2027 데이터 분석 포트폴리오, 무엇을 넣어야 할까요? 공고 153건을 뜯어보고 정한 7단계
이 글과 연결된 글 보기
드래그로 이동 · 휠/두 손가락으로 확대 · 방향키로 글 선택 · 0으로 맞춤. 실선: 본문 링크, 점선: 시리즈·주제의 대표 연결.표시된 글 35편 목록
2027년 데이터 분석가 채용을 노린다면 포트폴리오는 프로젝트 개수가 아니라 "공고가 묻는 질문에 답하는 프로젝트 3개"로 승부가 납니다. 2026년 11월 15일 기준 원티드의 데이터 분석가 공고 124건을 보면 SQL이 59%로 가장 많이 나오고, LLM·생성형 AI(27%)와 A/B 테스트(26%)가 통계(27%)와 비슷한 빈도로 등장합니다. 반면 신입이 지원할 수 있는 공고는 19건, 15%뿐입니다. 적은 자리에서 "같이 일해 본 것 같은 사람"으로 보이려면 코드의 양보다 판단 과정이 보이는 포트폴리오가 필요합니다. 이 글은 공고 숫자로 프로젝트를 고르고, 한 프로젝트를 면접관이 링크 하나로 다시 실행해 볼 수 있게 묶기까지를 7단계로 정리했습니다.
이 글은 이런 분께 필요합니다
- 2027년에 데이터 분석가·프로덕트 분석가 신입이나 주니어로 지원하려는 분
- 부트캠프나 국비 과정에서 프로젝트는 몇 개 했는데, 포트폴리오로 어떻게 엮을지 모르는 분
- 캐글 노트북과 머신러닝 프로젝트로 채워 두고 "이걸로 될까" 싶은 분
준비물은 네 가지입니다. 지원하고 싶은 회사의 공고 3개, 지금까지 한 프로젝트 목록, GitHub 계정, 그리고 Colab을 쓸 Google 계정입니다.
먼저, 지금 공고는 무엇을 묻고 있을까요
"요즘은 SQL만으론 안 된다더라", "AI 때문에 분석가 안 뽑는다더라" 같은 말은 많은데, 막상 공고 본문을 세어 본 숫자는 잘 안 보입니다. 그래서 데이터팝콘이 매일 공고를 모으는 직군 지도에서 데이터 분석가 공고 두 묶음을 꺼냈습니다.
- 원티드 124건: 원티드 공개 API에서 직무 분류가 데이터 분석가인 공고. 국내 IT·스타트업 공고가 많습니다.
- 링크드인 29건: 링크드인 공개 채용 검색에서 제목이 데이터 분석가 계열인 한국 공고. 외국계·대기업 비중이 높습니다.
역량 비율은 공고 본문(주요업무·자격요건·우대사항)에 그 단어가 나왔는지를 센 값입니다.
| 역량 | 원티드 124건 | 링크드인 29건 |
|---|---|---|
| SQL | 58.9% (73건) | 82.8% (24건) |
| Python | 41.1% (51건) | 55.2% (16건) |
| 대시보드 | 32.3% (40건) | 41.4% (12건) |
| 통계 | 26.6% (33건) | 55.2% (16건) |
| LLM·생성형 AI | 26.6% (33건) | 34.5% (10건) |
| A/B 테스트 | 25.8% (32건) | 51.7% (15건) |
| 데이터 시각화 | 24.2% (30건) | 37.9% (11건) |
| Tableau | 21.0% (26건) | 37.9% (11건) |
| 머신러닝 | 13.7% (17건) | 31.0% (9건) |

요구 연차도 같이 봤습니다. 원티드는 연차가 입력된 118건 중 신입·경력 무관이 16%이고, 신입 지원이 가능한 공고는 19건(15%)이었습니다. 최소 요구 연차의 중앙값은 3년입니다. 링크드인 29건은 연차를 읽을 수 있었던 24건 중 신입·무관 공고가 한 건도 없었고, 중앙값은 4년이었습니다.
이 숫자에서 포트폴리오에 바로 쓸 신호는 세 가지입니다.
- SQL은 여전히 입장권입니다. 두 플랫폼 모두 1위입니다. SQL로 데이터를 꺼내고 지표를 정의한 프로젝트가 없으면 나머지가 좋아도 서류에서 설명이 길어집니다.
