데이터 사이언스 행동 면접, 기술력만으론 떨어집니다 — 실무 면접관이 알려주는 3가지 합격 전략

행동 면접은 "쉬어가는 라운드"가 아닙니다

솔직히 말하면, 저도 처음 면접관을 시작했을 때는 행동 면접(Behavioral Interview)을 가볍게 봤어요. 기술력만 뛰어나면 어차피 뽑히지 않을까? 라고 생각했거든요.

그런데 그 생각이 완전히 깨진 순간이 있었습니다. 기술적으로 정말 뛰어난 지원자가, 그보다 사회적 역량이 더 좋았던 다른 지원자에게 자리를 내준 거예요. 경험이 부족해서가 아니었어요. 그 지원자는 분명 좋은 일을 해냈고, 자기 일을 잘 알고 있었어요. 다만 자기가 한 일을 상대방이 이해할 수 있는 언어로 전달하는 능력, 그리고 데이터 사이언티스트로서의 성과를 팀이 실제로 신경 쓰는 것들 — 협업, 커뮤니케이션, 불확실성 속 의사결정 — 과 연결 짓는 능력이 부족했을 뿐입니다.

데이터 사이언스 행동 면접은 다른 직군의 행동 면접과 결이 다릅니다. 회사는 단순히 "좋은 사람인가"를 보는 게 아니에요. 기술적 작업을 비즈니스 가치로 번역할 수 있는가, 비기술 이해관계자와의 관계를 잘 관리하는가, 데이터가 명확한 답을 주지 않을 때 어떻게 판단하는가 — 이 세 가지를 봅니다.

이 글에서는 제가 실제로 면접관으로 앉아 있으면서, 그리고 데이터 사이언티스트 커리어를 지켜보면서 정리한 3가지 팁을 공유할게요.

1. 모든 스토리는 "이해관계자 커뮤니케이션 문제"로 다뤄라

데이터 사이언티스트들이 행동 면접에서 가장 많이 하는 실수는, 면접관이 비즈니스 스토리를 원하는데 기술 스토리를 늘어놓는 것입니다.

예를 들어 면접관이 이렇게 묻습니다.

"어려운 프로젝트를 진행했던 경험을 말씀해 주세요."

그러면 지원자는 이렇게 답하죠. "교차 검증(Cross-Validation)을 이렇게 설계했고, 하이퍼파라미터 튜닝은 이렇게 했고, precision-recall 트레이드오프는 이렇게 저울질했습니다..."

면접관의 눈이 흐려집니다.

여기서 배운 게 있어요. 대부분의 회사에서 모델의 비즈니스 임팩트를 쉬운 말로 설명할 수 있는 데이터 사이언티스트가, 수학을 더 잘 설명하는 사람보다 더 가치 있습니다. 면접관이 원하는 건 기술적 디테일이 아니라 이 세 가지예요.

1. 문제가 무엇이었는가?
2. 당신이 무엇을 했는가?
3. 왜 그것이 중요했는가?

면접 전에, 자기 스토리를 아래 구조로 프레이밍하는 연습을 해보세요.

• 비즈니스 문제는 무엇이었나? (기술 문제가 아니라)
• 누가 영향을 받았고 누가 관여했나?
• 당신의 기여는 무엇이었나? (쉬운 말로)
• 측정 가능한 결과는 무엇이었나?

Before (기술 중심):

"lag feature와 Random Forest를 사용한 시계열 예측 모델을 만들어서 RMSE를 40% 줄였습니다."

After (비즈니스 중심):

"매달 팀이 에너지 자원을 과다 발주하는 문제가 반복되고 있었고, 이건 실제 비용에 영향을 주고 있었어요. 저는 주 단위 예측 정확도를 높이는 예측 모델을 만들어서, 과다 발주 비용을 직접적으로 줄였습니다."

같은 프로젝트인데 완전히 다르게 들리죠? 면접관은 두 번째 답변에서 당신이 팀의 언어로 말할 수 있는 사람이라는 신호를 받습니다.

💡 실무 팁: 답변을 준비할 때 "기술 용어가 한 문장에 2개 이상 들어가면 다시 써라"는 규칙을 적용해 보세요. 강제로 쉬운 언어로 번역하는 훈련이 됩니다.

