직무 카드 · IT·플랫폼 · 핀테크·금융 · 커머스·물류 · 게임 · 제조 · AI 스타트업 · 2026-10-22 정리

데이터·AI (데이터 분석가·데이터 엔지니어·ML/AI 엔지니어) 합격 서류 패턴

여러 회사·업종의 공개 합격 후기, 현직자 조언, 직무 소개에서 반복해서 나온 기준을 요약했어요. 원문은 싣지 않고 출처만 남겨요.

내 서류를 이 패턴과 비교하기

이 직무 서류에서 반복해서 요구되는 것

포트폴리오를 도구 목록이 아니라 '문제 정의 → 데이터 → 분석 방법 → 인사이트 → 실행 제안' 흐름으로 쓰고, 각 분석마다 '왜 이 분석인지'를 먼저 쓴다. 자주 보임
포트폴리오 첨삭자·교육기관 칼럼·현직자 답변이 공통으로 '기법을 썼다는 사실'이 아니라 '왜 했고 어떻게 해석했고 어떤 결정으로 이었는지'를 평가 기준으로 든다. AI 도구로 코드·그래프를 누구나 만들게 되면서 이 기준이 더 강해졌다고 본다.
보여 주는 법 프로젝트마다 첫 장에 '어떤 결정을 돕기 위한 분석인가'를 한 문장으로 쓴다. 이어서 데이터 출처·전처리, 분석 방법 2~3개(선택 이유 포함), 핵심 인사이트, 실행 제안과 예상 효과 순으로 배치한다. 모델링 과정 나열은 줄이고 가설→검증→결론의 논리 흐름이 끊기지 않게 한다.
[d1][d2][d5][d6][d12][d4]
결과 수치(정확도 87% 등)만 던지지 않고 그 수치의 의미와 의사결정 연결, 그리고 검증 설계(A/B 테스트·과거 데이터 시뮬레이션·한계와 보완)를 붙인다. 자주 보임
신입 분석가 서류 반복 탈락 상담에서 '제언에서 끝나고 비즈니스 연결고리·검증 프로세스가 없다'는 점이 가장 큰 원인으로 지목됐다. 교육기관 칼럼도 모델 성능 수치 나열형 포트폴리오를 탈락 유형으로 꼽는다.
보여 주는 법 각 제안 뒤에 ① 이 제안을 실행하면 어떤 지표가 어떻게 움직일 것으로 보는지, ② 어떻게 검증할지(A/B 설계, 기간, 샘플), ③ 부작용·한계와 보완 계획을 3줄로 붙인다. 실제 실행 수치가 없어도 이 구조만으로 설득력이 생긴다.
[d6][d12][d1][d5]
SQL 실전 역량을 전면에 둔다: 복잡한 조건의 쿼리(JOIN·서브쿼리·CTE·윈도우 함수) 경험을 명시하고, 채용 SQL 테스트를 대비한다. 자주 보임
현직자 답변들은 신입 분석가 업무의 큰 부분이 데이터 추출과 시각화라는 이유로 SQL을 최우선으로 꼽고, 분석가 출신 발표는 많은 회사가 과제형·온라인·손코딩 등 다양한 형태의 SQL 테스트를 둔다고 전한다. 데이터 엔지니어링 로드맵도 SQL을 필수 언어로 본다.
보여 주는 법 이력서 기술 항목에 'SQL(윈도우 함수·CTE로 리텐션/퍼널 집계)'처럼 무엇을 계산했는지 붙인다. 포트폴리오에 실제 쿼리 1~2개와 결과 표를 넣는다. 매출 이동 평균, 날짜·문자열 함수, 코호트 집계 같은 실무형 문제를 문제 사이트로 연습한다.
[d5][d6][d15][d10]
프로젝트는 2~3개만 깊게, 흔한 데이터셋·주제(타이타닉, 고객 이탈 예측 템플릿)를 피하거나 문제 정의와 지원 산업 도메인으로 차별화한다. 자주 보임
지원자들이 같은 강의·데이터셋을 써서 포트폴리오가 비슷해졌다는 것이 여러 칼럼의 공통 진단이다. 현직자 답변은 '제대로 만든 2~3개'를 권하고, 산업별 채용 비교 글은 공통 스택보다 도메인 지식이 변별 요인이라고 본다.
보여 주는 법 지원 산업의 실제 문제(커머스면 리텐션·퍼널·코호트, 제조면 불량·수요 예측, 금융이면 신용·이상거래)를 주제로 잡고 공개 데이터·공공 API·대회 데이터를 쓴다. 흔한 주제를 쓰더라도 첫 장의 문제 정의와 마지막 장의 실행 제안을 그 산업 언어로 쓴다. 완성도 낮은 프로젝트는 과감히 뺀다.
[d5][d13][d12][d1][d11][d4]