- 머신러닝은 공고보다 프로필에 넘칩니다. 링크드인 데이터 분석가 회원 4,400명 중 프로필에 머신러닝을 적은 비율은 45%인데, 원티드 공고 언급은 14%입니다. R도 프로필 34%, 공고 4%입니다. 모델 정확도 위주의 프로젝트로만 채우면 다른 지원자와 같은 카드를 내는 셈입니다.
- LLM과 실험은 반대입니다. LLM은 프로필 4%, 원티드 공고 27%이고, A/B 테스트는 프로필 17%, 공고 26%입니다. 공고가 원하는 만큼 지원자 프로필에 드러나지 않는 역량입니다.
한계도 분명히 적어 둡니다. 이 숫자는 2026년 11월 중순 한 시점의 스냅샷이고, 단어가 나왔는지만 셌기 때문에 "LLM 경험 필수"와 "LLM 관심 있으면 좋음"을 구분하지 않습니다. 프로필 비율은 회원이 스스로 적은 스킬이라 공고 비율과 측정 방식도 다릅니다. "부족하다"의 증거라기보다 어디에 힘을 줄지 고르는 힌트로 읽어 주세요. 2027년 공고에서는 비율이 또 바뀔 수 있으니, Step 1에서 실제로 지원할 공고로 다시 확인합니다.
실제 공고 네 개를 펼쳐 보면
비율만으로는 감이 덜 오니, 신입이나 1년 차 안팎이 지원할 수 있는 공고 네 개를 열어 봤습니다. 모두 2026년 11월 16일 원티드에서 열려 있던 공고이고, 마감되면 링크가 닫힐 수 있습니다. 따옴표 안의 문장은 공고 원문입니다.
토스플레이스 Data Analyst (경력 1년 이상, 오프라인 결제) · 공고 보기
포트폴리오를 필수로 받고, 이력서에는 "진행했던 프로젝트의 문제 정의 - 가설 설정 - 실험 설계 및 검증 - 결과의 과정이 드러났으면 좋겠어요"라고 적어 두었습니다. 자격요건에는 Retention, Cohort Analysis, AARRR 같은 서비스 분석 방법론을 오프라인 맥락에 맞게 바꿔 적용하는 능력이 들어 있고, 직무 인터뷰에서는 라이브 쿼리 테스트를 한다고 밝혔습니다. 포트폴리오의 SQL을 스스로 설명할 수 없다면 이 단계에서 드러난다는 뜻입니다.
기어세컨드 데이터 분석가 (신입 지원 가능, 모바일 게임) · 공고 보기
자격요건 첫 줄이 "SQL을 사용해 직접 데이터를 추출하고 정제해보신 분"이고, 문제를 정의하고 가설을 세워 A/B 테스트를 설계·진행해 본 경험을 요구합니다. 공고 끝에는 "데이터 분석으로 서비스 이용 유저에 대해 깊이 이해하고 이를 통해 임팩트 있는 액션을 제시하신 경험이 있다면 포트폴리오에 첨부해 주세요!"라고 따로 적어 두었습니다.
뷰티셀렉션 데이터 애널리스트 인턴 (연계형, 졸업 예정자 가능) · 공고 보기
자격요건이 "'데이터를 잘 다루는 사람'이기 전에 '뷰티 산업이 궁금한 사람'을 찾습니다"로 시작합니다. 리뷰나 크리에이터 반응 같은 정성 정보를 숫자와 함께 해석하고, 분석을 사업부의 실행 제안까지 잇는 사람을 원합니다. 주요업무에는 데이터 수집·정제·요약·시각화 흐름을 Claude 같은 AI 도구로 자동화하는 일이 적혀 있고, 자격요건에도 AI 도구를 업무에 적극 활용할 수 있는 분이 들어 있습니다.
채널톡 Data Analyst (실무 1년 이상, B2B SaaS) · 공고 보기
MRR, GRR/NRR 같은 전사 핵심 지표를 정의하고 관리하는 일이 주요업무에 있고, 우대사항에는 "'데이터를 뽑는 것'이 아니라 '문제를 정의하고 해결하는 것'에 관심이 있는 분"과 생성형 AI 도구로 코딩·분석 업무의 생산성을 높여 본 경험이 나란히 있습니다.
네 공고가 하는 이야기는 거의 같습니다. SQL은 직접 쓸 줄 알아야 하고, 결과보다 문제 정의와 가설, 실험 과정이 먼저 보여야 하며, AI는 쓰되 어디에 썼는지 말할 수 있어야 합니다. 그리고 지원하는 산업에 대한 관심이 데이터 기술만큼 비중 있게 적혀 있습니다. 아래 Step은 이 네 가지를 포트폴리오에 담는 순서입니다.
