McKinsey & Company 데이터 과학자 면접 가이드

대부분의 고객 대면 직무에서 McKinsey & Company는 개인 경험 면접에 이어 문제 해결 면접을 진행한다고 설명하며, 이를 사례 면접이라고 부르기도 합니다. 모든 지원자는 최소 한 번의 개별 면접을 치릅니다. 직무에 따라 전문성 면접에는 코딩 과제, 문제 해결 과제 또는 기타 직무별 실습이 포함될 수 있습니다.

Solve는 타고난 문제 해결 능력을 평가하는 게임형 평가입니다. McKinsey & Company는 지원자가 이를 별도로 준비할 필요가 없다고 안내합니다.

준비 계획을 세울 때는 스크리닝, 과제 전형, 코딩, 사례, 행동 및 현장 면접을 McKinsey & Company의 공식 전형 명칭이 아닌 준비 범주로 다루세요. 그러면 고정된 순서를 가정하지 않으면서 폭넓게 학습할 수 있습니다.

개인 경험 면접을 위해 McKinsey & Company는 성과와 도전을 아우르는 두 가지 사례를 준비할 것을 제안합니다. 면접관이 근거를 쉽게 따라갈 수 있도록 각 사례에서 상황, 본인의 결정, 기여한 바와 달라진 결과를 제시하세요.

문제 해결 면접 또는 사례 면접에서는 분석적 사고와 복잡한 비즈니스 문제에 접근하는 방식을 평가합니다. Solve는 타고난 문제 해결 능력에 중점을 둡니다. 일반적인 데이터 과학자 면접의 기술 평가에서는 통계와 실험, SQL과 코딩, 모델링 판단력, 비전문가에게 결과를 설명하는 능력을 다룰 수 있습니다.

일반적인 컨설팅 면접 준비와 비교하면 데이터 과학자 준비에는 데이터 업무에 관한 깊이가 더해집니다. 즉, 지표 정의, 가정 검토, 명확한 SQL 또는 코드 작성, 적절한 모델 선택과 불확실성 설명이 포함됩니다. 이는 일반적인 준비 우선순위이며 McKinsey & Company가 공개한 평가 기준은 아닙니다.

일반적인 사례 연습에서는 복잡한 비즈니스 문제를 바탕으로 논리를 전개하지만, 기술 과제에서는 코드를 직접 다루도록 요구할 수 있습니다. 두 가지를 연결하는 연습을 하세요. 방법의 작동 방식만이 아니라 분석이 의사결정을 어떻게 바꾸는지 설명해야 합니다.

McKinsey & Company는 전형에 걸리는 기간을 공개하지 않습니다. 어려움은 평가 범위의 폭에서 비롯됩니다. 개인적 경험의 근거, 구조화된 사례 추론, 자연스러운 문제 해결과 직무별 기술 과제 가능성에는 서로 다른 사고방식이 필요합니다.

후속 질문을 받으면서도 자신의 논리를 설명할 수 있는지, 흐름을 놓치지 않고 잘못된 가정을 수정할 수 있는지, 기술적 선택을 비즈니스 결과로 연결할 수 있는지를 기준으로 준비 상태를 판단하세요. 어려움은 생소한 문법보다 타당한 선택을 내리고 이를 명확히 전달하는 데서 더 크게 발생합니다.

각 평가에서 확인하려는 근거를 중심으로 준비하세요.

• 개인 경험: McKinsey & Company가 제안하는 대로 성과와 도전을 아우르는 두 가지 사례를 준비하세요. 본인의 행동과 배운 점을 명확히 밝히세요.
• 사례 추론: 목표를 명확히 하고, 문제를 구조화하며, 근거를 토대로 아이디어를 검증하고, 의사결정으로 마무리하는 연습을 하세요.
• 통계와 실험: 가설, 지표, 편향, 불확실성, 실험 설계와 해석을 연습하세요.
• SQL과 코딩: 읽기 쉬운 해결책을 작성하고, 경계 사례를 테스트하며, 관련이 있을 때만 복잡도를 언급하고, 장단점을 설명하세요.
• 모델링 판단력: 기준 모델, 특성, 검증 방법, 실패 양상과 오류 비용을 비교하세요.
• 커뮤니케이션: 기술적 세부 사항보다 이해하기 쉬운 결론을 먼저 제시하고 결과를 의사결정과 연결하세요.

모의 면접을 활용해 후속 질문을 받는 상황에서 사례, 기술 및 커뮤니케이션 연습을 결합하세요. McKinsey & Company가 별도의 준비가 필요 없다고 안내하므로 Solve는 따로 다루세요.