[여기어때] Technical Product Owner 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 비즈니스 목표를 위한 AI/ML 프로덕트의 중장기 로드맵을 세우고, 기술적 타당성으로 백로그 우선순위를 정합니다.

  이렇게 볼 수 있어요

  공고가 소개한 개인화 추천, 가격 최적화, LLM 기반 여행 에이전트는 데이터 준비 상태와 서빙 비용이 서로 다릅니다. 그래서 같은 백로그 안에서도 기술 타당성의 차이가 큽니다. 같은 회사 Tech Strategy Leader 공고는 전사 기술 로드맵과 선행 기술 PoC를 맡습니다. 이 자리의 로드맵은 AI 프로덕트 단위의 순서를 정하는 쪽으로 보입니다. 모델 개발 비용과 기대 효과를 비교해 순서를 정해 봤다면 그때 쓴 판단 기준을 함께 설명할 수 있습니다.

• AI 모델의 확장성과 안정성을 고려한 서빙 아키텍처 전략을 세우고 MLOps 파이프라인 최적화에 협업합니다.

  이렇게 볼 수 있어요

  PO가 서빙 구조까지 논의합니다. 모델 배포 방식이나 응답 지연 문제를 엔지니어와 함께 결정한 사례에서는 PO로서 맡은 역할을 따로 구분해 적으면 됩니다.

• 비즈니스 PO와 엔지니어링 조직 사이에서 기술 제약을 비즈니스 가치로 바꿔 소통하고 핵심 기술 의사결정을 주도합니다.

  이렇게 볼 수 있어요

  Technical PO는 비즈니스 PO와 엔지니어링 조직 사이에서 서로의 말을 옮기는 역할을 합니다. 기술 제약 때문에 기획을 바꾸자고 설득한 사례가 있다면 바꾸기 전과 후의 기획을 나란히 설명할 수 있습니다.

• 프로젝트 전체 생명주기의 일정·리소스·리스크를 관리하고, 기술 리스크를 먼저 파악해 안정적인 출시를 이끕니다.

  이렇게 볼 수 있어요

  LLM 기반 여행 에이전트 같은 기능은 일정·리소스 외에 잘못된 가격이나 숙소 정보를 답하는 환각, 응답 지연과 호출 비용처럼 일반 기능에 없는 기술 리스크가 붙습니다. 출시 전에 이런 리스크를 먼저 찾아 범위나 일정을 조정해 본 경험이 있다면 어떤 리스크를 어떤 기준으로 출시 조건에 반영했는지까지 설명하는 것이 좋습니다.

• AI 프로덕트의 핵심 성과 지표를 정하고, 데이터 기반 피드백 루프로 모델과 서비스를 지속적으로 고도화합니다.

  이렇게 볼 수 있어요

  모델 지표와 서비스 지표를 함께 정합니다. 오프라인 성능과 실제 전환이 달랐을 때 어떻게 판단했는지가 면접에서 나올 질문입니다.

2자격 요건

• IT 서비스 환경에서 프로덕트 오너, 테크 PM, 테크 리딩(개발자 출신) 또는 이에 준하는 역할로 5년 이상 일해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  같은 회사 PO 공고 가운데 테크 리딩(개발자 출신)을 경력으로 함께 적은 것은 이 공고뿐입니다. Product Owner [주문/결제]는 PM/PO 경력만 요구합니다. 개발자로 일하며 기능 방향을 정한 기간도 이 경력에 함께 적을 수 있습니다. 어떤 기능의 방향을 어디까지 정했는지는 밝히는 편이 낫습니다.

• AI/ML 모델의 생명주기(학습-배포-모니터링)를 이해하고, 실제 서비스에 적용해 비즈니스 성과를 만들어 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  여기어때는 생성형 AI 검색의 효과를 검색 이용자의 20.6%가 써 봤다는 이용률과 기존 검색에서 결과를 찾지 못한 사례의 42%에서 새 결과를 보여 줬다는 수치로 밝혔습니다. 생명주기의 모니터링은 배포 뒤 데이터 분포가 바뀌어 성능이 떨어지는 것을 잡는 단계입니다. 시즌마다 수요가 바뀌는 여행 서비스에서는 이 단계가 특히 중요합니다. 출시한 AI 기능과 그 기능이 바꾼 지표를 한 사례 안에 이어서 보여 주세요.

• 엔지니어와 기술적 깊이를 논의하고, 이를 비즈니스 이해관계자의 언어로 바꿔 합의를 이끌어 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  업무에도 기술 제약을 비즈니스 가치로 바꿔 소통하는 역할이 적혀 있습니다. 엔지니어와 논의한 내용을 이해관계자가 동의할 수 있는 말로 바꿔 합의를 끌어낸 과정이 이 요건의 사례가 됩니다.

• 애자일 환경에서 데이터 기반 의사결정으로 제품 성장을 주도해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  모델 학습과 평가는 몇 주씩 걸리기도 해 2주 단위 스프린트와 주기가 맞지 않는 경우가 많습니다. 그래서 AI 프로덕트에서는 모델 실험과 기능 출시를 나눠 돌리는 방식이 흔합니다. 실험 주기와 그 결과로 바꾼 결정을 함께 보여 줄 수 있습니다. 모델 쪽 일정과 제품 일정을 어떻게 맞췄는지까지 이야기할 수 있으면 좋습니다.

• 기능 구현보다 '왜 이 기술이 필요한가'를 끊임없이 고민하며 문제의 본질에 집중해야 합니다.