Step 1. 지원할 공고 3개를 고르고 요구 역량을 표로 옮깁니다
포트폴리오를 만들기 전에 지원할 도메인부터 정합니다. 같은 데이터 분석가라도 커머스는 구매 전환과 재구매를, 핀테크는 리스크와 이탈을, 게임은 리텐션과 과금을 봅니다. 도메인을 정했으면 그 안에서 실제 공고 3개를 고릅니다. 아직 도메인을 못 정했다면 연차 요구가 맞는 공고 3개로 시작해도 됩니다. 지금 열려 있지 않아도 괜찮습니다. 가고 싶은 회사의 지난 공고도 같은 역할을 합니다.
세 공고의 주요업무, 자격요건, 우대사항을 한 표에 옮깁니다. 예를 들어 위에서 본 공고 중 연차 요구가 낮은 세 곳(기어세컨드, 토스플레이스, 채널톡)을 옮기면 이렇게 됩니다. 원문 표현은 줄여서 적었고, 마지막 열이 핵심입니다.
| 역량 | 기어세컨드 (게임) | 토스플레이스 (오프라인 결제) | 채널톡 (B2B SaaS) | 내 증거 (프로젝트·링크) |
|---|---|---|---|---|
| SQL로 직접 추출·가공 | 자격 | 자격 | 자격 | |
| 문제 정의와 가설 수립 | 자격 | 주요업무·자격 | 자격 | |
| 지표 정의·설계 | 주요업무 | 주요업무 | 주요업무 | |
| BI·대시보드 (Tableau 등) | 자격 | 자격 | 주요업무·우대 | |
| A/B 테스트·실험 검증 | 자격 | 이력서 권장 항목 | ||
| Python | 자격 | 우대 | ||
| 생성형 AI 활용 | 주요업무 | 우대 | ||
| 리텐션·코호트 분석 | 자격 | |||
| 도메인 이해 | 우대 (모바일 게임) | 자격 (오프라인 맥락) | 우대 (B2B SaaS) |
세 곳 모두에 나온 줄은 SQL, 문제 정의와 가설, 지표 정의, BI·대시보드입니다. 두 곳에 나온 A/B 테스트, Python, 생성형 AI도 포트폴리오 어딘가에 증거가 있어야 합니다. 리텐션·코호트는 한 곳뿐이지만 토스플레이스에서는 자격요건이라, 그곳에 지원한다면 Step 2의 ①번 프로젝트에서 함께 보여 주면 됩니다.
내 공고로 표를 채울 때의 기준은 단순합니다.
- 세 공고 중 두 곳 이상에 나온 역량은 포트폴리오에서 반드시 증명합니다.
- 한 곳에만 나온 역량은 우대 수준으로 보고, 시간이 남을 때 채웁니다.
- 공고 본문을 AI에게 붙여 넣고 "역량만 뽑아 표로 만들어 줘"라고 시켜도 됩니다. 다만 결과를 원문과 한 줄씩 대조해서, 원문에 없는 항목이 섞이지 않았는지 확인합니다.
마지막 열 "내 증거"가 비어 있는 줄이 다음 단계에서 만들 프로젝트입니다.
Step 2. 프로젝트는 3개, 각자 맡을 역할을 정합니다
프로젝트가 일곱 개인데 무엇을 증명하는지 안 보이는 포트폴리오보다, 세 개가 각자 다른 줄을 채우는 포트폴리오가 훨씬 읽기 쉽습니다. 위 공고 숫자를 기준으로 역할을 이렇게 나눕니다.
| 프로젝트 | 채우는 역량 | 주제 예시 |
|---|---|---|
| ① 지표·SQL 프로젝트 | SQL, 지표 정의, 대시보드 | 이커머스 주문 데이터로 재구매율과 코호트 리텐션을 정의하고 대시보드로 보여 주기 |
| ② 실험·인과 프로젝트 | 통계, A/B 테스트, 인과추론 | A/B 테스트 결과 데이터 분석, 또는 정책·제도 변화 전후를 공개 데이터로 비교하기 |
| ③ 지원 도메인 프로젝트 | 그 회사가 실제로 풀 법한 문제 | 핀테크라면 결제 단계 이탈, 모빌리티라면 시간대별 수요와 공급 |
LLM·생성형 AI는 네 번째 프로젝트로 따로 만들지 않아도 됩니다. 세 프로젝트 모두에 "AI를 어디에 썼고 무엇을 직접 확인했는지"를 남기면 그게 증거가 됩니다(Step 5). 머신러닝은 질문 자체가 예측일 때만 씁니다. 이탈 고객을 미리 찾아야 하는 문제라면 ③에서 자연스럽게 들어가고, 아니라면 억지로 넣지 않습니다.