본인 기여 범위(문제 정의·전처리·분석·시각화·배포 중 무엇을 주도했는지)를 명확히 하고, 프로젝트당 2페이지 안팎으로 표·그래프 중심으로 압축한다.
서류 탈락 상담에서 기여도 불명확이 원인으로 지목됐고, 포트폴리오 구성 Q&A의 현직자들은 프로젝트당 2페이지가 적당하며 글이 많으면 가독성이 떨어진다고 답했다. 합격한 AI 개발자 후기도 핵심 3개 프로젝트만 메인에 두고 개조식·수치화로 바꾼 뒤 반응이 좋아졌다고 썼다.
보여 주는 법 프로젝트 머리에 '역할: 문제 정의·SQL 추출·대시보드 설계(팀 4명 중)'처럼 한 줄로 쓴다. 1페이지는 문제·데이터·방법, 2페이지는 결과·제안·회고로 나누고 핵심은 개조식, 부연은 서술형으로 쓴다. 직무 관련성이 높은 프로젝트를 앞에 둔다.
[d6][d7][d14]
데이터 엔지니어·ML 엔지니어 지원은 '수집 → 전처리 → 모델링/적재 → 배포·서빙 → 모니터링'을 끝까지 돌린 프로젝트를 하나 갖춘다(클라우드, Airflow/Spark, 품질 검증 포함). 자주 보임
Spark·Airflow 없이 부트캠프 파이프라인만 낸 지원자가 서류에서 계속 떨어진 상담에서 클라우드 기반 파이프라인 구축이 권해졌고, AI 직무 멘토 답변은 모델 구현보다 실제 데이터로 배포까지 보여주는 2~3개 프로젝트를 권한다. 데이터 엔지니어링 로드맵은 프로덕션 환경에서 도는 파이프라인과 데이터 품질 검증을 포트폴리오 요건으로 든다. 신입에게 대용량 운영 경험까지 기대하지는 않지만 CI/CD·대용량 처리 도구 경험은 권장된다. 쿠팡 테크 캠퍼스처럼 ML/DL·데이터 엔지니어 신입도 서류 뒤 온라인 코딩테스트와 라이브 코딩을 거치므로 구현력이 전제된다.
보여 주는 법 무료 한도의 클라우드(AWS 등)로 수집→적재→변환→대시보드까지 한 파이프라인을 만들고 아키텍처 다이어그램 한 장을 넣는다. 데이터 품질 검증(중복·NULL·건수 체크)과 스케줄링을 넣는다. ML은 데이터셋 구축→학습→간단한 API 서빙까지 하고 추론 지연·정확도 전후를 적는다. 사용 프레임워크 이름(PyTorch, Spark, Airflow 등)은 뭉뚱그리지 않고 정확히 쓴다.
[d9][d13][d10][d8][d14][d18][d17]
GitHub·Notion·블로그에 프로젝트 문서와 학습 기록(논문 구현, 월 1회 글)을 꾸준히 남겨 링크로 제출한다.
현직자 답변은 최신 논문을 읽고 구현한 내용을 블로그에 정리하면 기술 흐름을 따라가는 능력으로 평가된다고 했고, AI 기업 블로그는 GitHub 활동과 정기 커밋을 중요하게 본다고 밝힌다. 멘토 답변도 GitHub 정리와 프로젝트 설명 문서를 요구한다.
보여 주는 법 저장소마다 README에 문제·데이터·방법·결과·실행 방법을 쓰고, 노트북만 올리지 말고 스크립트·구조로 정리한다. 블로그에는 '문제점→해결책→핵심 아이디어→내 가설'로 정리한 논문·기술 글을 올린다. 이력서 상단에 링크와 '무엇을 보면 되는지' 한 줄을 붙인다.
[d8][d13][d14][d18][d10][d19]
자격증(ADsP·SQLD 등)은 기본 필터 수준으로만 갖추고, 변별은 '분석으로 무엇을 검증해 어떤 의사결정을 제안했는지' 설명 가능한 경험으로 만든다.
현직자 답변들은 자격증을 여러 개 추가해도 합격률이 크게 오르지 않고 학점도 일정 수준을 넘으면 변별력이 떨어진다고 보며, 칼럼도 자격증·강의를 더 쌓기보다 기존 결과물을 증명하는 것이 우선이라고 한다. 인턴 경험은 자격증보다 높은 수준의 근거로 평가된다.
보여 주는 법 자격증은 이력서 하단에 한 줄로만 둔다. 상단은 프로젝트·인턴·공모전에서 '지표를 설계하고 해석한 경험'으로 채운다. 비전공자는 이전 업무(마케팅·영업·기획)에서 다룬 데이터와 성과를 분석 관점으로 재해석해 넣는다.
[d5][d6][d2]