  이렇게 볼 수 있어요

  팀 소개는 이 역할을 AI 기술이 예약 전환과 매출 성장으로 이어지도록 방향을 정하는 일로 설명합니다. 이 요건도 기술을 쓸지 말지를 전환과 매출로 따지라는 뜻으로 해석됩니다. AI 모델 대신 규칙이나 기존 방식을 고른 결정이 있다면 그때 전환 지표를 어떻게 비교했는지가 이 요건의 근거가 됩니다.

• 유연성, 추진력, 신뢰성 같은 긍정적인 태도와 함께 비즈니스를 깊이 이해해야 합니다.

  이렇게 볼 수 있어요

  같은 문장이 Data Analyst [User Behavior] 공고에, 거의 같은 문장이 [Business Insight] 공고에도 있습니다. 이 자리에서 비즈니스 이해는 여행 예약의 시즌성이나 숙소 공급과 가격 구조처럼 추천·가격 최적화 모델의 입력이 되는 사업 사정을 아는 것과 관련됩니다. 기술 결정을 매출이나 전환 같은 비즈니스 지표와 연결해 설명한 경험을 이 항목에서 꺼낼 수 있습니다.

3우대 사항

• 여행(OTA)이나 커머스처럼 대용량 트랜잭션 기반 서비스에서 AI 프로덕트를 운영해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  팀 소개에 실시간 대용량 트래픽 기반 개인화 추천 엔진과 가격 최적화가 적혀 있고, 업무에는 확장성과 안정성을 고려한 서빙 아키텍처 전략이 있습니다. 트랜잭션이 많은 서비스에서 AI 기능을 운영해 봤다면 요청 규모와 응답 시간 같은 서빙 조건을 전환 지표와 함께 적을 수 있습니다.

• 검색 고도화나 AI 에이전트 같은 LLM 기반 서비스를 기획하거나 출시해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  이 공고는 LLM 기반 여행 에이전트를 자체 개발한다고 적었습니다. 검색 고도화나 AI 에이전트를 기획·출시한 경험이라면 서비스 이름과 맡은 단계를 함께 밝힐 수 있습니다.

• A/B 테스트 설계와 통계적 검증으로 프로덕트 의사결정을 주도해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  A/B 테스트 설계와 통계 검증으로 결정을 이끈 경험을 우대합니다. 업무에도 데이터 기반 피드백 루프로 모델과 서비스를 고도화하는 일이 들어 있어, 실험으로 모델이나 기능을 고친 사례는 두 항목 모두와 이어집니다.

• AWS, GCP 등 클라우드의 MLOps 파이프라인과 데이터 인프라를 이해하고 엔지니어링 효율화를 고민해 봤으면 우대합니다.

  이렇게 볼 수 있어요

  같은 회사 Site Reliability Engineer 공고는 AWS 운영을 필수로, GCP 운영을 우대로 적었습니다. Data Analyst [User Behavior] 공고는 BigQuery를 우대합니다. 서비스와 데이터 인프라가 두 클라우드에 걸쳐 있을 수 있습니다. MLOps 효율화는 실시간 추론과 배치 추론을 나누거나 GPU 비용을 줄이는 결정으로 나타나는 경우가 많습니다. 엔지니어와 함께 개선한 부분과 줄어든 비용이나 시간을 구체적으로 적어 보세요.

• SQL로 데이터를 조회하고 기본적인 분석을 할 수 있으면 우대합니다.

  이렇게 볼 수 있어요

  업무에 AI 프로덕트의 핵심 성과 지표 정의와 데이터 기반 피드백 루프가 있어, SQL은 모델을 배포한 뒤 지표를 직접 확인하는 데 쓰일 수 있습니다. 배포한 기능의 지표를 직접 쿼리로 확인해 다음 우선순위를 정한 경험이 있다면 그 과정을 짧게 덧붙일 수 있습니다.

• 컴퓨터사이언스, 산업공학, 경영정보 관련 전공이거나 그에 준하는 기술적 배경을 갖추면 우대합니다.

  이렇게 볼 수 있어요

  전공이 아니어도 '이에 준하는 기술적 배경'이라는 말이 붙어 있습니다. 전공 대신 개발이나 데이터 업무를 해 온 이력으로 기술 배경을 보여 줄 수 있습니다.

4기타 사항

• 게시일 : 2026년 3월 9일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 서울 (대한민국 서울특별시 강남구 봉은사로 479)
• 경력 조건 : 경력 5~10년
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• AWS
• GCP
• MLOps
• SQL
• LLM

전형과 지원

여기어때 합류 여정은 서류 심사, 1차 인터뷰, 2차 인터뷰, 처우 협의, 입사 확정 순서이고 직군과 직책에 따라 코딩 테스트, 과제 테스트, 사전과제, 추가 인터뷰, 레퍼런스 체크 등이 추가되거나 생략될 수 있습니다. FAQ가 24개 질문에 답해 두어 인터뷰 형식과 결과 안내 기간까지 미리 확인할 수 있습니다.

지원 전 준비할 것

1. 1

   출시한 AI 기능

   출시한 AI·ML 기능 하나를 골라 문제, 모델, 서비스 지표 변화를 순서대로 정리합니다.

2. 2

   기술-비즈니스 설득

   기술 제약을 비즈니스 언어로 바꿔 결정을 이끈 사례 하나를 준비합니다.

3. 3

   코딩 테스트 대비

   전형에 코딩 테스트가 있고 상세 내용은 대상자에게 따로 안내하므로, 안내를 받으면 바로 준비할 수 있게 일정을 미리 확보합니다.