②가 막막하다면 공개 데이터로도 충분히 만들 수 있습니다. 이 블로그의 데이터분석가 취준생 시리즈에 같은 구조의 예시가 있습니다. KBO 5,024경기로 피치클락 효과를 검증한 글이나 경찰청 데이터로 새벽배송과 범죄의 관계를 확인한 글처럼, 제도 변화 하나를 골라 전후와 비교 집단을 잡는 방식입니다.
Step 3. 주제는 데이터셋이 아니라 질문 한 문장으로 시작합니다
약한 포트폴리오는 대부분 "이 데이터가 있으니 분석해 보자"에서 출발합니다. 그러면 EDA는 길어지는데 "그래서 왜 이 분석을 했나요?"라는 질문에 답이 없습니다. 같은 데이터라도 질문으로 시작하면 이렇게 달라집니다.
| 데이터셋에서 출발한 제목 | 질문에서 출발한 제목 |
|---|---|
| 서울 따릉이 데이터 EDA | 비 오는 날 대여가 줄어드는 대여소는 어디이고, 그날 재배치를 줄여도 되는가 |
| 이커머스 주문 데이터 분석 | 첫 구매 후 30일 안에 재구매한 고객은 첫 주문에서 무엇이 달랐나 |
| 영화 흥행 요인 분석 | 개봉 첫 주 스크린 수를 늘리면 2주차 관객도 따라 느는가 |
질문을 정했으면 세 가지를 확인합니다.
- 측정할 지표가 있는가. "고객 만족" 대신 "30일 재구매율"처럼 숫자로 셀 수 있어야 합니다.
- 비교 대상이 있는가. 전후, 집단 간, 지역 간처럼 무엇과 비교할지 정해져 있어야 결론이 생깁니다.
- 결과에 따라 달라질 행동과 그 행동을 할 사람이 있는가. 재배치를 줄일지 정하는 운영팀, 첫 구매 쿠폰을 바꿀 CRM 마케터처럼 이 분석을 받아 볼 사람을 한 명 정합니다.
가설은 분석 전에 적어 둡니다. 결과가 가설과 반대로 나와도 버리지 않습니다. 가설이 왜 틀렸는지 설명하는 과정이 면접에서 가장 이야기할 거리가 많은 부분이 됩니다.
Step 4. 결론을 내기 전에 데이터를 의심한 흔적을 남깁니다
AI가 SQL과 pandas 코드를 몇 초 만에 써 주는 지금, 코드가 돌아간다는 사실만으로는 차이가 나지 않습니다. 면접관이 궁금해하는 건 "이 숫자가 맞는지 어떻게 확인했나요?"입니다. 토스인컴의 Data Analytics Engineer 공고에는 "같은 지표가 여러 숫자로 보이는 상황을 견디지 못하고" 정의와 로직을 일관되게 정리하고 싶어 하는 사람을 찾는다는 문장이 있습니다. 분석가 포트폴리오에서 보여 줄 것도 같은 감각입니다. 에러 없이 틀리는 지점은 대체로 정해져 있습니다.
| 자주 생기는 함정 | 확인 방법 | 더 읽을 글 |
|---|---|---|
| JOIN 뒤에 합계가 원본보다 커짐 | 조인 전후 행 수와 합계를 나란히 출력 | SQL 집계와 JOIN 결과 검증 |
| 리텐션의 분모와 첫 구매 기준이 흔들림 | 관찰 시작 전 기록까지 합쳐 첫 구매일을 다시 계산 | 윈도우 함수와 리텐션의 조용한 오류 |
| 같은 "총매출"이 정의마다 다르게 나옴 | 취소 건 포함 여부와 세는 단위(행·주문)를 지표 정의서에 적기 | 총매출 한 줄 코드가 틀리는 이유 |
| 문자가 섞인 코드 컬럼이 숫자로 읽혀 비율이 틀어짐 | 불러온 직후 dtype과 결측 수 확인, 코드·번호 컬럼은 문자열로 지정 | pandas 타입이 정답을 바꾸는 이유 |
| 분류 기준이 바뀐 해에 생긴 급증 | 원자료 주석을 읽고, 전체 합계가 같이 움직였는지 확인 | 스쿨존 사고 76% 폭증의 정체 |
| 서로 다른 해에 생긴 집단을 한 줄로 비교 | 숫자마다 "언제 시작한 집단인지" 붙이기 | 신생기업 생존율을 코호트로 다시 읽기 |
이 확인 과정을 README에 검증 로그로 남깁니다. 길 필요는 없습니다. 원본 행 수, 정제 후 행 수와 버린 이유, 원본이나 공식 통계와 대조해 맞춘 숫자 두세 개면 충분합니다. "정제했습니다" 한 줄보다 "결측 1,204건(전체 3.1%) 제외, 공식 발표 합계와 0.2% 차이" 같은 문장이 훨씬 강합니다.
