케이엘넷에서 저는 물류 생산성 지표 개발 및 모니터링 시스템 구축 프로젝트에 참여하며, 국가 물류 시스템의 효율성을 높이는 데 기여했습니다. 이 프로젝트의 핵심 목표는 불확실한 생산성 측정 방식을 데이터 기반의 표준화된 지표로 정립하고, 이를 실시간으로 모니터링할 수 있는 시스템을 구축하여 물류 운영의 투명성과 효율성을 극대화하는 것이었습니다. 1. 물류 데이터 분석 및 생산성 지표 정의: 기존에는 경험과 수작업에 의존하던 물류 생산성 측정 방식 때문에 객관적인 평가와 개선점 도출이 어려웠습니다. 저는 방대한 물류 데이터를 수집하고 분석하여, 실제 물류 효율에 영향을 미치는 핵심 요인들을 식별했습니다. 이를 바탕으로 선석 운영 효율, 화물 처리량, 야드 회전율 등 핵심 생산성 지표를 새롭게 정의하고 표준화했습니다. 이 과정에서 복잡한 물류 도메인에 대한 깊은 이해를 바탕으로 데이터가 비즈니스에 어떻게 적용될 수 있는지 고민했습니다. 2. 모니터링 시스템 기획 및 구축 지원: 정의된 생산성 지표들을 실시간으로 추적하고 시각화할 수 있는 모니터링 시스템 기획을 담당했습니다. 이를 위해 SQL을 활용하여 데이터베이스를 설계하고, 필요한 데이터가 원활하게 시스템으로 유입될 수 있도록 ETL(Extract, Transform, Load) 프로세스 구성에 참여했습니다. 유관 부서와의 긴밀한 협업을 통해 사용자 요구사항을 반영하고, 직관적인 대시보드 설계를 제안하여 데이터 기반의 의사결정이 현장에서 직접 이루어질 수 있는 환경을 조성했습니다. 3. 데이터 기반 업무 효율 개선 기여: 구축된 모니터링 시스템을 통해 물류 생산성 데이터를 상시로 확인할 수 있게 되면서, 과거에 수작업으로 이루어지던 월간 리포팅 업무 시간을 약 80% 단축시키는 데 기여했습니다. 이는 유관 부서가 단순 데이터 집계에서 벗어나, 분석과 개선 방안 도출 등 핵심 업무에 집중할 수 있도록 지원하는 결과를 가져왔습니다. 이러한 경험을 통해 저는 대규모 시스템 환경에서 데이터 기반의 문제 해결 능력을 길렀고, 정형화된 지표를 통해 비즈니스 효율을 측정하고 개선하는 중요한 역할을 수행했습니다.

और देखें

도파민팩토리에서 저는 SARIMAX 모델을 활용한 상품 수요 예측 프로젝트를 담당하며, 예측 모델링의 실무 역량을 집중적으로 키웠습니다. 이 프로젝트의 주요 목표는 복잡한 시계열 데이터를 분석하여 미래 상품 수요를 정확하게 예측하고, 이를 통해 재고 관리 및 생산 계획의 효율성을 높이는 것이었습니다. 1. 시계열 데이터 분석 및 예측 모델 개발: 저는 다양한 상품의 판매 이력 데이터를 분석하여 계절성, 추세, 주기 등 시계열 데이터의 특성을 파악했습니다. 특히, SARIMAX(계절 ARIMA 모델) 모델을 도입하고 튜닝하여 실제 비즈니스 환경에 적용 가능한 예측 모델을 개발하는 데 집중했습니다. 모델의 파라미터를 최적화하고, 잔차 분석을 통해 모델의 정확도를 지속적으로 검증하며 예측 성능을 향상시켰습니다. 2. 예측 결과 분석 및 비즈니스 연계: 개발된 예측 모델의 결과를 단순히 도출하는 것을 넘어, 예측 데이터가 실제 재고 관리 및 마케팅 전략 수립에 어떻게 기여할 수 있는지를 고민했습니다. 예측 결과를 유관 부서(영업, 마케팅, 생산팀)와 공유하고, 이를 바탕으로 한 의사결정을 지원하며 데이터 기반의 협업을 이끌었습니다. 이 과정에서 모델의 정확성뿐만 아니라, 예측 결과가 비즈니스에 미치는 영향을 깊이 있게 이해할 수 있었습니다. 3. 모델 운영 및 시스템 아키텍처 이해 증진: 수요 예측 모델을 직접 개발하고 운영하는 과정에서, 모델 자체의 성능만큼이나 안정적인 데이터 파이프라인과 시스템 아키텍처의 중요성을 체감했습니다. 모델이 실제 서비스에 통합되고 지속적으로 업데이트될 수 있도록 MLOps(Machine Learning Operations)의 필요성을 인식하게 되었고, 이 경험을 통해 모델 개발을 넘어 시스템 전반에 대한 이해를 넓히는 계기가 되었습니다. 이 경험은 저에게 데이터 기반의 예측 모델을 기획부터 개발, 검증까지 End-to-End로 수행하는 귀중한 실무 역량을 제공했으며, 향후 더 견고하고 확장 가능한 시스템을 구축하는 데 필요한 통찰력을 길러주었습니다.

