[오늘의집] Data Analytics Engineer 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• SCM, WMS, TMS 등 물류 시스템의 데이터를 수집·정제하고 효율적인 ETL/ELT 파이프라인을 설계, 구축, 운영합니다.

  이렇게 볼 수 있어요

  WMS는 입고·재고·피킹·출고를, TMS는 배차·운송·배송완료를 기록합니다. 시스템마다 주문번호, 출고 단위, 운송 단위처럼 쓰는 키가 다릅니다. 이 회사 물류는 대형 가구·가전의 배송·설치까지 직접 운영합니다. 한 주문이 여러 출고와 설치 일정으로 나뉘는 흐름까지 데이터로 이어야 하는 경우가 생깁니다. 다뤄 본 원천 시스템을 이름으로 쓰고 서로 다른 키를 어떻게 이었는지를 붙이면 이 업무와 얼마나 가까운 경험인지 확인됩니다.

• 주문-입고-재고-피킹-출고-운송-배송완료로 이어지는 물류 프로세스를 일관된 grain으로 연결하는 데이터 웨어하우스 모델(Fact/Dimension/Mart)을 설계하고 관리합니다.

  이렇게 볼 수 있어요

  공고에 따르면 이 과정의 데이터는 여러 시스템에 흩어져 쌓입니다. 서로 다른 시스템의 데이터를 하나의 grain으로 맞춘 모델을 설계해 봤다면 grain을 어떤 기준으로 정했는지 면접에서 말할 수 있어야 합니다.

• SAP까지 물류 데이터를 완결하고 안전하게 제공합니다.

  이렇게 볼 수 있어요

  분석용 웨어하우스에서 끝나지 않고 SAP까지 데이터를 넘기는 일이 업무에 들어 있습니다. ERP로 데이터를 연동해 본 경험이 있다면 정합성을 어떻게 맞췄는지를 함께 적어 두세요.

• 리드타임, 배송 품질, 물류비, 센터 생산성 등 물류 핵심 지표의 정의를 표준화하고 SSOT로 제공합니다.

  이렇게 볼 수 있어요

  지표 정의를 하나로 맞추는 일이 따로 적혀 있습니다. 부서마다 다르게 쓰던 지표를 하나로 정리해 본 사례가 있다면 정의를 합의한 과정까지 면접에서 말할 수 있게 준비합니다.

• 데이터의 정확성, 완전성, 일관성 등을 검증·모니터링해 데이터 품질을 높이는 프로세스를 수립하고 개선합니다.

  이렇게 볼 수 있어요

  이 데이터는 물류 지표의 SSOT와 SAP까지 넘어갑니다. 그래서 배송완료 이벤트 누락이나 중복 출고 기록 같은 오류가 운영 지표와 SAP 쪽 숫자에 함께 번집니다. 자격요건에도 품질 이슈를 해결한 경험이 따로 있습니다. 이 업무는 사고 대응보다 검증 규칙을 상시로 돌리는 체계를 만드는 쪽에 가깝습니다. 품질 검증을 자동화한 범위와 그 뒤 줄어든 오류 건수를 숫자로 쓰세요.

• 물류 데이터의 접근성과 품질을 높이려고 메타데이터를 구성하고 최신화합니다.

  이렇게 볼 수 있어요

  메타데이터 관리는 우대 사항에도 다시 나옵니다. 데이터 카탈로그나 테이블 설명을 정비해 본 경험은 업무와 우대 사항 양쪽에서 통합니다.

• 물류 운영·사업·분석 조직이 쓰는 쿼리의 성능 개선과 데이터 접근성 향상을 지원합니다.

  이렇게 볼 수 있어요

  쿼리를 쓰는 쪽은 개발 조직이 아니라 물류 운영과 사업 조직입니다. 원천 테이블을 직접 조인하는 무거운 쿼리가 생기기 쉽습니다. 업무의 Mart 설계와 함께 보면 성능 개선은 쿼리를 고치는 데서 끝나지 않고 자주 쓰는 조회를 Mart로 미리 만들어 내주는 일까지 이어집니다. 현업 쿼리를 개선해 조회 시간을 줄인 사례가 있다면 무엇을 바꿨는지와 개선 전후 조회 시간을 숫자로 보이세요.

• 최신 데이터 기술 트렌드를 학습하고 AI를 접목해 성능과 효율을 높입니다.