핵심 역량

문제 정의와 해석력 — 어떤 분석 기법을 썼는지가 아니라 왜 그 분석을 했고 결과를 어떻게 해석해 어떤 결정으로 이었는지가 서류에서 보이는 것 [d1][d2][d5][d6]
SQL·Python 실전 역량 — JOIN·서브쿼리·CTE·윈도우 함수까지 쓰는 SQL과 pandas 전처리·시각화. 분석가 채용은 SQL 테스트가 흔함 [d5][d6][d15][d10]
비즈니스 연결과 실험 설계 — 분석이 의사결정·액션으로 이어지고, 제안의 검증 방법(A/B 테스트·시뮬레이션·한계)까지 설계하는 것 [d6][d12][d5][d9]
파이프라인·배포(엔지니어·ML) — 수집→전처리→모델링→배포(서빙)까지 end-to-end로 끝내고, 클라우드·오케스트레이션·품질 검증을 다뤄본 경험 [d10][d9][d13][d8]
도메인 이해 — 같은 스택이라도 금융(신용·FDS)·커머스(수요·추천)·게임(이탈)·제조(불량) 등 지원 산업의 문제로 프로젝트를 프레이밍하는 것 [d11][d4][d5]
꾸준한 학습·기록 — GitHub·Notion·블로그에 프로젝트와 논문 구현을 정리해 기술 흐름을 따라가는 능력을 보여주는 것 [d8][d10][d14][d18]

자주 떨어지는 이유

도구 나열형 포트폴리오(SQL·Python·Tableau 목록)와 남들과 같은 주제(이탈 예측·매출 대시보드 템플릿) — 학습 경로가 많아져 비슷한 이력서가 급증했고, 도구 사용 여부는 더 이상 변별이 안 된다는 것이 여러 칼럼의 공통 진단이다.
분석이 제언에서 끝나고 검증 방법·비즈니스 효과·액션 플랜이 없음 — 신입 분석가 서류 반복 탈락 상담에서 가장 큰 원인으로 지목됐다. 실제 실행 수치가 없어도 검증 설계와 예상 효과가 있으면 보완된다.
캐글 튜토리얼 따라하기 수준이거나 미완성 프로젝트를 여러 개 나열함 — 멘토 답변은 완성도 높은 1~2개가 미완성 다수보다 낫다고 보고, AI 기업 블로그도 처음부터 끝까지 직접 구현한 소규모 완성작을 우선한다.
목표 직무(모델 연구·개발 vs 데이터·서비스 구현)를 구분하지 않고 대형 테크 AI 직무에 경험 없이 지원함 — 대형 테크 AI 직무는 프로젝트·인턴 경험이 사실상 필수에 가깝고 연구 직무는 학위·논문까지 보는 반면, 중소·스타트업이나 데이터 엔지니어·MLOps는 학부 포트폴리오로도 가능하다는 것이 멘토들의 공통 조언이다.
'한 게 없다'며 서술을 포기하거나, 본인에게 당연한 맥락을 독자에게 설명하지 않음 — 첨삭 경험상 성과가 없어서가 아니라 정리·표현을 못해서 생기는 문제이며, 처음 보는 독자 기준으로 쓰지 않으면 다음 단계로 못 넘어간다.

