대형 기술 회사에서 데이터 과학 인터뷰를 준비한 방법

작성자별 이미지

# 소개

저는 꽤 큰 기술 회사에서 데이터 과학자로 일하고 있습니다. 아시다시피 보수가 좋고 근무 시간이 탄력적이며 업무 공간이라기보다는 트렌디한 카페처럼 보이는 사무실(푹신한 소파와 빈백이 있습니다)이 있는 회사입니다. 이 회사에서 내가 하는 일은 제품 데이터 과학자.

일반적으로 Google, Meta, Amazon과 같은 거대 기술 기업은 제품 데이터 과학자를 고용하여 수백만 달러의 수익을 창출합니다.

실제로 FAANG 회사는 주로 핵심 팀을 위해 제품 데이터 과학자를 고용하고 이러한 전문가는 많은 보상을 받으며 기존 데이터 과학자보다 더 많은 돈을 버는 경우가 많습니다. 이는 제품 데이터 과학자가 비즈니스 팀과 긴밀하게 협력하고 매일 수백만 명의 사용자에게 영향을 미치는 결정을 내리기 때문입니다.

AI 시대에는 제품 데이터 과학 역할이 기존 데이터 과학 직업보다 더 안전하다고 믿습니다.. 주요 비즈니스 결정에 영향을 미칠수록 교체하기가 더 어려워지기 때문입니다. AI는 상당한 정확도로 예측 모델을 구축할 수 있지만 제품 담당 부사장이 특정 기능을 삭제하도록 설득할 수는 없으며 이해관계자에게 영향을 미칠 만큼 특정 제품에 대해 충분히 깊이 이해할 수도 없습니다.

그러나 나는 빗나갔다.

대형 기술 회사에서 데이터 과학 인터뷰에 성공하는 방법을 알아보기 위해 이 기사를 클릭하셨으니 더 이상 기다리게 하지 않겠습니다.

이번 글에서 설명할 내용은 다음과 같습니다.

• 제품 데이터 과학자로서 내가 하는 일.
• 이 제품 데이터 과학 역할을 준비한 방법과 제품 데이터 과학이 다른 기존 데이터 과학 직업과 다른 점은 무엇입니까?
• 이번 데이터 과학 인터뷰를 성공적으로 마치기 위한 6주간의 준비 계획입니다.
• 제품 데이터 과학자가 되고 싶다면(이미 데이터 기술이 있거나 완전히 초보자인지 여부와 관계없이) 배워야 할 것입니다.

# 제품 데이터 과학자로서 내가 하는 일

간단히 말해서 저는 다음과 같은 질문에 대답하기 위해 분석 기술을 사용합니다.

• 이 새로운 기능을 출시해야 하며, 투자할 가치가 있습니까?
• 이 신제품 출시로 우리는 잠재적으로 얼마나 많은 돈을 벌 수 있습니까?
• 사용자가 우리가 제공하는 제품과 서비스에 더 많이 참여하도록 하기 위해 데이터를 어떻게 활용합니까?
• 사람들이 앱에서 최대한 많은 시간을 보내도록 하려면 어떻게 해야 할까요?

# 데이터 사이언스 인터뷰를 어떻게 준비했나요?

// 1. 핵심 데이터 과학 기술로 시작하세요

이 문서의 앞부분에서 배운 것처럼 제품 데이터 과학 역할은 기존 데이터 과학 역할과 다릅니다. 이 직무에 지원하기 전에 저는 이미 다른 회사에서 예측 분야의 데이터 과학자로 2년간 근무한 경험이 있었습니다.

이는 내가 이미 다음과 같은 기술을 갖고 있음을 의미합니다.

• 프로그래밍: 저는 Python에 익숙했고 웹 스크래핑, 데이터 분석, 시각화에 Python을 사용했습니다.
• 데이터 분석: PowerBI와 같은 도구를 사용하여 EDA를 수행하는 방법을 알고 있었고 데이터로 스토리를 전달할 수 있었습니다.
• 기계 학습: 기계 학습 모델을 구축, 교육 및 평가할 수 있습니다. 여기에는 시계열 예측과 같은 고급 주제와 함께 간단한 회귀 모델이 포함됩니다.

아직 이러한 기술이 없다면 시청을 권장합니다. 내 유튜브 동영상 데이터 과학자가 되기 위해 필요한 기초 지식을 얻는 방법에 대해 알아보세요.

위의 기술은 자율 학습을 통해 쉽게 습득할 수 있으며 습득하는 데 약 4~6개월이 소요됩니다.

// 2. 제품 데이터 과학 면접을 위한 추가 기술

제품 데이터 과학에는 기존 데이터 과학 역할과는 약간 다른 기술이 필요합니다. 제품 데이터 과학자로서 단순히 예측 모델을 구축하는 것이 아닙니다. 전체 제품 생태계를 이해하고 어떤 기능을 구축할지, 어떤 기능이 잘 작동하는지, 무엇을 제거할지 결정하는 데 도움을 주어야 합니다.

제품 데이터 과학자로서 제가 배워야 할 추가 기술은 다음과 같습니다.

