고객의 비즈니스 데이터 속에서 문제를 정의하고, 예측 모델을 설계하며, 실제 현장에 적용하기까지. 데이터를 통해 고객의 문제를 해결하는 두 데이터 사이언티스트를 만났습니다.
AI지식분석팀 최병국 과장과 AI데이터사이언스팀 전백준 과장이 말하는 '비즈니스 문제 해결사'로서의 데이터 사이언티스트, 그리고 엑셈에서의 실험과 성장 이야기를 들어보았습니다.
1. 데이터로 비즈니스의 답을 찾는 두 분석가
Q. 안녕하세요, 두 분 간단한 자기소개 부탁드립니다.
최병국: 안녕하세요. AI지식분석팀 최병국 과장입니다. 저는 고객사가 직면한 비즈니스 문제를 데이터로 해결하는 역할을 하고 있습니다. Python을 활용한 데이터 분석, 예측 모델 개발, 시각화, Agent 개발 등의 업무를 수행하고 있고, 최근에는 온톨로지를 활용한 문제 해결에도 집중하고 있습니다. 온톨로지를 활용하면 데이터 간의 관계와 의미를 명확하게 정의할 수 있어, 모델의 판단 근거를 설명하고 결과의 신뢰성을 높일 수 있습니다.
전백준: 반갑습니다. AI데이터사이언스팀에서 AI 모델링과 데이터 설계를 담당하고 있는 전백준 과장입니다. 고객의 요구사항에 맞춰 전처리부터 모델링, 서비스 구현까지 실무 전반을 책임지고 있으며, 특히 Python 기반의 딥러닝·머신러닝 구현에 강점을 가지고 있습니다. 현재는 데이터에 의미를 부여하는 온톨로지 사업으로 영역을 확장하고 있습니다.
Q. 이 분야에서 커리어를 시작하고, 이어오시게 된 배경이 궁금해요.
최병국: 대학 시절에는 관심 분야가 너무 많았어요. 대외활동도 다양하게 했지만, 막상 취업을 앞두니 '나는 결국 뭘 잘하는 사람인가'라는 질문 앞에서 막막했습니다. 그래서 무작정 지난 삶을 하나하나 기록하기 시작했어요. 기록을 읽고 분석하면서 몰랐던 제 자신을 발견했고, 그 과정 자체가 데이터 분석의 가치를 깨닫게 해준 계기였습니다. 이후로 데이터 사이언티스트 직무를 준비하게 되었습니다.
전백준: 저는 대학에서 통계학을 전공하며 데이터 뒤에 숨겨진 패턴을 찾아내는 것에 깊은 관심을 가지게 되었습니다. Python 동아리 활동을 통해 통계적 이론을 직접 구현하고 시스템화하는 과정에서 확신을 얻었고, 자연스럽게 데이터 사이언티스트의 길을 걷게 되었습니다.
2. 고객의 비즈니스 데이터 속에서 문제를 정의하다
Q. 데이터 분석 직무도 여러 유형이 있는데요, 두 분이 수행하시는 비즈니스 데이터 분석은 어떤 특징이 있나요?
최병국/전백준: 같은 데이터 분석이라도 목적과 접근 방식에 따라 성격이 크게 달라집니다. 성능 데이터나 로그 데이터가 시스템 상태 개선을 위한 것이라면, 저희가 다루는 데이터는 고객의 비즈니스 의사결정과 직결되는 데이터라는 점에서 차이가 있습니다. 단순히 패턴을 찾는 것을 넘어, 실제 비즈니스 맥락을 이해하고 해석하는 과정이 중요하죠. 고객사가 보유한 비즈니스 데이터를 기반으로, 현장의 문제 해결에 더 밀접하게 연결된 분석을 수행한다고 보시면 됩니다.
Q. 여러 프로젝트를 수행하시면서 문제를 정의하고 분석 방향을 설정하는 과정은 보통 어떻게 이루어지나요?
최병국: 문제 정의는 크게 두 가지 경우로 나뉩니다. 고객이 문제를 인지하고 있다면 인터뷰를 통해 분석 방향을 구체화하고, 고객이 문제를 모르는 경우에는 EDA를 통해 가설을 수립하고 문제를 정의합니다. 여기서 중요한 건 고객이 원하는 상태가 무엇인지를 먼저 파악하는 것입니다. 문제란 결국 '현재 상태와 원하는 상태간의 차이'기 때문에, 고객의 니즈를 명확히 이해한 뒤 그 격차를 정의하는 방식으로 접근합니다.