자주 나오는 문항과 쓰는 법

대표 프로젝트 경험(사용 기술·업무 내용 또는 트러블슈팅·담당 역할) — 데이터 엔지니어 문항은 기술·업무 내용·역할을 요구한다. 파이프라인 구조, 다룬 데이터 규모, 장애·품질 이슈를 어떻게 처리했는지를 역할 단위로 분리해 쓴다. [d16][d10]
데이터로 문제를 해결하거나 의사결정에 기여한 경험 — 문제 정의→가설→분석→제안→(검증 설계) 순으로 쓰고, 분석 결과가 어떤 판단으로 이어졌는지(또는 이어질지)를 반드시 넣는다. [d6][d12][d5]
지원 직무·산업을 택한 이유와 도메인 관심 — 같은 데이터 직무라도 산업별로 푸는 문제가 다르다. 지원 산업의 대표 문제(수요 예측, 이상거래, 이탈 등) 하나를 본인 프로젝트와 연결해 쓴다. [d11][d4]
기술 역량과 학습 과정 — SQL·Python을 어떤 수준까지 썼는지 구체 작업으로 쓰고, 분산 처리·오케스트레이션·클라우드는 직접 해본 범위만 적는다. 논문 구현·기술 블로그 같은 지속 학습 근거를 붙인다. [d10][d8][d9]

서류에 넣으면 좋은 증거

문제 정의부터 실행 제안까지 한 흐름으로 정리된 분석 프로젝트 2~3개(프로젝트당 2페이지)
실제 작성한 SQL 쿼리(윈도우 함수·CTE)와 리텐션·퍼널·코호트 등 직접 설계한 지표
A/B 테스트 설계안 또는 과거 데이터 시뮬레이션으로 제안을 검증한 기록
클라우드 기반 수집→적재→변환→대시보드 파이프라인과 아키텍처 다이어그램, 데이터 품질 검증 로직
모델 학습→서빙까지 한 ML 프로젝트의 정확도·추론 지연 전후 수치
README가 갖춰진 GitHub 저장소, Notion 포트폴리오, 논문 구현·기술 블로그 글
데이콘·캐글 등 대회 참여 기록과 순위, 공모전 수상(주최·규모 명시)
인턴·학회에서 이해관계자 요구에 맞춰 분석한 경험
ADsP·SQLD·빅데이터분석기사 등 기본 자격(필터 통과용)

