데이터 사이언티스트 이력서 예시

상품과 고객 행동의 변화를 수치로 확인하고, 분석 결과가 운영 의사결정으로 이어지는 지점까지 관리해 온 데이터 사이언티스트 도예린입니다. 가온리테일랩에서 상품 3만 2천 종과 물류센터 7곳의 주간 수요 예측 모델을 구축했습니다. 예측 오차를 평균 절대 백분율 기준 24.6%에서 13.1%로 낮추는 데 그치지 않고, 결품률을 8.4%에서 3.2%로 줄이며 과잉 재고 금액을 월 4억 1천만 원에서 2억 3천만 원으로 낮추었습니다. 모델 성능과 운영 지표를 함께 확인하며 성과를 냈습니다. 가장 중요한 것은 운영팀이 예측의 근거를 이해하는 일입니다. 프로모션과 공휴일 변수 18종을 추가해 성수기 구간 오차를 31%에서 16%로 낮추었고, 예측값 조회 대시보드 4종에는 예측 근거 상위 변수 5개를 함께 노출했습니다. 운영팀이 예측 결과를 신뢰하게 되자, 관련 문의가 주 18건에서 4건으로 감소했습니다. 고객 128만 명을 6개 군집으로 세분화하고 군집별 캠페인 6종을 설계했으며, 분석 결과를 배포한 뒤 지표 변화를 살피고 분기 오차 리뷰 8편에서 정리한 재발 원인 3가지를 변수 설계에 반영해 왔습니다. [핵심 역량] - 상품 3만 2천 종·물류센터 7곳 수요 예측 모델 구축 - 평균 절대 백분율 기준 예측 오차 24.6% → 13.1% 개선 - 고객 128만 명 대상 6개 군집 세분화와 캠페인 설계 - 예측 근거 상위 변수 5개를 포함한 운영 대시보드 4종 구축 - Python·R·SQL 기반 모델링과 Airflow·MLflow·Docker 운영

하람모빌리티가 수요 예측을 배차 개선에 연결하려는 시점에 데이터 사이언티스트를 채용한다는 점에 주목했습니다. 모빌리티 수요는 상품 수요와 대상은 다르지만, 시간대와 지역별 변동을 예측하고 예측 결과를 운영 판단으로 전환해야 한다는 과제가 맞닿아 있습니다. 가온리테일랩에서 상품 3만 2천 종과 물류센터 7곳을 대상으로 주간 수요 예측 모델을 구축하며, 예측값의 정확도뿐 아니라 결품과 과잉 재고처럼 현장에서 확인하는 지표까지 함께 관리했습니다. 그 결과 예측 오차를 평균 절대 백분율 기준 24.6%에서 13.1%로 낮추고, 결품률을 8.4%에서 3.2%로 줄였습니다. 초기 모델은 성수기 수요를 설명하기에 부족했습니다. 프로모션과 공휴일 변수 18종을 추가했고, 변수 증가에 따른 해석 부담을 줄이기 위해 예측 근거 상위 변수 5개를 대시보드에 함께 표시했습니다. 성수기 구간 오차는 31%에서 16%로 감소했고, 운영팀의 예측 관련 문의는 주 18건에서 4건으로 줄었습니다. 하람모빌리티에서도 배차 수요 예측 모델과 운영자 판단 근거가 분리되지 않아야 한다고 생각합니다. 수요 예측 결과가 배차 계획과 실제 운행 지표에서 어떻게 작동하는지 확인하고, 오차가 커지는 시간대와 지역을 분리해 원인을 변수와 모델에 반영하는 방식으로 업무를 수행하려 합니다.

광고 성과 분석 경험은 수요 예측 업무에서 지표를 정의하고 결과를 검증하는 기준을 세우는 데 중요한 토대가 되었습니다. 청보라애널리틱스에서 광고 매체 9종과 캠페인 340건의 성과를 분석하면서, 마지막 클릭 단일 기준을 4단계 가중 기준으로 바꾸고 예산 재배분을 제안했습니다. 업무 효율이 크게 높아졌습니다. 그 결과 주간 리포트 작성 시간을 8시간에서 40분으로 단축할 수 있었습니다. 가격 민감도 분석 프로젝트는 카테고리 24개와 24개월 판매 데이터를 활용해 탄력성을 추정하고, 경쟁 가격 월 42만 건을 정제하는 과정이었습니다. 민감도 상위 6개 카테고리에 가격 조정안을 적용하자 3개월 마진율이 1.8%p 상승했습니다. 분석 코드 저장소 1개와 결과 보고서 1편을 인계하며 재현 가능한 형태로 남겼습니다.