최고 품질의 상품들을 지금보다 더 많은 소비자들이 여러 유통 채널에서 더욱 폭 넓고 쉽게...
1. 플렉스팀 Data Analyst Intern으로 합류 시 기대하는 업무·역할과 본인이 달성하고자 하는 목표를 간략히 설명해 주세요. (500자 미만)
제조 AI 솔루션 기업 인턴 당시 flex를 통해 30분단위 시간차 휴가, 식대 지출결의서, 재택·외근 등록을 손쉽게 처리하고 동료들의 일정을 한눈에 파악했습니다. 이때 조직의 미세한 활동이 다차원 데이터로 축적되는 것을 보며, 방대한 인사 데이터가 가진 잠재력에 큰 매력을 느꼈습니다.
플렉스팀에서 기대하는 저의 역할은 원천 데이터 마트 구축부터 가설 수립, ML 모델링, 지표 평가에 이르는 분석의 전 과정에 참여하는 것입니다. 파편화된 로그를 유의미한 인사이트로 연결하는 데이터 파이프라인 구축을 온전히 주도해 보고 싶습니다.
합류 후 목표는 대용량 HR 데이터에서 분석 결과를 도출하고, 이를 실제 현업의 서비스로 적용하는 사이클을 깊이 있게 경험하는 것입니다. 단순한 모델링을 넘어, 제가 도출한 지표가 고객사의 인사 의사결정을 돕는 프로덕트로 구현되는 임팩트를 체감하며 실무형 데이터 분석가로 성장하겠습니다.
2. flex 제품 소개 페이지를 읽고(본문 참조) flex가 보유한 데이터로 만들어보고 싶은 결과물(데이터 분석, 지표 개발, 모델 개발 등)을 제안해 주세요. (1,000자 미만)
2-1. 다변량 시계열 모델 기반 이탈 예측 및 선제적 인력 수요 탐지
근태 기록과 워크플로우 기록을 융합해 다변량 시계열 데이터로 구축합니다.
- 개인 단위(번아웃/이탈 탐지): 평상시 근태를 정상 시계열로 학습한 뒤, 휴가 사용 주기가 급격히 좁아지거나 초과근무가 임계치를 돌파하는 패턴을 이상으로 선제 탐지합니다.
- 조직 단위(채용 수요 예측): 리더별 결재 처리 속도를 기준값으로 설정합니다. 특정 부서에서 결재 지연이 단순한 리더의 처리 속도를 넘어 초과근무 급증 및 진행 중인 기안 건수 폭주와 함께 나타나는 구간을 '업무 과부하'로 정의합니다. 이를 통해 실제 인력 충원 시점을 선제적으로 예측합니다.
2-2. 조직 건강도 지표 개발
근태, 휴가, 워크플로우 데이터를 통합하여 조직의 상태를 정량적으로 측정하는 조직 건강도 지표를 제안합니다. 예를 들어 초과근무 증가율, 휴가 사용률, 결재 지연 시간, 미처리 기안 적체량 등을 종합하여 부서별 건강도 점수를 산출합니다. 이를 통해 업무 과부하와 번아웃 위험 조직을 조기에 식별하고, 향후 이탈 위험과 인력 충원 필요성을 예측하는 선행 지표로 활용할 수 있습니다.
3. 본인이 진행한 데이터 및 ML 프로젝트 중 가장 임팩트가 컸던 1건에 대해 설명해 주세요. (문제 정의, 데이터 및 접근 방식, 결과, 한계와 배운 점 중심) (1,000자 미만)
[수요예측 최적화 PoC]
3-1. 문제 정의
인턴 당시 반도체 부품 고객사의 수요예측 및 재고관리 PoC 프로젝트를 수행했습니다. 현장에서는 '직전 3개월 수요 표준편차' 고정된 수식 및 경험적 판단으로 재고를 운영했고, 예측 오차율이 40% 수준에 달해 과잉재고 문제가 지속되었습니다. 또한 기존 엑셀 작업에 익숙한 실무진은 AI 시스템에 대한 신뢰가 낮은 상황이었습니다.
3-2. 데이터 및 접근 방식
단순한 예측 모델링에 그치지 않고, 재고관리 비즈니스 로직을 모델에 직접 결합하는 파이프라인을 설계했습니다.
데이터 파이프라인: '최소 3개월 전 발주'라는 현장의 물리적 제약을 분석 기준으로 삼았습니다. 반도체 수출물량 지수와 STL 시계열 분해 파생변수 등을 융합해 통계/ML/DL 모델을 'Rolling Window' 비교 검증하여 최종 수요예측 모델을 구축하였습니다.
비즈니스 로직 재정의: 수요 비대칭성을 무시한 기존 통계 공식 대신, 모델의 '순수 예측 오차(RMSE)'를 기반으로 동적 안전재고 산출 로직을 재정의했습니다.
데모 구축: 실무진 설득을 위해 SHAP 기법과 피처 중요도 분석을 종합하여 모델의 판단 근거를 시각화했습니다. 나아가 변수 값을 조정하며 예측 변화를 직접 시뮬레이션할 수 있는 챗봇 데모 인터페이스를 구현했습니다.
3-3. 결과
예측 오차(RMSE)를 약 21% 개선하며 실무진의 신뢰를 확보해 최종 본사업 계약 체결에 기여했습니다.
3-4. 한계와 배운 점
초기에는 현장에서 '출고량의 음수값'과 같은 데이터 수집 의미를 파악하는 데 어려움이 있었고 완벽하지 않은 데이터 환경이라는 한계가 있었습니다. 이를 극복하고자 고객사 실무진과 지속적으로 소통하며 현장의 언어와 제약을 직접 학습하고 분석 기준으로 삼았습니다.
이 과정을 통해 데이터 분석은 단지 0.1%의 모델 성능 향상이 아니라, 해당 도메인에 대한 깊은 이해를 바탕으로 현장의 의사결정에 반영될 수 있을 때 성과로 이어진다는 점을 배웠습니다.