출처

[d1] 브런치(Maven): 2026년 데이터 분석 취업 시장에서 포트폴리오란? · 2026-10-22 확인
[d2] 브런치(Maven): 더 어려워진 데이터 분석 취업 시장 · 2026-10-22 확인
[d3] 브런치(Maven): 데이터 분석 포트폴리오를 작성하면서 하는 흔한 착각 · 2026-10-22 확인
[d4] 패스트캠퍼스 미디어: 데이터 분석 포트폴리오, 합격 여부는 이것에 달렸다 · 2026-10-22 확인
[d5] 코멘토 Q&A: 데이터분석 신입이 준비해야 할 것(SQL 수준·포트폴리오 주제) · 2026-10-22 확인
[d6] 코멘토 Q&A: 데이터 분석가 신입 서류전형 반복 탈락 원인과 조언 · 2026-10-22 확인
[d7] 코멘토 Q&A: 데이터분석가 포트폴리오 내용·구성(분량·순서) · 2026-10-22 확인
[d8] 코멘토 Q&A: 비전공 데이터 엔지니어 취준생 포트폴리오·서류 탈락 상담 · 2026-10-22 확인
[d9] 인프런 커뮤니티 Q&A: 데이터 엔지니어 신입 가능성과 기대 역량 · 2026-10-22 확인
[d10] GeekNews: 2024 데이터 엔지니어링 진입 로드맵(요약) · 2026-10-22 확인
[d11] 브런치(스파르타클럽): 데이터 사이언티스트 취업, 산업별 채용 비교 · 2026-10-22 확인
[d12] 브런치(스파르타클럽): 데이터 사이언티스트 취업 성공 전략 3가지 · 2026-10-22 확인
[d13] 링커리어 멘토링: 컴공 4학년, AI 직무 신입 지원 현실성과 포트폴리오 · 2026-10-22 확인
[d14] velog: 고졸 AI 개발자 이력서·포트폴리오 뿌셔보기(합격 경험 회고) · 2026-10-22 확인
[d15] 데이터리안 발표: SQL 코딩테스트, 데이터 분석가 3명은 이렇게 봤습니다 · 2026-10-22 확인
[d16] 하이잡: 우아한형제들 2024 채용 자소서 문항 정리(데이터엔지니어 문항 포함) · 2026-10-22 확인
[d17] 아이뉴스24: 쿠팡 테크 캠퍼스 리크루팅(ML/DL·데이터 엔지니어 모집, 코딩테스트) · 2026-10-22 확인
[d18] 알체라 블로그: 개발자 포트폴리오에서 보는 것(GitHub 활동·ML 프로젝트·README) · 2026-10-22 확인
[d19] 인프런 Q&A: 데이터 엔지니어/리서처 역량, 캐글 vs 논문 구현 · 2026-10-22 확인

특정 회사와 제휴하지 않은 독립 서비스가 공개 자료를 요약한 참고 정보예요. 실제 합격을 보장하지 않아요. 잘못된 내용은 문의로 알려 주세요.

이 직무 서류에서 반복해서 요구되는 것

포트폴리오를 도구 목록이 아니라 '문제 정의 → 데이터 → 분석 방법 → 인사이트 → 실행 제안' 흐름으로 쓰고, 각 분석마다 '왜 이 분석인지'를 먼저 쓴다. 자주 보임

포트폴리오 첨삭자·교육기관 칼럼·현직자 답변이 공통으로 '기법을 썼다는 사실'이 아니라 '왜 했고 어떻게 해석했고 어떤 결정으로 이었는지'를 평가 기준으로 든다. AI 도구로 코드·그래프를 누구나 만들게 되면서 이 기준이 더 강해졌다고 본다.

보여 주는 법 프로젝트마다 첫 장에 '어떤 결정을 돕기 위한 분석인가'를 한 문장으로 쓴다. 이어서 데이터 출처·전처리, 분석 방법 2~3개(선택 이유 포함), 핵심 인사이트, 실행 제안과 예상 효과 순으로 배치한다. 모델링 과정 나열은 줄이고 가설→검증→결론의 논리 흐름이 끊기지 않게 한다.

[d1][d2][d5][d6][d12][d4]

결과 수치(정확도 87% 등)만 던지지 않고 그 수치의 의미와 의사결정 연결, 그리고 검증 설계(A/B 테스트·과거 데이터 시뮬레이션·한계와 보완)를 붙인다. 자주 보임

신입 분석가 서류 반복 탈락 상담에서 '제언에서 끝나고 비즈니스 연결고리·검증 프로세스가 없다'는 점이 가장 큰 원인으로 지목됐다. 교육기관 칼럼도 모델 성능 수치 나열형 포트폴리오를 탈락 유형으로 꼽는다.

보여 주는 법 각 제안 뒤에 ① 이 제안을 실행하면 어떤 지표가 어떻게 움직일 것으로 보는지, ② 어떻게 검증할지(A/B 설계, 기간, 샘플), ③ 부작용·한계와 보완 계획을 3줄로 붙인다. 실제 실행 수치가 없어도 이 구조만으로 설득력이 생긴다.