Step 5. AI가 한 일과 내가 판단한 일을 나눠 적습니다
앞의 숫자에서 LLM은 원티드 공고의 27%가 언급했지만, 링크드인 프로필에 적은 분석가는 4%였습니다. 2027년에는 AI를 썼다는 사실보다 어떻게 통제했는지가 보여야 합니다. 숨길 이유도 없습니다. 프로젝트마다 아래 예시 같은 표를 하나 붙입니다.
| 단계 | AI에게 맡긴 일 | 내가 확인하고 바꾼 것 |
|---|---|---|
| 전처리 | 결측치 처리 코드 초안 | 평균 대체를 해당 행 제외로 바꿈. 결측이 특정 지역에 몰려 있어 평균 대체가 지역 차이를 지우기 때문 |
| 집계 | 코호트 리텐션 SQL 초안 | 첫 구매일을 관찰 기간 이전 기록까지 포함해 다시 계산. 신규 고객 수가 크게 줄어드는 걸 확인 |
| 해석 | 결과 요약 문장 | "A가 B를 높였다"를 "A와 B가 함께 늘었다"로 수정. 비교 집단이 없어 인과로 말할 수 없음 |
앞에서 본 뷰티셀렉션 인턴 공고는 데이터 수집·정제·요약·시각화를 AI 도구로 자동화하는 일을 주요업무로 적었고, 채널톡은 생성형 AI로 분석 생산성을 높여 본 경험을 우대합니다. 면접에서는 자연스럽게 "그래서 AI를 어디에, 어떻게 썼나요?"라는 질문으로 이어집니다. "ChatGPT로 분석을 자동화했습니다" 같은 한 줄은 아무것도 증명하지 못합니다. AI가 낸 결과를 원본과 몇 건이라도 대조했는지, 어떤 제안을 받아들이지 않았는지가 드러나면, 공고가 말하는 "LLM 활용 역량"을 가장 정직하게 보여 주는 방법이 됩니다.
Step 6. 면접관이 링크 하나로 다시 실행할 수 있게 묶습니다
서류를 보는 사람이 zip 파일을 내려받아 열어 볼 거라고 기대하기는 어렵습니다. 프로젝트마다 GitHub 저장소 하나, 그 안에 README와 Colab 노트북을 두고, 링크 하나로 결과까지 보이게 만듭니다. README는 이 순서면 충분합니다.
# [결론 한 문장을 제목으로] 예: 첫 주문에 묶음 상품이 있던 고객의 30일 재구매율은 1.8배였다
## 한 줄 요약
누가 / 무엇을 결정하도록 / 어떤 데이터로 / 무엇을 확인했는지
## 질문과 결정할 사람
- 질문:
- 가설:
- 이 분석을 받아 볼 사람과 그 사람이 할 행동:
## 데이터
- 출처(링크), 기간, 행 수, 수집일, 라이선스
## 분석 방법
- 지표 정의, 비교 대상, 쓴 방법과 고른 이유
## 결과
- 핵심 차트 2~3장과 숫자
## 검증 로그
- 원본 행 수 → 정제 후 행 수, 버린 이유
- 원본·공식 통계와 대조한 숫자
## AI 활용 기록
- 단계별로 AI에게 맡긴 일 / 직접 확인하고 바꾼 것
## 한계와 다음에 할 것
## 실행 방법
- [Open in Colab] 링크
노트북은 남의 컴퓨터에서 돌아가야 의미가 있습니다. 데이터는 로컬 경로 대신 URL에서 바로 읽거나 수집일을 적은 스냅샷 파일로 저장소에 넣고, 첫 셀에 패키지 버전을 출력합니다. 다 만들었으면 로그인하지 않은 시크릿 창에서 링크를 열고 "모두 실행"을 눌러 끝까지 돌아가는지 봅니다. Colab을 포트폴리오용으로 다듬는 방법은 Colab 200% 사용하기에 따로 정리해 두었습니다.