2. 리서치는 "검색 한 번"으로 끝내지 마라

가장 기본은 구글이에요. "[회사명] behavioral interview questions" 로 검색하세요. Glassdoor, Reddit, 그리고 작은 커뮤니티 사이트에서 정보를 얻을 수 있습니다. 특히 대기업이라면, 과거 지원자들이 실제로 받은 질문, 면접 형식, 전체 프로세스의 느낌을 공유한 스레드를 자주 찾을 수 있어요.

다만 주의하세요. 팀은 시간이 지나면서 질문을 바꿉니다. 오래된 후기를 정답처럼 받아들이지 말고, 그 회사가 무엇을 중요하게 여기고 어떻게 파고드는지에 대한 "강한 힌트" 정도로 활용하세요.

그리고 직무별로 일반적인 행동 면접 질문 리스트도 찾아보세요.

유튜브에서 행동 면접 모의 면접(mock interview) 영상이나, 데이터 사이언스 면접을 여러 라운드 진행해 본 사람들의 영상을 찾아보세요. 팁 리스트를 읽는 것보다, 다른 사람이 실제로 답하는 모습을 보는 게 훨씬 많이 배웁니다. 볼 때 주의 깊게 관찰할 것:

• 지원자가 어떤 상황을 꺼내는지, 그리고 당신이 겪은 유사한 상황은 무엇인지
• 지원자의 표정과 태도
• 답변의 구조가 어떻게 흘러가는지

3. STAR 기법으로 "모호함"에 대비하라

행동 면접 준비 조언은 대부분 갈등 상황에 집중합니다. "동료와 의견이 갈렸던 경험", "실패했던 상황" 같은 것들이요. 물론 중요합니다. 하지만 데이터 사이언스 직무에서 더 어려운 카테고리는 모호함(ambiguity) 입니다.

• "필요한 정보가 다 없는데 결정을 내려야 했던 경험을 말해 주세요."
• "프로젝트 중간에 요구사항이 바뀐 경우를 설명해 주세요."
• "데이터가 명확한 답을 지지하지 않을 때 어떻게 하시나요?"

이 질문들은 데이터 사이언스에서 정말 중요한 두 가지를 봅니다. 불확실성에 대한 인내심, 그리고 완벽한 정보 없이도 앞으로 나아가는 능력이에요.

대비하는 가장 좋은 방법은 STAR 기법입니다.

• Situation (상황): 맥락/배경은 무엇이었나?
• Task (과제): 당신이 풀어야 했던 구체적인 일은 무엇이었나?
• Action (행동): 문제를 해결하기 위해 어떤 단계를 밟았나?
• Result (결과): 최종 결과는 무엇이었나?

STAR 예시: "정보가 부족한 상태에서 결정을 내려야 했던 경험"

• Situation: 예측 프로젝트 중간에, 훈련 윈도우로 쓰려던 기간 안에서 계량기 오류로 인해 두 달치 에너지 소비 데이터가 잘못 기록된 것을 발견했습니다.
• Task: 이해관계자는 스프린트 끝까지 작동하는 모델을 원했습니다. 데이터 이슈를 더 파헤치기 위해 프로젝트를 지연시킬지, 아니면 수정된 접근으로 진행하면서 리스크를 명시할지 결정해야 했습니다.
• Action: 영향을 받은 구간을 훈련 세트에서 잘라내고, 더 깨끗한 데이터로 재학습시켰습니다. 그리고 예측력이 얼마나 손실될지 빠르게 분석해서 수치화했습니다. 두 옵션(지연 + 확실성, 정시 납품 + 문서화된 단서)을 이해관계자에게 가져가서, 완전한 정보를 바탕으로 그들이 결정하도록 했습니다.
• Result: 모델을 정시에 배포했습니다. 기존 베이스라인 대비 평균 절대 오차(MAE)가 12% 줄었고, 주 단위 예측 정확도가 충분히 높아져서 배포 첫 달에 에너지 과다 발주가 약 18% 감소했습니다. 나중에 이해관계자가 말하길, 데이터 이슈에 대한 투명한 공개가 오히려 결과에 대한 신뢰를 높였다고 하더라고요.

이런 예시들을 종이에 적어 두세요. 그러면 질문이 나왔을 때 당황하지 않습니다. 원래 준비한 시나리오와 다른 질문이 나와도, 인접한 시나리오 몇 개를 꺼내 쓸 수 있으면 머릿속이 하얘지는 것보다 훨씬 낫습니다.

