분야
hwpx※ 구매자료 중 한글표준문서(*.hwpx)로 작성된 파일을 경우, 2018 이상 버전에서 확인해 주시기 바랍니다.
1. 케이뱅크에 입사를 희망하게 된 이유와 입사 후 이루고 싶은 목표에 대해 구체적으로 작성해주세요.
[데이터의 가치를 고객의 혜택으로 환원하는 금융 혁신의 최전선]
단순히 효율적인 시스템을 만드는 것을 넘어, 데이터가 어떻게 고객의 실질적인 금리 혜택과 직결될 수 있는지를 증명하고자 케이뱅크에 지원했습니다. 기존 금융권이 담보와 소액 신용 중심의 경직된 평가 체계에 머물러 있을 때, 케이뱅크는 비정형 데이터를 적극적으로 수용하며 '금융의 문턱'을 낮추는 혁신을 보여주었습니다. 저는 데이터 사이언티스트로서 분석의 결과물이 리포트에 머물지 않고, 누군가의 대출 승인 여부를 결정하고 이자 부담을 줄여주는 실천적 가치에 매료되었습니다.
입사 후 저의 목표는 케이뱅크의 CSS(신용평가모형)를 고도화하여 '초개인화된 맞춤형 금융 솔루션'의 완성도를 높이는 것입니다. 특히 금융 이력이 부족한 씬 파일러(Thin-filer) 고객들을 위해 행동 패턴 및 비금융 데이터를 결합한 앙상블 모델을 정교화하겠습니다. 단기적으로는 모델의 변별력(AUROC)을 현 수준보다 3% 이상 개선하는 것을 목표로 하며, 장기적으로는 머신러닝 기반의 자동화된 이상거래 탐지 시스템(FDS)을 강화하여 고객이 24시간 안심하고 이용할 수 있는 보안 환경을 구축하겠습니다. '데이터로 더 나은 삶을 만든다'는 케이뱅크의 비전을 기술력으로 증명해 내겠습니다.
2. 지원한 분야에 관심을 갖게 된 계기와 본인만의 특성/강점을 근거로 지원분야에 적합한 이유에 대해 작성해주세요.
[데이터 이면의 맥락을 읽어내는 집요함과 비즈니스 마인드]
학부 시절 통계학 프로젝트 중, 단순 수치보다 '데이터의 왜곡'을 잡아냈을 때 분석의 질이 달라지는 경험을 하며 데이터 사이언스에 확신을 가졌습니다. 당시 가계 부채 관련 데이터를 분석하며 이상치(Outlier)를 단순 제거하는 대신, 그 데이터가 발생한 특수한 경제적 상황을 파헤치는 과정에서 모델의 설명력이 비약적으로 상승하는 것을 목격했습니다. 이때부터 데이터는 단순한 숫자가 아닌 '고객의 삶을 투영하는 거울'임을 깨달았습니다.
저의 가장 큰 강점은 '비즈니스 언어와 기술적 언어를 조율하는 가교 역할'입니다. 머신러닝 모델의 성능 수치에만 매몰되지 않고, 이 모델이 실제 비즈니스 지표(LTV, 이탈률 등)에 어떤 영향을 미치는지 끊임없이 질문합니다. 대출 승인 모델을 개발할 때도 Precision과 Recall의 트레이드오프 관계 속에서, 은행의 리스크 관리와 고객 경험 사이의 최적점을 찾아내는 의사결정 능력을 키워왔습니다. 또한, 대용량 로그 데이터를 효율적으로 처리하기 위한 SQL 최적화 역량과 Python 기반의 스케일러블한 코드 작성 능력을 갖추고 있습니다. 이러한 저의 '비즈니스 지향적 분석 역량'은 빠른 실행력과 수익성을 동시에 추구하는 케이뱅크의 환경에서 즉시 전력감이 될 것입니다.
3. 현재 이용하고 있는 앱 중 가장 좋아하는 앱은 무엇이고, 그 이유에 대해 자유롭게 설명해주세요.
[초개인화 추천의 정수, '당근'이 보여준 데이터 연결의 힘]
제가 가장 즐겨 사용하며 영감을 받는 앱은 '당근(당근마켓)'입니다. 당근이 단순히 중고 거래 플랫폼을 넘어 지역 커뮤니티로 진화할 수 있었던 핵심은 '로컬 데이터의 밀도 있는 활용'에 있다고 생각합니다.