  이렇게 볼 수 있어요

  AI 접목은 이 공고의 자격요건에 다시 나옵니다. 조직문화 인터뷰도 AI 활용 역량을 따로 확인합니다. 데이터 작업에서는 업무에 있는 메타데이터 최신화, 품질 검증 규칙 작성, SQL 성능 개선처럼 반복이 많은 작업에 AI를 붙이기 좋습니다. 그런 작업에 AI 도구를 써서 줄인 작업 시간과 AI가 만든 결과를 검증한 방법을 함께 준비하세요.

2자격 요건

• SQL 기반 데이터 파이프라인 설계·구현 경력 2년 이상을 요구합니다.

  이렇게 볼 수 있어요

  자격요건의 연차는 2년이고 화면의 경력 조건은 4년 이상입니다. SQL 기반 파이프라인을 설계·구현한 기간을 전체 경력과 따로 떼어 쓰면 두 조건을 각각 확인하기 쉽습니다.

• ETL/ELT 파이프라인을 운영하고 최적화해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  물류 데이터는 배송완료 같은 상태가 늦게 들어오거나 뒤에 바뀌는 일이 잦습니다. 그래서 증분 적재와 재처리(backfill)를 어떻게 설계했는지가 운영 경험의 중심입니다. 이 자리에는 SAP까지 데이터를 넘기는 업무가 있습니다. 실패를 감지하고 다시 돌리는 체계도 운영 범위에 포함됩니다. 처리 시간이나 비용을 줄인 파이프라인이 있다면 개선 전후 숫자와 늦게 들어온 데이터를 다룬 방식을 함께 말할 준비를 하세요.

• 데이터 모델링과 스키마 설계 경험을 원합니다.

  이렇게 볼 수 있어요

  데이터 모델링 경험은 Fact/Dimension/Mart 설계를 맡을 때 바탕이 됩니다. 설계한 모델의 grain과 테이블 구성을 그림 한 장으로 설명할 수 있으면 면접에서 쓰기 좋습니다.

• 데이터 품질 이슈를 파악하고 해결한 경험이 필요합니다.

  이렇게 볼 수 있어요

  물류 데이터의 품질 이슈는 센터 현장의 스캔 누락이나 수기 보정처럼 원천 시스템에서 생기는 경우와 시스템 간 키 매핑처럼 파이프라인에서 생기는 경우로 나뉩니다. 이슈를 발견한 방법과 해결한 방법을 함께 말할 수 있고 원인이 어느 쪽이었는지 구분되는 사례를 하나 고르세요. 원천 쪽 원인을 현업과 함께 고쳤다면 자격요건의 현업 협의 항목에도 같은 사례를 쓸 수 있습니다.

• 현업의 업무 프로세스를 이해하고 기술적 요구사항을 비즈니스 언어로 설명하고 협의할 수 있어야 합니다.

  이렇게 볼 수 있어요

  팀 소개는 물류 DAE가 물류 운영, 사업, 개발 조직과 긴밀히 소통한다고 적었습니다. 현업과 지표 정의나 데이터 요구사항을 협의해 바꾼 사례가 이 요건에 대한 답이 됩니다.

• AI 기반 개발 도구와 프롬프트 엔지니어링으로 데이터 작업을 자동화하고 최적화하는 능력을 자격요건으로 적었습니다.

  이렇게 볼 수 있어요

  AI 활용이 우대가 아니라 자격요건에 있습니다. 조직문화 인터뷰에서도 AI 활용 역량을 따로 확인하므로 SQL 작성이나 품질 점검에 AI를 쓴 구체적인 방식을 정리해 가야 합니다.

3우대 사항

• 물류/풀필먼트/배송/SCM 도메인의 데이터 프로젝트(WMS, TMS, OMS 데이터 활용 등)에 참여해 봤으면 우대합니다.

  이렇게 볼 수 있어요

  오늘의집 물류는 가구·가전 같은 대형 상품의 배송·설치까지 직접 운영하므로, 물류 도메인 경험은 주문부터 배송완료까지를 하나의 grain으로 잇는 데이터 모델 설계에 바로 쓰이는 배경입니다. WMS·TMS·OMS 데이터를 다뤄 봤다면 단계가 많은 대형 화물 흐름의 데이터를 어떻게 연결했는지가 grain 설계 경험을 보여 줍니다.

• 동선 최적화, 배차/경로 최적화, 물류비·재고 비용 최적화 등 운영 효율화 프로젝트를 데이터로 지원해 봤으면 우대합니다.