→ SQL
SQL은 제품 데이터 과학자의 기본 언어입니다. 그동안(전통적인 데이터 과학자로서) 저는 Python 노트북으로 작업해왔고 요즘에는 거의 독점적으로 SQL 쿼리를 작성합니다.

SQL을 배우기 위해 저는 두 가지 일을 했습니다. 먼저, 내가 가져간 이 SQL 강좌 데이터 분석을 위해. 그런 다음 SQL 문제를 해결하는 데 3주를 보냈습니다. Leet코드 그리고 해커랭크.

이 연습은 인터뷰의 기술적인 부분을 통과하는 데 충분했습니다.

→ 의사결정을 위한 통계
나는 이미 통계를 알고 있었고 그에 관한 여러 강좌를 수강했습니다. 하지만 제품 데이터 과학자로서 저는 다음과 같은 기술을 배워야 했습니다. 응용통계. 즉, 기능의 신뢰 구간을 찾기 위해 프로그래밍 언어를 사용해야 했습니다.

기능(예: 화면에 팝업 추가)이 특정 신뢰 구간에서 더 많은 참여를 유도한 경우 제품을 출시할 가치가 있는지 결정해야 했습니다. 또한 결과가 편향되지 않도록 실험에 적합한 샘플 모집단을 선택하는 방법과 같은 개념을 이해해야 했습니다.

이러한 개념이 당신에게 낯설게 들린다면, 나는 다음을 제안합니다. 이 무료 강좌 Udacity의 추론 통계에 대해 알아보세요. 이와 함께 Udacity의 무료 A/B 테스트 프로그램 Google에서 이 역할에 대한 통계 및 제품 관련 인터뷰 질문에 답하는 데 도움을 주었습니다.

→ 수학과 비즈니스의 격차 해소
제품 분석의 큰 부분은 본질적으로 수학과 비즈니스 간의 격차를 해소하는 것입니다. 특정 제품에 대한 성공 지표를 결정하고 제품 성능이 좋으면 출시합니다. 예를 들어 성공 지표가 CTR(클릭률)인 경우 다음과 같이 말할 수 있습니다.

“CTR이 2% 향상되면 연간 150만 달러의 추가 수익이 발생하므로 이 기능을 출시해야 합니다.”

물론 위의 예는 제품 팀이 사용자 참여의 다양한 요소를 포착하기 위해 여러 개의 복잡한 측정항목을 생성하는 경우가 많기 때문에 지나치게 단순합니다.

지표 공식화 및 비즈니스 사용 사례와 관련된 질문은 인터뷰 중에 대답하기 가장 어려운 질문이었습니다. 이를 준비하기 위해 훑어봤습니다. Coursera의 제품 분석 과정 (비록 완료하지는 못했지만).

# 내 데이터 과학 인터뷰 프로세스: 주요 내용

요약하자면, 내 제품 데이터 과학 인터뷰를 통해 다음 기술에 대해 테스트했습니다.

• Timed SQL 문제.
• 실험 설계 및 통계: “이 실험을 위한 표본 모집단을 어떻게 구축하고 실험 기간을 어떻게 결정하시겠습니까?”
• 비즈니스 및 제품 지식: “현재 측정항목은 첫 번째 검색 결과 페이지에서 원하는 결과를 찾을 수 없는 세션 수를 포착합니다. 그러나 사용자가 구매 의도가 있었는지 아니면 단지 탐색 중인지는 고려하지 않습니다. ‘진정한 검색 실패’를 포착하기 위해 이 측정항목을 어떻게 개선하시겠습니까?”

이 기사에서 공유한 리소스와 인터뷰 질문은 제가 이 데이터 과학 역할을 수행하는 데 도움이 되었습니다. 수년 동안 데이터 과학자로 일하면서 저는 제품 데이터 과학자가 본질적으로 데이터 작업 방법을 아는 비즈니스 전략가라는 것을 배웠습니다.

우리는 비즈니스 팀과 긴밀하게 협력하여 회사의 수익에 직접적인 영향을 미치는 결정을 내리기 때문에 AI가 일상적인 모델링 및 분석을 처리할 수 있는 시대에 이 역할이 매우 중요하다고 믿습니다. 데이터 과학자가 되는 것을 고려 중이거나 이미 데이터 과학자이더라도 제품 데이터 과학 경로를 고려해 보시기 바랍니다.

예, 이 역할은 주로 대규모 기술 회사와 제품 중심 조직에서 제공되기 때문에 경쟁이 더 치열합니다. 그러나 이와 같은 역할을 준비하는 데 시간과 노력을 투자한다면 중요한 비즈니스 결정의 중심에 놓이게 되고 자연스럽게 보상 증가와 경력 보장으로 이어질 것입니다.

나타샤 셀바라지 글쓰기에 대한 열정을 갖고 독학한 데이터 과학자입니다. Natssha는 모든 데이터 주제의 진정한 마스터이자 데이터 과학과 관련된 모든 것에 대해 글을 씁니다. LinkedIn에서 그녀와 소통하거나 YouTube 채널을 확인해 보세요.