데이터 사이언티스트의 시각에서 당근의 가장 큰 매력은 유저의 '활동 반경'과 '관심사'라는 두 축을 결합한 추천 알고리즘의 정교함입니다. 단순히 인기 매물을 보여주는 것이 아니라, 제가 거주하는 지역의 특성과 과거 검색 이력을 바탕으로 '내가 지금 당장 집 근처에서 필요로 할 만한' 아이템을 우선순위에 배치합니다. 이는 데이터가 현실 세계의 물리적 거리와 결합했을 때 얼마나 큰 유용성을 제공하는지 보여주는 사례입니다.
또한, 당근의 '매너온도' 시스템은 비정형 평판 데이터를 수치화하여 커뮤니티의 신뢰도를 관리하는 훌륭한 데이터 활용 사례라고 생각합니다. 이는 케이뱅크가 지향하는 '신뢰 기반의 혁신 금융'과도 맞닿아 있습니다. 저 역시 케이뱅크에서 고객의 금융 거래 패턴뿐만 아니라 라이프스타일 전반의 데이터를 분석하여, 고객이 앱을 켜는 순간 "나보다 나를 더 잘 아는 은행"이라고 느낄 수 있는 초개인화된 금융 추천 시스템을 구축하고 싶습니다.
4. 통계나 AI/ML 등의 도구로 데이터에 기반해 문제를 해결했던 사례를 작성해주세요. 사례에서 개발된 모델의 성능이 실제 고객 서비스 시 예상했던 퍼포먼스보다 떨어졌다면, 원인과 해결 방안에 대해서도 설명해주세요.
[Concept Drift를 극복한 신용카드 부정결제 탐지 모델 고도화]
공공 데이터와 가상 거래 데이터를 활용해 '신용카드 부정결제 탐지(FDS) 모델'을 구축했던 프로젝트가 기억에 남습니다. 당시 저는 XGBoost 알고리즘을 활용하여 정상 거래와 이상 거래를 분류하는 모델을 개발했습니다. 학습 데이터에서는 F1-Score 0.94라는 높은 성능을 기록하며 성공적으로 마무리되는 듯했습니다.
그러나 실제 시뮬레이션 환경에 모델을 적용하자 탐지율이 급격히 저하되는 문제가 발생했습니다. 원인 분석 결과, 두 가지 핵심적인 이유를 발견했습니다. 첫째는 '데이터 불균형(Class Imbalance)'에 따른 과적합이었습니다. 정상 거래가 압도적으로 많은 금융 데이터 특성상, 모델이 정상 거래의 특징에 치우쳐 학습되었습니다. 둘째는 'Concept Drift' 현상이었습니다. 사기 패턴은 고정되어 있지 않고 시간이 지남에 따라 교묘하게 변하는데, 제가 만든 모델은 과거의 고정된 패턴만을 학습하여 새로운 형태의 공격을 잡아내지 못했습니다.
이를 해결하기 위해 저는 단계별 개선책을 도입했습니다. 우선, SMOTE 기법을 사용하여 소수 클래스(부정 거래) 데이터를 오버샘플링하고, 손실 함수에 가중치를 부여하여 모델이 부정 거래 탐지에 더 민감하게 반응하도록 재설계했습니다. 또한, 단순 결제 금액이나 시간대 같은 원시 피처(Raw Feature) 대신, '최근 1시간 내 결제 횟수', '직전 거래와의 위치적 거리' 등 시간적·공간적 맥락을 담은 파생 변수를 대거 생성하여 피처 엔지니어링을 강화했습니다.
마지막으로, 모델의 노후화를 방지하기 위해 '재학습 파이프라인'의 필요성을 절감하고, 일정 수준 이상의 성능 저하가 감지될 때 최신 데이터를 반영해 모델을 업데이트하는 로직을 설계했습니다. 그 결과, 실제 테스트 데이터셋에서 Precision-Recall 커브의 하단 면적(AUPRC)을 15% 이상 개선할 수 있었습니다. 이 경험을 통해 모델의 개발보다 중요한 것은 운영 단계에서의 모니터링과 끊임없는 피드백 루프라는 것을 배웠습니다. 케이뱅크에서도 급변하는 금융 사기와 시장 환경에 유연하게 대응하는 회복 탄력성 높은 AI 모델을 구현하겠습니다.