데이터 사이언티스트 모의 면접 진행 방법

데이터 사이언티스트의 면접 프로세스는 애널리스트 직무보다 회사마다 차이가 훨씬 크다. 가능한 모든 경우에 대비하려 하면, 온사이트 면접에 도달하기도 전에 지쳐버리기 쉽다. 이번 섹션에서는 대부분의 프로세스를 아우르는 네 가지 라운드로 범위를 좁혀서, 모의 면접 시간을 실제 비중에 맞춘다.

네 가지 라운드는 다음과 같다. 통계와 머신러닝에 관한 대화, 실험 또는 지표 케이스, SQL을 중심으로 하고 종종 Python도 곁들이는 코딩 라운드, 그리고 자신이 직접 맡았던 프로젝트 하나를 깊이 파고드는 라운드다. 프로덕트 분석 비중이 큰 직무는 케이스 라운드의 비중이 높고, 머신러닝 비중이 큰 직무는 모델링 질문의 비중이 높으며 때로는 머신러닝 시스템 설계 대화가 포함되기도 한다. 채용 공고를 읽고 같은 비중으로 모의 면접을 구성하자.

준비 초반에는 라운드를 따로따로 연습하고, 면접 일주일 전부터는 하나의 전체 프로세스로 이어서 진행한다. 모의 면접 페이지에서는 꼬리 질문을 던지는 AI 면접관과 함께 시간을 재며 세션을 진행하는 방법을 다룬다.

여기서 흔한 실패 원인은 지식이 부족해서가 아니라, 지켜보는 시선 앞에서 이미 아는 내용을 제대로 설명하지 못하기 때문이다. 표준적인 질문 세트를 소리 내어, 두 가지 깊이로 연습하자. 하나는 프로덕트 매니저도 이해할 수 있는 쉬운 한 문장, 다른 하나는 전제를 명시한 기술적인 버전이다.

• p값이란 무엇이고 무엇이 아닌지, 그리고 검정력이 무엇을 가능하게 하는지.
• 편향과 분산의 관계, 그리고 정규화가 둘 사이를 어떻게 조정하는지.
• 정밀도가 재현율보다 중요한 경우는 언제인지, 구체적인 사례와 함께.
• 오프라인 평가 점수가 좋은 모델이 실제 운영 환경에서는 왜 실패할 수 있는지.
• 과적합: 어떻게 탐지하며, 발견했을 때 무엇을 바꾸는지.

이 두 가지 깊이 연습이 중요한 이유는, 실제 면접관이 같은 질문을 두 가지 방식으로 모두 묻기 때문이다. 「쉬운 설명」과 「기술적 설명」 사이를 매끄럽게 오갈 수 있는 것이야말로 시니어다움으로 읽힌다.

케이스 라운드에서는 제품 변경 사항이 주어지고, 그에 맞는 테스트를 설계해야 한다. 정해진 뼈대를 따라 연습하자. 성공 지표와 그 분모를 정하고, 무작위 배정 단위를 선택하고, 가드레일 지표를 명시하고, 검정력을 염두에 두고 대략적인 표본 크기를 산정하고, 데이터가 나오기 전에 의사결정 규칙을 먼저 말해야 한다. 그다음에는 전형적인 함정들, 즉 이른 시점의 데이터 엿보기, 무작위 배정 단위 불일치, 노벨티 효과, 그리고 실험군 간의 간섭도 짚어준다.

구체적인 연습 예시를 보자. 마켓플레이스 직무를 준비하는 한 데이터 사이언티스트가 새로운 랭킹 알고리즘을 출시해야 할지에 대해 스스로 15분을 주고, 뼈대를 소리 내어 짚어본 뒤 마지막으로 한 가지를 확인한다. 바로 자신이 고른 무작위 배정 단위가 구매자와 판매자의 상호작용에도 버텨내는지다. 이 한 가지 확인이 바로 마켓플레이스 케이스의 성패를 가르는 지점이며, 연습을 통해 이것이 자연스럽게 몸에 밴다.

더 많은 케이스 문제와 직무별 질문 모음은 질문 은행 허브에서 확인할 수 있다.

기록해 두지 않은 피드백은 하루 만에 흐릿해진다. 매 세션이 끝날 때마다 세 줄을 적는다. 잘 됐던 점, 막혔던 점, 그리고 다음에 다시 도전할 질문 하나다. 다음 세션은 그 질문에서 시작한다. 대여섯 번의 세션을 거치면 이것이 자신의 실제 약점으로 수렴해 가는데, 이것이야말로 그냥 책으로 읽는 것이 아니라 모의 면접을 하는 이유 전부다.

프로젝트 딥다이브를 위해서는 프로젝트 하나를 세 가지 깊이로 연습한다. 2분짜리 요약, 10분짜리 설명, 그리고 모든 선택에 반박이 들어오는 30분짜리 집중 추궁이다. 면접관은 당신이 실제로 책임진 범위의 경계를 찾아낼 때까지 파고든다. 그 경계가 어디인지 미리 알아두면 이 라운드를 훨씬 차분하게 치를 수 있다. 전체 세션과 자동 생성되는 피드백이 어떤 모습인지는 모의 면접 허브에서 다룬다.