[d6][d12][d1][d5]

SQL 실전 역량을 전면에 둔다: 복잡한 조건의 쿼리(JOIN·서브쿼리·CTE·윈도우 함수) 경험을 명시하고, 채용 SQL 테스트를 대비한다. 자주 보임

현직자 답변들은 신입 분석가 업무의 큰 부분이 데이터 추출과 시각화라는 이유로 SQL을 최우선으로 꼽고, 분석가 출신 발표는 많은 회사가 과제형·온라인·손코딩 등 다양한 형태의 SQL 테스트를 둔다고 전한다. 데이터 엔지니어링 로드맵도 SQL을 필수 언어로 본다.

보여 주는 법 이력서 기술 항목에 'SQL(윈도우 함수·CTE로 리텐션/퍼널 집계)'처럼 무엇을 계산했는지 붙인다. 포트폴리오에 실제 쿼리 1~2개와 결과 표를 넣는다. 매출 이동 평균, 날짜·문자열 함수, 코호트 집계 같은 실무형 문제를 문제 사이트로 연습한다.

[d5][d6][d15][d10]

프로젝트는 2~3개만 깊게, 흔한 데이터셋·주제(타이타닉, 고객 이탈 예측 템플릿)를 피하거나 문제 정의와 지원 산업 도메인으로 차별화한다. 자주 보임

지원자들이 같은 강의·데이터셋을 써서 포트폴리오가 비슷해졌다는 것이 여러 칼럼의 공통 진단이다. 현직자 답변은 '제대로 만든 2~3개'를 권하고, 산업별 채용 비교 글은 공통 스택보다 도메인 지식이 변별 요인이라고 본다.

보여 주는 법 지원 산업의 실제 문제(커머스면 리텐션·퍼널·코호트, 제조면 불량·수요 예측, 금융이면 신용·이상거래)를 주제로 잡고 공개 데이터·공공 API·대회 데이터를 쓴다. 흔한 주제를 쓰더라도 첫 장의 문제 정의와 마지막 장의 실행 제안을 그 산업 언어로 쓴다. 완성도 낮은 프로젝트는 과감히 뺀다.

[d5][d13][d12][d1][d11][d4]

본인 기여 범위(문제 정의·전처리·분석·시각화·배포 중 무엇을 주도했는지)를 명확히 하고, 프로젝트당 2페이지 안팎으로 표·그래프 중심으로 압축한다.

서류 탈락 상담에서 기여도 불명확이 원인으로 지목됐고, 포트폴리오 구성 Q&A의 현직자들은 프로젝트당 2페이지가 적당하며 글이 많으면 가독성이 떨어진다고 답했다. 합격한 AI 개발자 후기도 핵심 3개 프로젝트만 메인에 두고 개조식·수치화로 바꾼 뒤 반응이 좋아졌다고 썼다.

보여 주는 법 프로젝트 머리에 '역할: 문제 정의·SQL 추출·대시보드 설계(팀 4명 중)'처럼 한 줄로 쓴다. 1페이지는 문제·데이터·방법, 2페이지는 결과·제안·회고로 나누고 핵심은 개조식, 부연은 서술형으로 쓴다. 직무 관련성이 높은 프로젝트를 앞에 둔다.

[d6][d7][d14]

데이터 엔지니어·ML 엔지니어 지원은 '수집 → 전처리 → 모델링/적재 → 배포·서빙 → 모니터링'을 끝까지 돌린 프로젝트를 하나 갖춘다(클라우드, Airflow/Spark, 품질 검증 포함). 자주 보임

Spark·Airflow 없이 부트캠프 파이프라인만 낸 지원자가 서류에서 계속 떨어진 상담에서 클라우드 기반 파이프라인 구축이 권해졌고, AI 직무 멘토 답변은 모델 구현보다 실제 데이터로 배포까지 보여주는 2~3개 프로젝트를 권한다. 데이터 엔지니어링 로드맵은 프로덕션 환경에서 도는 파이프라인과 데이터 품질 검증을 포트폴리오 요건으로 든다. 신입에게 대용량 운영 경험까지 기대하지는 않지만 CI/CD·대용량 처리 도구 경험은 권장된다. 쿠팡 테크 캠퍼스처럼 ML/DL·데이터 엔지니어 신입도 서류 뒤 온라인 코딩테스트와 라이브 코딩을 거치므로 구현력이 전제된다.