전백준: 우선 고객의 고민을 분석해 핵심 문제를 정의하고, 사전 가설과 분석 시나리오를 기획합니다. 이후 최신 방법론을 조사해 기술적 타당성을 검토하고, 확정된 시나리오에 따라 팀원들과 역할을 분배하여 베이스라인 모델부터 구축합니다. 저는 개인적으로 '좋은 가설'에 명확한 기준을 두기보다는 빠르게 실행하고 검증하는 것을 더 중요하게 생각합니다. 시간 제약이 있는 프로젝트 환경에서는 빠른 실행과 반복이 핵심이라고 보거든요.
Q. 모델을 연구 단계에서 실제 서비스에 적용 가능한 수준까지 발전시키는 과정에서 가장 크게 달라지는 점은 무엇인가요?
최병국: 연구 단계에서 만든 모델과 실제 운영 환경에 적용되는 모델 사이에는 큰 차이가 있습니다. 서비스에 적용되면 모델의 정확도뿐 아니라, 지속적인 평가와 운영 안정성까지 함께 고려해야 합니다. 또한 고객사의 추가 요구사항이 계속 발생하는 경우가 많아요. 처음에는 하나의 문제 해결로 시작했지만, 적용 범위가 점점 확장되면서 시스템 전체가 커지는 경험을 하기도 했습니다.
3. 실험으로 답을 찾고, 함께 문제를 풀어가는 팀
Q. 엑셈에 입사 후 수행했던 프로젝트 중, 기술적으로 가장 도전적이었던 사례가 있다면 소개해 주세요.
최병국: S사에서 수요 예측 프로젝트를 진행한 적이 있습니다. 고객은 매주 주문량을 예측해 물류 창고 인원을 결정했는데, 예측 오차가 커서 인건비가 낭비되고 있었어요. 제가 수요 예측 모델을 개발해 정확도를 향상시켰는데, 모델 배포 이후 매주 정확도를 평가받는 구조였기 때문에 지속적인 성능 관리에 대한 부담이 컸던 것도 사실입니다. 하지만 모델이 안정적으로 유지되면서 고객의 신뢰를 얻었고, 이후 적용 범위가 더 많은 브랜드로 확대되면서 보람을 느꼈습니다.
전백준: 프로젝트가 끝난 뒤 운영과 유지보수를 혼자 맡게 되었을 때, 솔직히 '이걸 내가 다 할 수 있을까' 싶었어요. 인프라, 서버, 시스템 전반의 이슈를 직접 해결해야 했고, 데이터 사이언티스트라는 타이틀만으로는 설명할 수 없는 영역이었습니다. 하지만 이 경험을 통해 시스템 전반을 이해할 수 있었고, 이후 다른 팀과 협업할 때도 인프라나 개발 환경을 고려한 커뮤니케이션이 가능해졌습니다.
Q. AI플랫폼그룹에서는 하나의 문제를 함께 풀어갈 때, 어떤 방식으로 역할을 정의하고 협업하시나요?
최병국: 저희는 프로젝트 초반과 이후 단계에서 협업 방식이 달라집니다. EDA는 전처리 방안, 문제 정의, 가설 수립, 분석 방향 등 전반적인 내용을 정의하는 단계거든요. 그래서 다양한 생각을 반영하고 토론하기 위해 EDA 단계에서는 구성원 모두가 자유롭게 참여하며 함께 방향을 잡아갑니다. 이후 분석 방향이 확정되면 구성원의 성향과 관심사를 기반으로 전처리, 시각화, 모델링, 보고서 작성, 에이전트 개발 등 각자의 역할을 나눠서 진행합니다.
전백준: 문제가 주어지면 먼저 각자 해당 이슈를 검토하고 해결 방법론을 조사하는 개별 시간을 가집니다. 이후 회의를 통해 조사 내용을 공유하며 큰 방향성과 세부 실행 항목을 확정합니다. 역할 분담에서는 구성원의 업무 연속성과 관심사, 강점을 종합적으로 고려하여 배분하고, 확정된 방향에 따라 본격적인 개발을 진행합니다.