데이터를 공개 저장소에 올리기 전에는 이용 조건을 꼭 확인합니다. 공공데이터는 데이터마다 붙은 이용허락 조건(공공누리 유형 등)을 보고, 경진대회 제공 데이터나 회사 내부 데이터는 약관의 재배포 조항을 확인합니다. 대회 데이터는 대회 밖 사용을 금지하는 경우가 흔합니다. 그럴 때는 데이터 대신 받는 방법과 처리 코드만 올립니다.
Step 7. 한 장 요약과 면접 답변까지 같이 만듭니다
프로젝트 3개가 준비되면 이를 한 장에서 보는 입구를 만듭니다. GitHub 프로필 README, 노션 한 페이지, PDF 한 장 중 무엇이든 괜찮습니다. 프로젝트마다 카드 하나에 세 줄만 씁니다.
- 결론 제목: README 제목과 같은 문장
- 증명한 역량: Step 1 표에서 이 프로젝트가 채운 줄
- 링크: 저장소와 Colab
면접에서는 이 카드 한 장을 놓고 이야기가 시작됩니다. 30초 요약은 이 틀에 넣어 연습합니다.
[결정할 사람]이 [질문]을 판단할 수 있도록 [데이터]를 [방법]으로 분석해 [핵심 숫자]를 확인했습니다. [한계] 때문에 다음 단계로 [제안]을 남겼습니다.
그리고 이 질문들에 프로젝트마다 한두 문장으로 답을 준비해 둡니다.
- 이 결론을 받쳐 주는 가장 결정적인 숫자 하나는 무엇인가요?
- 이 데이터에서 빠진 사람이나 기간은 누구인가요?
- 결과가 반대로 나왔다면 제안은 어떻게 바뀌었을까요?
- AI가 만든 부분과 직접 검증한 부분을 나눠 설명해 주세요.
- 같은 분석을 다시 한다면 무엇을 바꾸겠어요?
모르는 건 "그 부분은 확인하지 못했고, 다음에는 이렇게 보겠습니다"라고 답하면 됩니다. Step 4의 검증 로그와 Step 5의 AI 활용 기록을 만들어 두었다면 대부분의 질문은 이미 답이 적혀 있습니다.
자주 막히는 지점
| 상황 | 원인 | 이렇게 바꿔 보세요 |
|---|---|---|
| 프로젝트가 많은데 서류가 안 붙어요 | 각 프로젝트가 무엇을 증명하는지 안 보임 | 3개로 줄이고 Step 1 표의 줄과 하나씩 연결 |
| 타이타닉·붓꽃 같은 캐글 입문 데이터 위주예요 | 질문과 결정할 사람이 없고, 다른 지원자와 겹침 | 같은 기법을 지원 도메인 데이터에 다시 적용 |
| "정확도 92%"를 가장 크게 써 뒀어요 | 그 숫자로 무엇을 결정하는지 빠짐 | 오탐·미탐이 각각 비용이 얼마인지, 무엇을 결정하는지로 다시 쓰기 |
| 공공데이터만 있어서 실무 느낌이 안 나요 | 결과를 받아 볼 담당자가 없음 | 담당 부서를 정하고 제안과 첫 실험 계획까지 쓰기 |
| 노트북이 남의 컴퓨터에서 안 돌아가요 | 로컬 경로, 패키지 버전 차이 | URL로 데이터 읽기, 첫 셀에 버전 출력, 시크릿 창에서 모두 실행 |
| AI를 썼다고 쓰면 감점될까 걱정돼요 | AI 사용과 검증이 구분되지 않음 | Step 5 표로 맡긴 일과 바꾼 일을 나눠 적기 |
| 신입 공고가 너무 적어요 | 원티드 기준 신입 지원 가능 공고 15% | 지원 범위를 회사가 아닌 도메인 단위로 넓히고, 새 공고마다 Step 1 표를 갱신 |
마무리
2027년 공고의 숫자는 이 글의 숫자와 달라질 겁니다. 그래도 순서는 같습니다. 공고에서 출발해 비어 있는 줄을 찾고, 그 줄을 채우는 프로젝트를 질문으로 시작하고, 숫자를 의심한 흔적과 AI를 통제한 흔적을 남긴 뒤, 링크 하나로 다시 돌아가게 묶는 것입니다. 직군 지도는 공고를 매일 새로 모으고 있으니, 지원 직전에 한 번 더 열어서 지금 공고가 무엇을 묻는지 확인해 보세요.