보여 주는 법 무료 한도의 클라우드(AWS 등)로 수집→적재→변환→대시보드까지 한 파이프라인을 만들고 아키텍처 다이어그램 한 장을 넣는다. 데이터 품질 검증(중복·NULL·건수 체크)과 스케줄링을 넣는다. ML은 데이터셋 구축→학습→간단한 API 서빙까지 하고 추론 지연·정확도 전후를 적는다. 사용 프레임워크 이름(PyTorch, Spark, Airflow 등)은 뭉뚱그리지 않고 정확히 쓴다.

[d9][d13][d10][d8][d14][d18][d17]

GitHub·Notion·블로그에 프로젝트 문서와 학습 기록(논문 구현, 월 1회 글)을 꾸준히 남겨 링크로 제출한다.

현직자 답변은 최신 논문을 읽고 구현한 내용을 블로그에 정리하면 기술 흐름을 따라가는 능력으로 평가된다고 했고, AI 기업 블로그는 GitHub 활동과 정기 커밋을 중요하게 본다고 밝힌다. 멘토 답변도 GitHub 정리와 프로젝트 설명 문서를 요구한다.

보여 주는 법 저장소마다 README에 문제·데이터·방법·결과·실행 방법을 쓰고, 노트북만 올리지 말고 스크립트·구조로 정리한다. 블로그에는 '문제점→해결책→핵심 아이디어→내 가설'로 정리한 논문·기술 글을 올린다. 이력서 상단에 링크와 '무엇을 보면 되는지' 한 줄을 붙인다.

[d8][d13][d14][d18][d10][d19]

자격증(ADsP·SQLD 등)은 기본 필터 수준으로만 갖추고, 변별은 '분석으로 무엇을 검증해 어떤 의사결정을 제안했는지' 설명 가능한 경험으로 만든다.

현직자 답변들은 자격증을 여러 개 추가해도 합격률이 크게 오르지 않고 학점도 일정 수준을 넘으면 변별력이 떨어진다고 보며, 칼럼도 자격증·강의를 더 쌓기보다 기존 결과물을 증명하는 것이 우선이라고 한다. 인턴 경험은 자격증보다 높은 수준의 근거로 평가된다.

보여 주는 법 자격증은 이력서 하단에 한 줄로만 둔다. 상단은 프로젝트·인턴·공모전에서 '지표를 설계하고 해석한 경험'으로 채운다. 비전공자는 이전 업무(마케팅·영업·기획)에서 다룬 데이터와 성과를 분석 관점으로 재해석해 넣는다.

[d5][d6][d2]

핵심 역량

문제 정의와 해석력 — 어떤 분석 기법을 썼는지가 아니라 왜 그 분석을 했고 결과를 어떻게 해석해 어떤 결정으로 이었는지가 서류에서 보이는 것 [d1][d2][d5][d6]

SQL·Python 실전 역량 — JOIN·서브쿼리·CTE·윈도우 함수까지 쓰는 SQL과 pandas 전처리·시각화. 분석가 채용은 SQL 테스트가 흔함 [d5][d6][d15][d10]

비즈니스 연결과 실험 설계 — 분석이 의사결정·액션으로 이어지고, 제안의 검증 방법(A/B 테스트·시뮬레이션·한계)까지 설계하는 것 [d6][d12][d5][d9]

파이프라인·배포(엔지니어·ML) — 수집→전처리→모델링→배포(서빙)까지 end-to-end로 끝내고, 클라우드·오케스트레이션·품질 검증을 다뤄본 경험 [d10][d9][d13][d8]

도메인 이해 — 같은 스택이라도 금융(신용·FDS)·커머스(수요·추천)·게임(이탈)·제조(불량) 등 지원 산업의 문제로 프로젝트를 프레이밍하는 것 [d11][d4][d5]

꾸준한 학습·기록 — GitHub·Notion·블로그에 프로젝트와 논문 구현을 정리해 기술 흐름을 따라가는 능력을 보여주는 것 [d8][d10][d14][d18]

자주 떨어지는 이유

도구 나열형 포트폴리오(SQL·Python·Tableau 목록)와 남들과 같은 주제(이탈 예측·매출 대시보드 템플릿) — 학습 경로가 많아져 비슷한 이력서가 급증했고, 도구 사용 여부는 더 이상 변별이 안 된다는 것이 여러 칼럼의 공통 진단이다.