Q. 많은 분들이 데이터 사이언티스트를 '모델 개발 중심 역할'로 생각하는데요. 두 분이 정의하는 데이터 사이언티스트의 역할은 무엇이라고 보시나요?
최병국/전백준: 저희는 데이터 사이언티스트를 비즈니스 문제 해결사라고 정의합니다. 흔히 모델링 중심의 역할로 생각되지만, 저희에게 모델은 문제 해결을 위한 여러 수단 중 하나일 뿐입니다. 중요한 건 데이터를 기반으로 문제를 정의하고 이를 해결하는 일입니다. 보이지 않던 비효율을 발견하거나, 고객이 인지하지 못한 문제의 단서를 찾아내는 일도 여기에 포함됩니다. 해결 방식 역시 데이터 분석, 시각화, 예측 모델 개발 등 상황에 따라 유연하게 달라집니다.
Q. 두 분이 일하시며 느낀 우리 그룹만의 차별화된 강점은 무엇이라고 생각하시나요?
최병국/전백준: 저희 조직의 핵심은 아이디어를 현장에 빠르게 적용하고 검증하는 실험 문화에 있습니다. 이론과 실제 지표 사이의 격차를 줄이기 위해 다양한 방법론을 테스트하고, 스크럼 형태로 자주 공유하며 방향성을 조정합니다. 중요한 건 단순히 결과를 공유하는 것이 아니라, 자신의 생각을 얼마나 명확하게 전달하느냐예요. 실패한 실험 역시 중요한 자산으로 보기 때문에, 팀 내에서 자유롭게 공유하며 다음 방향 설정에 활용합니다. 이러한 강점을 바탕으로 고객의 페인포인트를 정확히 짚어내고, 실질적인 가치로 연결하는 것이 저희 그룹의 가장 큰 차별점이라고 생각합니다.
4. 프로젝트를 거치며 넓어진 시야와 책임
Q. 다양한 프로젝트를 경험하시며, 데이터 사이언티스트로서 바라보는 시야나 책임 범위가 어떻게 확장되었다고 느끼시나요?
최병국: 가장 크게 확장된 부분은 비즈니스 문제를 바라보는 다각적인 시각입니다. 이전에는 데이터의 패턴을 찾고 모델 성능을 높이는 데 집중했다면, 이제는 분석 결과가 실제 비즈니스 환경에서 어떻게 작동할지 전체적인 흐름을 먼저 고려하게 되었습니다. 단순히 기술적인 분석을 넘어, 현장의 실질적인 문제를 해결하고 명확한 가치를 만들어내는 방향으로 책임 범위가 넓어졌습니다.
전백준: 기획 단계부터 새로운 기술 습득까지, 프로젝트 전반을 폭넓게 경험하면서 시야와 책임 범위가 자연스럽게 확장되었습니다. 업무 방식에서도 변화가 있었는데, 이전에는 직관적으로 판단하고 빠르게 실행하는 데 집중했다면, 지금은 생각을 정리하고 상대방이 이해하기 쉽게 전달하는 커뮤니케이션 역량을 더 중요하게 보고 있습니다.
5. 데이터의 가치를 함께 만들어갈 동료에게
Q. 마지막으로, 합류를 고민하고 계신 분들에게 한 말씀 부탁드립니다.
최병국: 저희가 마주하는 현장의 문제들은 늘 새로운 도메인 지식과 기술적 시도를 요구합니다. 낯선 분야에도 두려움 없이 도전하고, 복잡한 문제 해결 과정을 팀원들과 투명하게 나눌 수 있는 분이라면 함께 큰 시너지를 만들어갈 수 있을 거라 생각합니다.
전백준: 프로젝트마다 도메인이 다르고 고객사별 환경도 매번 상이하다 보니, 치열하게 실험해야 하는 순간이 정말 많습니다. 하지만 문제의 본질을 파고들어 진짜 해답을 찾아냈을 때 오는 보람은 그 어떤 것과도 비교할 수 없습니다. 정해진 틀에 갇히기보다 주도적으로 업무 범위를 넓혀가고 싶은 분들이라면, 주저 말고 합류해 주셨으면 좋겠습니다.
📢 엑셈 AI지식분석팀에서 함께 성장할 Data Scientist 를 찾습니다
동료가 된다면 이런 경험을 함께 할 수 있어요
- 고객의 비즈니스 데이터를 분석하여 문제를 정의하고 예측 모델을 설계합니다.
- 분석 시나리오 기획부터 모델 배포, 운영까지 End-to-End 프로젝트를 경험합니다.
- 공공·민간 등 다양한 도메인의 빅데이터 분석 프로젝트에 참여합니다.
- 온톨로지, 딥러닝, 머신러닝 등 최신 기술을 현장에 직접 적용합니다.
함께 보면 좋은 아티클