और देखें

인라이플에서 저는 광고 타겟팅 효율 개선 프로젝트를 주도하며 데이터 기반의 의사결정과 시스템 최적화를 담당했습니다. 이 프로젝트의 핵심 목표는 광고 캠페인의 eCPM(유효 노출당 비용)을 최적화하고 CTR(클릭률)을 향상시켜 광고 수익성을 극대화하는 것이었습니다. 1. 기존 광고 송출 로직 분석 및 문제점 정의: 초기에는 기존 광고 송출 시스템의 효율성에 대한 객관적인 평가 기준이 부족했으며, 데이터 기반의 명확한 개선점 도출이 필요한 상황이었습니다. 저는 Python과 Pandas를 활용하여 광고 노출 및 클릭 데이터를 심층 분석했습니다. 이 과정에서 특정 광고 조건이나 타겟 그룹에서 CTR이 현저히 낮아지는 비효율적인 패턴을 파악할 수 있었습니다. 단순한 보고를 넘어, 왜 이런 현상이 발생하는지에 대한 근본적인 원인을 찾아내고, CTR 상승이라는 구체적인 목표를 설정하여 프로젝트의 방향성을 명확히 했습니다. 2. 데이터 기반 신규 광고 송출 모델 및 시스템 기획: 문제 정의 후에는 이를 해결하고 실제 CTR을 향상시킬 수 있는 새로운 광고 송출 로직을 설계하는 데 집중했습니다. SQL을 활용하여 방대한 데이터를 질의하고 분석하며, 어떤 요인들이 광고 성과에 가장 큰 영향을 미치는지 파악했습니다. 이를 바탕으로 사용자 행동 패턴, 광고 콘텐츠 특성, 시간대별 트렌드 등 다양한 변수를 고려한 최적의 광고 타겟팅 알고리즘을 기획했습니다. 이 기획은 단순한 아이디어를 넘어, 실제 시스템에 적용 가능한 구체적인 로직과 DB 설계까지 포함하여 개발팀과의 원활한 협업을 가능하게 했습니다. 3. A/B 테스트 설계 및 성과 검증: 새롭게 기획된 광고 송출 로직의 효과를 검증하기 위해 체계적인 A/B 테스트를 설계하고 실행했습니다. 테스트 그룹과 대조 그룹을 설정하여 신규 로직이 기존 로직 대비 얼마나 효율적인지 정량적으로 비교 분석했습니다. 테스트 결과, 신규 로직 적용 후 CTR이 유의미하게 상승하는 성과를 달성했으며, 이는 곧 광고주들의 만족도 향상과 회사 매출 증대로 이어졌습니다. 이 과정에서 저는 데이터 분석부터 문제 정의, 해결 방안 기획, 시스템 설계, 그리고 최종적인 성과 검증까지 데이터 기반 서비스 개선의 전체 사이클을 주도적으로 경험할 수 있었습니다. 이러한 경험을 통해 저는 복잡한 데이터를 해석하고, 문제의 본질을 파악하며, 이를 해결하기 위한 실질적인 시스템 기획 및 구현 역량을 효과적으로 길렀습니다.

और देखें