1. 지원 직무에 지원한 동기와 이를 수행하기 위해 본인이 쌓아온 노력(지식, 경험, 기술 등)을 기술해 주십시오. (최대 1,500자 입력가능)
[유통에서 제조로 - 원가 구조의 출발점을 찾아]
이전 직장이었던 코스메틱/건기식 유통사에서 채널별 손익을 분석하며 반복적으로 부딪혔던 질문이 있었습니다.
"왜 이 SKU의 원가는 이렇게 형성되는가?" 물류비, 수수료, 판촉비 등의 변동비성 성격을 아무리 정교하게 배부해도,
제조 단계에서 원가가 어떻게 결정되는지를 모르면 수익성 분석의 근거가 얕을 수밖에 없다는 한계를 체감했습니다.
코스맥스바이오는 OEM, ODM 제조사로서 그 원가 구조의 출발점에 위치한 기업입니다.
유통 단계에서 쌓아온 손익 분석과 결산업무 지원, Raw Data 관리 역량을 제조 원가와 견적 산출 관점으로 심화하고 싶다는 확신이 지원의 이유입니다.
[결산 및 손익 Raw Data 관리 역량]
국내 4개법인, 해외 5개 법인의 매출 및 비용 데이터를 관리하며 결산 업무를 지원했습니다.
특히 플랫폼별로 상이했던 정산 기준과 비용 계정 분류를 표준화하고, 본사-법인 간 내부거래를 점검하여 연결 결산 기초 데이터의 정합성을 확보했습니다.
인턴 시절에는 해외 5개국 법인의 월별 공헌이익 리포트를 직접 작성하며,
결산 마감 시차(Cut-off)와 비용 인식 기준 차이로 발생하는 데이터 불일치 요인을 검증하는 과정을 반복적으로 수행했습니다.
[원가 배부 및 수익성 분석 체계 설계]
SAP CO(관리회계) 모듈 구축 프로젝트에 키유저로 참여하여 Profit Center 기반 손익 구조와 원가 배부 로직을 직접 설계했습니다.
다양한 채널과 브랜드, 다양한 SKU를 영위하는 구조였기에 채널별 물류비, 플랫폼 수수료, 판촉비를 활동 기준으로 재설계하여 SKU 단위의 실질 공헌이익 산출 체계를 구축했고, 정산 오차율을 30%에서 5% 미만으로 축소했습니다.
이 과정에서 원가 데이터가 어떤 기준으로 집계되느냐에 따라 수익성 판단이 완전히 달라진다는 점을 체감하며,
견적 산출의 정확도가 사업 의사결정의 품질을 좌우한다는 인식을 갖게 되었습니다.
[견적 및 사업성 분석 역량]
약 400억 규모 코스메틱 브랜드 인수 검토에 참여하여 채널별 매출, 비용 구조를 재구성하고 손익 민감도 분석을 수행했습니다.
투자설명서(IM)에 제시되어 있는 낙관적 성장 가정을 배제하고 변동비와 고정비를 재분류하여 매출 15% 감소 시 적자 전환 임계점을 도출했으며,
이 경험을 통해 견적과 원가 산출이 단순한 숫자 계산이 아닌 사업 가능성 판단의 기준임을 이해했습니다.
유통과 제조는 업종이 다르지만, 결국 "어떤 기준으로 원가를 구성하고, 그것이 수익성으로 어떻게 연결되는가"라는 본질적인 질문은 동일합니다.
유통사에서 각종 비용을 활동 기준으로 재배부하며 실질 공헌이익을 산출했던 경험은,
제조 환경에서 원재료비, 가공비, 간접비를 제품 단위로 집계하여 견적을 산출하는 구조와 맞닿아 있습니다.
데이터를 일관된 기준으로 정비하고, 수익성의 왜곡을 찾아내는 역량은 업종을 막론하고 기획관리 직무의 핵심이라 생각합니다.
코스맥스바이오에서도 정확한 데이터 관리와 손익 분석을 통해 실질적인 기여를 하겠습니다.
2. 해보지 않았던 새로운 과제에 도전하거나 낯선 지식을 학습하여 성과를 낸 경험을 서술해 주세요.