⚠️ 주의사항: STAR를 "공식"처럼 외워서 기계적으로 말하면 오히려 역효과입니다. 각 단계를 자연스럽게 이어 붙이는 연습을 하세요. 특히 Action과 Result는 구체적인 숫자나 관찰 가능한 변화로 마무리하는 게 좋습니다.

한국 개발 생태계에서의 적용 맥락

국내 IT 기업, 특히 네이버·카카오·쿠팡 같은 대규모 조직이나 시리즈 C 이상 스타트업에서는 행동 면접이 점점 더 구조화되고 있습니다. 예전처럼 "편하게 얘기해 보세요" 식이 아니라, 역량 기반 질문(competency-based question) 을 미리 정해두고 평가표에 따라 채점하는 방식이 늘고 있어요.

특히 국내에서는 "기술은 뛰어나지만 협업이 아쉬운 지원자" 에 대한 평가가 예전보다 훨씬 엄격해졌습니다. SI 환경이나 대기업 협업 프로젝트에서는 비기술 부서(기획, 영업, 운영)와의 커뮤니케이션이 곧 성과로 이어지기 때문에, 면접관 입장에서 "이 사람이 우리 조직에서 삽질 없이 굴러갈 수 있는가"를 굉장히 중요하게 봅니다.

또 하나, 국내에서는 영어로 준비한 스토리를 한국어로 다시 옮기는 과정에서 뉘앙스가 깨지는 경우가 많아요. STAR는 유지하되, 표현은 한국어 비즈니스 톤(예: "리드했습니다", "주도했습니다", "조율했습니다")으로 다듬는 작업이 필요합니다.

함께 보면 좋은 글

• 페이스북, 인스타그램이 선택한 CSS 솔루션 StyleX 핵심 가이드 — 대규모 조직에서의 기술적 의사결정과 이해관계자 설득이 어떻게 맞물리는지 사례를 볼 수 있어요.
• Waypoint 1.5 공개 이제 내 PC에서 실시간 생성형 월드를 60fps로 돌린다 — 최신 AI 트렌드가 실제 제품·조직 의사결정에 어떻게 반영되는지 참고하면 좋습니다.

결론: 완벽한 답이 아니라, 방어 가능한 답을 준비하세요

데이터 사이언티스트로 일한 첫 해에 배운 것이 있습니다. 이 직업은 완벽한 답을 찾는 일이 거의 없다는 거예요. 대신 쓸모 있을 만큼 빠르게, 방어 가능한(defensible) 답을 찾는 일입니다. 이해관계자는 완벽한 데이터를 기다려주지 않습니다. 비즈니스 의사결정에는 마감이 있어요. "지금 데이터가 지지하는 건 이거고, 제가 세운 가정은 이겁니다"라고 말할 수 있는 능력 자체가 하나의 스킬입니다.

면접 전에 다음 순간들을 떠올려 보세요.

• 모델이 완벽해지기 전에 추천을 전달했던 순간
• 프로젝트 범위가 바뀐 걸 파악하고 적응했던 순간
• 판단을 내리고 그 결과를 감수했던 순간
• 불확실성을 숨기지 않고 명확히 커뮤니케이션했던 순간

이런 상황 몇 개를 미리 적어 두세요. 그러면 면접장에서 훨씬 생생하게 꺼낼 수 있습니다.

보너스 팁

마지막으로 하나. 웃으세요. 가볍게 가세요. 좋은 태도를 유지하세요. 이게 생각보다 면접에서 훨씬 큰 차이를 만듭니다. 면접관과 스몰토크를 시도해 보세요. 공통점을 찾아보세요. 가벼운 농담도 괜찮아요. 이게 당신을 다른 지원자보다 얼마나 돋보이게 만드는지 놀랄 겁니다.

다음 단계 학습 방향

• STAR 답변을 5개 이상 녹음해서 들어보세요. 말로 꺼내면 종이에 쓴 것과 완전히 다릅니다.
• 모의 면접을 실제 사람과 2회 이상 돌려보세요. 혼자 연습은 착각을 만듭니다.
• 이해관계자 커뮤니케이션 역량을 별도로 훈련하세요. 기술 문서 작성, 비기술 리더 대상 발표, 데이터 스토리텔링 등이 좋은 훈련입니다.
• 불확실성 하 의사결정 로그를 평소에 남기는 습관을 들이세요. 실제 업무에서 겪은 순간들을 기록해 두면, 면접 때 그대로 꺼낼 수 있는 자산이 됩니다.

📎 근거자료: Surviving the Data Science Behavioral Interview