소비재 기업의 데이터 분석은 화려한 알고리즘보다 비즈니스 질문을 얼마나 정확히 정의하느냐가 더 중요할 수 있기 때문입니다.
저는 데이터 분석과 AI를 통해 시간을 아끼는 경험을 한 것이 아니라, 더 중요한 질문에 시간을 쓰는 법을 배웠습니다.
하지만 여러 프로젝트와 인턴십, 운영 경험을 거치면서, 실제 현장에서는 분석보다 질문이 먼저이고, 기술보다 활용 맥락이 더 중요하다는 점을 분명하게 배우게 되었습니다.
성과 측면에서는 극적인 수치보다도, 분석 결과가 실제로 이해되고 다음 행동으로 이어졌다는 점을 더 중요하게 생각합니다.
제가 생각하는 유한킴벌리 DataScientist의 가장 중요한 역량은 분석 기술보다 비즈니스 질문을 구조화하는 능력입니다.
소비재 기업에서는 데이터가 많다고 좋은 분석이 자동으로 나오는 것이 아니고, 오히려 어떤 질문을 먼저 던지느냐에 따라 결과의 가치가 크게 달라진다고 생각합니다.
소비재 기업에서 데이터 분석이 실제 경영의사결정으로 이어지려면 세 가지가 필요하다고 생각합니다.
저는 분석을 할 때 항상 이 결과가 누구의 어떤 판단을 바꿀 수 있는지 먼저 생각해왔습니다.

유한킴벌리 전략기획 부문 DataScientist에 지원한 이유는 무엇입니까?
유한킴벌리가 본인을 채용해야 하는 이유는 무엇입니까?
단기적으로 입사 후 5년 이내에는 유한킴벌리의 사업구조와 소비재 산업 특성을 빠르게 이해하는 DataScientist가 되고 싶습니다.
5년 이내에는 적어도 데이터 요청을 받아 처리하는 수준을 넘어, 어떤 질문을 먼저 던져야 사업이 더 좋아질지를 스스로 제안할 수 있는 분석가가 되고 싶습니다.
유한킴벌리에서 데이터를 통해 더 빠르고 더 정확한 의사결정을 돕는 사람을 넘어, 데이터가 회사의 일하는 방식 자체를 더민첩하고 더 강하게 만드는 데 기여하는 사 람으로 성장하는 것입니다.
문제는 모두 나쁘지 않은 방향이었지만, 프로젝트의 핵심 질문이 무엇인지 명확하지 않다는 점이었습니다.
데이터 분석과 AI 툴을 가장 효과적으로 활용했던 경험은 팀 프로젝트와 개인학업관리에서 반복되는 비효율을 줄이기 위해 Python, 엑셀 기반 자동화, 그리고 생성형 AI도구를 함께 활용했던 사례입니다.
프로젝트 데이터를 정리하고 해석하는 과정에서 반복적인 전처리 시간이 너무 많이 든다는 점이었고, 둘째는 자료 조사와 문서 초안 정리 단계에서 시간이 많이 소요되는데도 정작 핵심 질문이 흐려지는 경우 가 많다는 점이었습니다.
저는 이 문제를 단순히 더 오래 일하는 방식으로 해결하고 싶지 않았고, 도구를 통해 반복 작업을 줄이고 사고에 더 많은 시간을 쓰는 방식으로 바꾸고 싶었습니다.
AI도구는 주로 질문 정리와 문서 구조화에 활용했습니다.
생성형 AI를 그대로 답안 생성기로 쓰기보다, 먼저 제가 정리한 데이터와 관찰 결과를 바탕으로 어떤 추가 가설을 점검해 볼지, 어떤 보고서 구조가 더 설득력 있을지, 현업 또는 발표 대상자의 관점에서 무엇이 빠졌는지를 점검하는 방식으로 썼습니다.