분석이 제언에서 끝나고 검증 방법·비즈니스 효과·액션 플랜이 없음 — 신입 분석가 서류 반복 탈락 상담에서 가장 큰 원인으로 지목됐다. 실제 실행 수치가 없어도 검증 설계와 예상 효과가 있으면 보완된다.

캐글 튜토리얼 따라하기 수준이거나 미완성 프로젝트를 여러 개 나열함 — 멘토 답변은 완성도 높은 1~2개가 미완성 다수보다 낫다고 보고, AI 기업 블로그도 처음부터 끝까지 직접 구현한 소규모 완성작을 우선한다.

목표 직무(모델 연구·개발 vs 데이터·서비스 구현)를 구분하지 않고 대형 테크 AI 직무에 경험 없이 지원함 — 대형 테크 AI 직무는 프로젝트·인턴 경험이 사실상 필수에 가깝고 연구 직무는 학위·논문까지 보는 반면, 중소·스타트업이나 데이터 엔지니어·MLOps는 학부 포트폴리오로도 가능하다는 것이 멘토들의 공통 조언이다.

'한 게 없다'며 서술을 포기하거나, 본인에게 당연한 맥락을 독자에게 설명하지 않음 — 첨삭 경험상 성과가 없어서가 아니라 정리·표현을 못해서 생기는 문제이며, 처음 보는 독자 기준으로 쓰지 않으면 다음 단계로 못 넘어간다.

자주 나오는 문항과 쓰는 법

대표 프로젝트 경험(사용 기술·업무 내용 또는 트러블슈팅·담당 역할) — 데이터 엔지니어 문항은 기술·업무 내용·역할을 요구한다. 파이프라인 구조, 다룬 데이터 규모, 장애·품질 이슈를 어떻게 처리했는지를 역할 단위로 분리해 쓴다. [d16][d10]

데이터로 문제를 해결하거나 의사결정에 기여한 경험 — 문제 정의→가설→분석→제안→(검증 설계) 순으로 쓰고, 분석 결과가 어떤 판단으로 이어졌는지(또는 이어질지)를 반드시 넣는다. [d6][d12][d5]

지원 직무·산업을 택한 이유와 도메인 관심 — 같은 데이터 직무라도 산업별로 푸는 문제가 다르다. 지원 산업의 대표 문제(수요 예측, 이상거래, 이탈 등) 하나를 본인 프로젝트와 연결해 쓴다. [d11][d4]

기술 역량과 학습 과정 — SQL·Python을 어떤 수준까지 썼는지 구체 작업으로 쓰고, 분산 처리·오케스트레이션·클라우드는 직접 해본 범위만 적는다. 논문 구현·기술 블로그 같은 지속 학습 근거를 붙인다. [d10][d8][d9]

서류에 넣으면 좋은 증거

문제 정의부터 실행 제안까지 한 흐름으로 정리된 분석 프로젝트 2~3개(프로젝트당 2페이지)

실제 작성한 SQL 쿼리(윈도우 함수·CTE)와 리텐션·퍼널·코호트 등 직접 설계한 지표

A/B 테스트 설계안 또는 과거 데이터 시뮬레이션으로 제안을 검증한 기록

클라우드 기반 수집→적재→변환→대시보드 파이프라인과 아키텍처 다이어그램, 데이터 품질 검증 로직

모델 학습→서빙까지 한 ML 프로젝트의 정확도·추론 지연 전후 수치

README가 갖춰진 GitHub 저장소, Notion 포트폴리오, 논문 구현·기술 블로그 글

데이콘·캐글 등 대회 참여 기록과 순위, 공모전 수상(주최·규모 명시)

인턴·학회에서 이해관계자 요구에 맞춰 분석한 경험

ADsP·SQLD·빅데이터분석기사 등 기본 자격(필터 통과용)