(선택 사항: 만약 이 과정에서 AI Tool을 활용해 본인의 한계를 보완하거나 효율을 높인 경험이 있다면 함께 작성해 주셔도 좋습니다) (최대 1,500자 입력가능)
[아무도 가르쳐주지 않는 영역에서 직접 설계하다 — SAP CO 구축]
입사 후 제게 가장 힘들었던 업무는 SAP CO(관리회계) 모듈 구축 프로젝트의 키유저 역할로 참여하는 것이었습니다.
관리회계 시스템을 실무에서 직접 설계한 경험이 전무했고, '원가 배부 로직'이나 '간접비 및 공통비 배부'는 학부 수업에서 개념으로만 접했던 영역이었습니다.
프로젝트 초기, 컨설턴트가 제안하는 배부 구조가 실제 사업 흐름과 맞지 않는다는 점을 느꼈지만 어디서 어떻게 문제를 정의해야 할지조차 불분명한 상황이었습니다.
[문제 정의부터 직접 시작했습니다]
먼저 기존 비용 데이터를 전수 검토하며 문제를 스스로 찾았습니다.
당시 회사는 모든 간접비를 채널 구분 없이 매출액 비율로 일괄 나눠 담는 방식을 쓰고 있었는데,
이 방식이 채널별 실질 수익성을 왜곡하고 있다는 구조적 문제를 확인했습니다.
예를 들어 올리브영 채널은 입점 수수료와 판촉비 부담이 크고, 자사몰은 물류비 비중이 높은데 이를 동일한 기준으로 나누면
실제로는 수익성이 낮은 채널이 좋아 보이고, 좋은 채널이 나빠 보이는 역전 현상이 발생했습니다.
이를 해결하기 위해 채널별로 비용이 실제로 어떻게 발생하는지를 역추적하며 배부 기준을 직접 다시 설계했습니다.
물류 흐름, 출고 빈도, 플랫폼별 수수료 집행 데이터를 직접 수집하고, 공통 비용이 각 사업부와 제품 단위까지 단계적으로 흘러 내려가는 구조를 만들었습니다.
시스템 환경상 자동화에 제약이 있어, 비용 배부 결과가 자동으로 반영되지 않는 문제가 있었습니다.
이를 해결하기 위해 외부 컨설턴트와 협업하여 담당자가 배부 결과를 검토 및 승인한 이후에만 수치가 확정되는 수동 승인 기반의 통제 구조를 별도로 설계했습니다.
자동화가 안 되는 제약을 오히려 내부 검증 프로세스를 강화하는 방향으로 전환한 것입니다.
[AI Tool을 활용한 학습 속도 제고]
처음 접하는 SAP 모듈 구조와 회계 로직을 단기간에 체득해야 했기에, 개념 학습 단계에서 AI 툴을 적극 활용했습니다.
미팅에서 나온 기술 용어와 배부 사이클 구조를 AI를 통해 빠르게 정리하고, 실제 사업 데이터에 적용할 수 있는 로직으로 재해석하는 방식으로 학습 속도를 높였습니다.
우리 사업 구조에 맞는 배부 기준이 무엇인지를 스스로 판단하며 AI를 검증 도구로 활용해 원가회계 역량을 기를 수 있었고,
단순히 AI 툴만을 신뢰하는 것이 아닌 해당 내용을 컨설턴트에게 재질문하며 올바른 내용을 학습할 수 있었습니다.
[성과]
구축 완료 후 재고 및 운영 데이터 정합성을 90% 이상 확보했으며, SKU 단위 공헌이익 산출 체계를 완성하여 저수익 SKU 약 20%를 식별했습니다.
정산 오차율은 30%에서 5% 미만으로 축소되었고, 이 데이터를 기반으로 경영진이 채널별 자원 배분 의사결정을 내릴 수 있는 기반이 마련되었습니다.
아무도 정답을 알려주지 않는 영역에서 스스로 문제를 정의하고 구조를 설계한 이 경험은,
새로운 업무 환경에서도 데이터를 기준으로 문제를 풀어나갈 수 있다는 자신감의 근거가 되었습니다.