이후 에는 AI를 활용해 초반 문서 구조화 시간을 줄이고, 분석이나 사고가 필요한 구간에 더 집중하는 식으로 작업방식을 바꾸었습니다.
오히려 사람이 더 중요한 판단과 질문에 집중할 수 있도록, 반복적인 작업과 구조화 과정을 보조하는 도구라고 생각합니다.
저는 데이터 분석과 AI를 통해 시간을 아끼는 경험을 한 것이 아니라, 더 중요한 질문에 시간을 쓰는 법을 배웠습니다.
제가 쌓아온 직무 경험과 실무 경험을 한 문장으로 요약하면, 데이터를 다루는 기술을 익히는 과정이면서 동시에 데이터를 실제 의사결정언어로 번역하는 법을 배운 과정이었다고 말씀드리고 싶습니다.
하지만 여러 프로젝트와 인턴십, 운영 경험을 거치면서, 실제 현장에서는 분석보다 질문이 먼저이고, 기술보다 활용 맥락이 더 중요하다는 점을 분명하게 배우게 되었습니다.
초반에는 분석모델 성능과 시각화 완성도에 관심이 컸지만, 프로젝트를 반복할수록 진짜 중요한 것은 어떤 데이터가 실제 의사결정에 의미가 있는지 구분하는 일이라는 점을 깨달았습니다.
다만 저는 기술목록을 많이 말하는 것보다, 각각의 도구를 어떤 문제에 어떻게 적용했는지가 더 중요하다고 생각합니다.
예를 들어 Python은 모델 성능을 높이기 위한 도구이기도 했지만, 더 자주 쓰인 방식은 전처리자동화와 반복보고 구조화였습니다.
DataScientist는 혼자 모델을 잘 만드는 사람이 아니라, 책임 있게 문제를 정의하고, 여러 부서와 협업하고, 빠르게 학습·실행하며, 조직의 변화를 돕는 역할이기 때문입니다.
소비재 기업에서는 데이터가 많다고 좋은 분석이 자동으로 나오는 것이 아니고, 오히려 어떤 질문을 먼저 던지느냐에 따라 결과의 가치가 크게 달라진다고 생각합니다.
단순히 이런 집단이 다르다는 결과에서 끝나는 것이 아니라, 그래서 어떤 채널 전략을 바꾸고 어떤고 객에게 어떤 메시지를 먼저 적용할 수 있는지까지 제안해야 한다고 생각합니다.
저는 실제로도 분석 결과를 발표할 때 모델 설명보다 먼저 이 결과가 어떤 행동을 바꿀 수 있는지부터 설명하는 방식을 중요하게 생각해왔습니다.
분석 결과가 현업의 직관과 충돌할 때 저는 먼저 누가 맞는지를 따지기보다, 왜 이런 차이가 생겼는지부터 보겠습니다.
현업의 직관은 오랜 경험과 시장 감각에서 나오는 것이고, 데이터 결과는 특정 기간과 조건을 반영한 구조적 증거입니다.
결국 좋은 분석가는 현 업의 직관을 깨는 사람이 아니라, 그 직관을 더 나은의사결정으로 정리하는 사람이어야 한다고 믿습니다.
AI 툴을 활용한 분석에서 정확도와 활용성을 동시에 확보하려면 먼저 AI를 답변 생성기가 아니라 분석 보조도구로 위치시켜야 한다고 생각합니다.
저는 AI가 만드는 초안이나 아이디어 자체보다, 그것을 어떤 문제에 적용했고 어떤 부분을 사람이 다시 검증했는지가 더 중요하다고 생각합니다.
그래서 AI를 쓸수록 오히려 질문의 질과 검증 태도가 더 중요해진다고 봅니다.
좋은 DataScientist는 AI를 잘 쓰는 사람이 아니라, AI가 잘 쓸 수 있도록 문제를 정리하고 결과를 책임질 수 있는 사람이라고 생각합니다.

[hwp/pdf]2026 유한킴벌리 전략기획부문 Data Scientist 자기소개서