.
자치구별 통계나 물류센터별 예측을 위경도 공간 데이터 분석 경험으로 동일시하는 답변은 피하세요.
저는 위경도 기반 공간 데이터를 직접 분석한 경험은 없습니다. 가장 가까운 업무는 가온리테일랩에서 물류센터 7곳 단위로 주간 수요를 예측하고 센터별 오차 차이를 살핀 일입니다. 센터별 수요 변동과 성수기 오차를 분리해 비교했지만, 이를 위경도 공간 분석과 같은 경험이라고 보지는 않습니다. 입사 후 첫 3개월에는 호출 지역 경계와 좌표의 품질, 경계 변경 이력을 확인하고, 지역별 수요를 지도 단위로 집계해 인접 지역 간 패턴을 살피겠습니다. 이후 공간 단위에 따른 예측 오차와 배차 결과를 함께 분석해 운영에 맞는 지역 기준을 만들겠습니다.
가온리테일랩의 대시보드 4종 구축 경험을 중심으로 운영팀의 문제, 변수 5개를 노출한 이유, 실제 문의와 활용 변화, 변수 중요도의 한계를 분기 오차 리뷰로 보완한 과정을 설명하세요. 본인이 설계한 부분과 운영팀 피드백을 반영한 부분을 나누세요.
대시보드 설계 과정의 의견 차이가 구체적으로 기억나지 않는다면, 월 1회 성능 점검과 운영 문의 감소 경험을 다른 각도로 활용하세요. 반복 문의가 어떤 확인 절차의 부족을 드러냈는지, 알림 기준 2종과 조회 화면을 연결해 운영 흐름을 어떻게 바꿨는지 설명하세요.
대시보드를 만들자 운영팀이 자동으로 신뢰했다고만 말하고, 운영자의 실제 질문이나 변수 중요도의 한계를 다루지 않는 답변은 피하세요.
저는 가온리테일랩의 예측값 조회 대시보드 4종을 만들 때 운영자가 예측 수치만 보고 원인을 판단하기 어렵다는 점을 먼저 해결하고자 했습니다. 변수 전체를 보여주면 화면이 복잡해질 수 있어, 예측별 상위 변수 5개를 우선 노출하고 상세 확인은 오차 리뷰와 연결했습니다. 운영자가 자주 확인하는 조회 흐름을 반영해 화면을 구성했고, 사용자 52명이 이용하면서 예측 관련 문의는 주 18건에서 4건으로 줄었습니다. 변수 중요도가 개별 사례의 원인을 확정하는 것은 아니어서 분기별 오차 리뷰로 보완했습니다. 설명은 많기보다 운영자가 판단에 쓰는 수준으로 구조화해야 한다는 점을 배웠습니다.
분기 오차 리뷰 문서 8편과 재발 원인 3가지를 반영한 경험을 중심으로, 운영팀이 관찰한 현상과 데이터에서 확인한 패턴을 어떻게 대조했는지 설명하세요. 실제 의견 차이가 있었다면 확인 가능한 사례 하나를 골라 본인의 행동과 최종 반영 여부를 구체화하세요.
명확한 의견 충돌 사례가 없다면 청보라애널리틱스의 A/B 테스트 해석 가이드 작성과 교육 3회를 대안으로 제시하세요. 결과 해석 기준의 편차를 줄이기 위해 어떤 기준을 문서화했는지 설명하고, 오차 원인 논의에서도 공통 검증 기준을 세우는 방식으로 연결하세요.
운영팀 판단이 틀렸다고만 평가하거나, 실제로 겪지 않은 갈등을 만들어 협업 사례로 제시하는 답변은 피하세요.
저는 분기 오차 리뷰 8편을 작성하며 운영팀이 체감한 수요 변화와 데이터에서 확인되는 오차 패턴을 상품군·센터·기간별로 대조했습니다. 한 사례에서는 운영팀이 판촉 영향으로 설명한 오차가 있었지만, 기록을 나눠 보니 공휴일 직전과 직후에 반복되는 편향도 함께 나타났습니다. 저는 두 설명을 경쟁시키기보다 프로모션 여부와 공휴일 구간을 나눠 검증하고, 반복해서 재현되는 원인을 변수 설계에 반영했습니다. 이런 방식으로 재발 원인 3가지를 정리하고 월 1회 성능 점검 기준에도 연결했습니다. 현장 관찰과 데이터 패턴을 함께 검증해야 원인 해석이 개선으로 이어진다는 점을 배웠습니다.