  이렇게 볼 수 있어요

  대형 가구 배송·설치에는 보통 기사 두 명과 설치 시간이 함께 들므로 배차와 경로가 물류비를 크게 움직입니다. 업무에서 표준화하는 물류비·센터 생산성 지표로 이런 프로젝트의 효과를 잽니다. 지원한 프로젝트에서 줄어든 비용이나 시간이 있다면 그 숫자와 데이터 쪽에서 맡은 부분을 함께 적어야 운영 개선에 대한 기여 범위가 보입니다.

• 데이터 웨어하우스 구축 프로젝트에 참여해 봤으면 우대합니다.

  이렇게 볼 수 있어요

  공고 소개에 나온 Silver/Gold Layer는 원천 데이터를 정제한 층(Silver)과 지표·마트 단위로 집계한 층(Gold)을 나누는 메달리온 구조의 이름입니다. 이 공고의 업무는 그 층과 물류 지표 SSOT를 만드는 일입니다. 구축 단계에서 층과 grain을 정해 본 경험이 쓰입니다. 운영 중인 웨어하우스를 관리만 했는지 구축 단계부터 참여했는지와 그때 맡은 층을 밝혀 쓰세요.

• 데이터 품질 관리, 거버넌스, 메타데이터 관리 경험이나 관심이 있으면 우대합니다.

  이렇게 볼 수 있어요

  업무의 지표 정의 표준화, 품질 검증, 메타데이터 최신화가 이 우대의 거버넌스, 품질 관리, 메타데이터 관리를 하나씩 다룹니다. 경험만이 아니라 관심도 우대하므로 직접 해 본 경험이 없다면 dbt 테스트, Great Expectations, DataHub 같은 품질·카탈로그 도구를 써 본 개인 프로젝트로 관심을 보여 줄 수 있습니다.

• Apache Spark를 활용한 대용량 데이터 처리 경험이나 Airflow, Dagster 등 워크플로우 오케스트레이션 도구 사용 경험이 있으면 우대합니다.

  이렇게 볼 수 있어요

  자격요건의 중심은 SQL 기반 파이프라인입니다. Spark와 오케스트레이션 도구는 우대로 따로 있습니다. Airflow는 작업(task) 단위로, Dagster는 만들어질 데이터 자산(asset) 단위로 흐름을 정의합니다. 두 도구는 Silver/Gold 층 사이의 의존 관계를 다루는 방식이 다릅니다. 처리한 데이터 규모와 운영한 워크플로우 수를 숫자로 쓰면 도구를 얼마나 깊이 썼는지 가늠할 수 있습니다.

• 컴퓨터 공학, 통계학 전공이거나 이에 준하는 전문 지식이 있으면 우대합니다.

  이렇게 볼 수 있어요

  이 공고에서 컴퓨터 공학 지식은 파이프라인 설계와 쿼리 성능 개선에, 통계학 지식은 리드타임·배송 품질 같은 지표 정의와 데이터 정확성 검증에 쓰입니다. 다른 전공이라면 지표 정의를 표준화하거나 품질 검증 규칙을 만든 경험으로 그 지식을 보여 줄 수 있습니다.

4기타 사항

• 게시일 : 2026년 9월 21일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 서울 오피스 (대한민국 서울특별시 서초구 서초대로74길 4, 삼성생명 서초타워 21층, 25층, 27층)
• 경력 조건 : 경력 4년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• SQL
• SAP
• Apache Spark
• Airflow
• Dagster

전형과 지원

오늘의집 공고의 진행 절차는 서류전형, 직무 인터뷰, 조직문화 인터뷰 및 레퍼런스 체크, 처우협의, 최종합격 순입니다. 개발 직군은 인터뷰 횟수와 코딩테스트 안내가 따로 있습니다.

지원 전 준비할 것

1. 1

   물류 데이터 흐름 그려 보기

   다뤄 본 주문·입고·재고·출고·배송 데이터가 어느 시스템에서 왔고 어떤 grain으로 연결했는지 한 장으로 정리합니다. 면접에서 웨어하우스 모델 설계를 설명할 때 이 한 장을 그대로 쓸 수 있습니다.

2. 2

   지표 표준화 사례 고르기

   리드타임이나 배송 품질처럼 부서마다 정의가 달랐던 지표를 하나로 맞춘 경험을 골라 합의 과정과 결과를 정리합니다.

3. 3

   AI로 자동화한 데이터 작업 고르기

   SQL 작성, 품질 점검, 문서화 가운데 AI 도구로 바꾼 작업을 골라 전과 후의 소요 시간을 비교합니다. 자격요건과 조직문화 인터뷰가 모두 AI 활용을 확인합니다.