SK브로드밴드 Data Science 자소서 작성법 및 합격 자기소개서 예시 (26년 하반기, 10/13 23시 59분 마감)
■ 이 글이 다루는 것 — Executive Summary SK브로드밴드는 초고속인터넷과 B tv를 통해 고객에게 연결 품질과 시청 경험을 제공합니다. 유료방송 시장의 가입자 감소 속에서 신규 고객을 확보하는 비용과 기존 고객을 유지하는 비용을 함께 따져야 합니다. 데이터센터 사업 분할 이후에는 인터넷, B tv, 기업회선 등 존속 사업의 성과도 중요해집니다. 지원자는 고객의 이용 감소나 불편을 발견하는 데서 그치지 않고, 어떤 조치가 고객 경험과 수익성에 도움이 되는지 생각해야 합니다. Data Science 직무에서는 미디어, 마케팅, 네트워크 조직이 해결하려는 질문을 먼저 명확히 해야 합니다. B tv 시청 기록, 상담 이력, 인터넷 품질 지표를 함께 살펴 원인을 구분하고, 예측 결과를 누구에게 어떤 조치로 연결할지 판단하는 업무입니다. 경험을 준비할 때에는 사용한 모델보다 데이터의 기준을 정한 이유, 비교 방법, 잘못된 판단에 따른 비용, 실행 뒤 효과를 확인한 근거를 챙기세요. 1번 문항에서는 높은 목표를 향해 서로 다른 방법을 선택하고 조정한 경험 1개를 고르세요. 700자 안에서 기존 기준과 스스로 세운 목표의 차이, 시간이나 자료의 제약을 먼저 밝힌 뒤 각 시도의 목적과 확인 결과를 이어 써야 합니다. 마지막에는 처음 목표와 실제 결과를 같은 기준으로 비교하고, 공동 과제라면 본인의 기여를 구분하세요. 2번 문항에서는 기존 방식의 어느 단계에서 지연이나 오류가 생겼는지 확인하고, 본인이 먼저 변화를 제안하거나 시험한 사례가 적합합니다. 관찰한 사실을 바탕으로 원인을 판단한 뒤 무엇을 왜 바꿨는지 서술하세요. 처리 시간이나 오류처럼 처음 제시한 문제와 맞는 기준으로 효과를 확인해야 새로운 시도의 가치가 드러납니다. 3번 문항에서는 낯선 방식에 적응했거나 다양한 의견을 받아들인 경험 중 변화가 선명한 1개를 선택하세요. 처음 자신의 판단을 짧게 밝히고, 상대가 중요하게 여기는 기준을 어떻게 확인했는지, 그 이해를 바탕으로 설명이나 작업 방식을 어떻게 바꿨는지 적으면 됩니다. 결과는 공동 작업이나 자신의 판단에서 실제로 확인한 변화까지만 쓰세요. 4번 문항에서는 AI를 실제로 사용해 문제를 해결하거나 생산성을 높인 경험을 골라야 합니다. 기존 과업의 어려움, AI에 맡긴 작업, 본인이 출력을 검토하고 결정한 기준을 순서대로 보여 주세요. 전후 결과는 같은 작업 범위에서 비교하고, 개인정보를 제외하거나 최종 확인을 유지했다면 실제 수행한 절차만 적으세요. 5번 문항에서는 Data Science 역량을 키운 과정을 1200자에 담습니다. 데이터 정제와 평가 기준처럼 이어지는 역량을 정하고, 부족함을 깨달은 계기부터 학습, 실제 과제에 적용한 행동, 확인한 변화까지 보여 주세요. 프로젝트의 전체 성과와 본인이 맡은 일을 구분한 뒤, 익힌 질문 설정과 검증 방법을 B tv 이용 경험이나 인터넷 품질을 다루는 업무에 어떻게 적용할지 연결하면 좋습니다. 전체 문항에서 목표나 문제를 먼저 정하고, 선택한 행동의 이유와 확인 가능한 결과로 이어지는지 점검해 보세요. 이제 아래 본문의 출제 의도와 풀이 방법, 예시 답안을 읽으며 자신의 경험이 각 문항의 요구에 맞게 서술됐는지 대조해 보시기 바랍니다. ■ 산업/기업/직무 분석 ① 산업 분석 SK브로드밴드가 이번에 Data Science 인력을 모집하는 배경에는 유료방송 시장의 둔화가 있습니다. 국내 유료방송 가입자는 2025년 하반기 3,615만 명으로 줄었습니다. 같은 기간 IPTV 가입자는 늘었지만 케이블과 위성 가입자의 감소 폭이 더 컸죠. 케이블 고객이 IPTV로 옮겨 오는 동안에는 가입자를 늘릴 여지가 있어도, 그 이동만으로 시장 전체의 감소를 막기는 어렵습니다. 새 고객을 데려오는 비용과 기존 고객을 유지하는 비용을 함께 따져야 하는 이유입니다. 초고속인터넷과 IPTV는 함께 판매되는 경우가 많지만 수익을 늘리는 방법은 다릅니다. 인터넷은 속도와 와이파이 품질, 결합상품의 경쟁력이 중요합니다. IPTV는 가입자가 실제로 무엇을 보고 유료 콘텐츠를 구매하는지까지 살펴야 해요. 온라인 동영상 서비스의 앱을 켜느라 셋톱박스를 거의 쓰지 않는 고객이라면, 가입 상태를 유지해도 추가 매출은 줄 수 있습니다. 시청 감소, 품질 불편, 상담 증가를 따로 보지 말아야 하는 까닭입니다. AI 데이터센터는 빠르게 성장하는 영역이지만, SK브로드밴드는 이를 신설법인으로 분리할 예정입니다. 2027년 2월 분할 이후 존속회사의 중심에는 인터넷, B tv, 기업회선이 남습니다. 따라서 이 회사의 데이터 분석은 콘텐츠를 찾기 쉽게 만들고, 불편을 일찍 발견하며, 고객에게 쓸 비용의 효과를 따지는 일과 밀접합니다. 추천 클릭 수가 늘었다는 결과만으로 끝내지 말고 시청, 구매, 해지와 비용까지 이어서 봐야 산업의 변화를 읽은 답이 됩니다. ② 기업 분석 SK브로드밴드는 2026년 8월 데이터센터와 해저케이블 국제전용회선 사업의 인적분할을 결정했습니다. 분할기일은 2027년 2월 1일입니다. 앞으로 B tv와 초고속인터넷을 비롯한 존속 사업이 자체적으로 성장 성과를 보여 줘야 하죠. 2026년 상반기 매출은 2조 3,100억 원으로 3.4% 늘었지만, 미디어 매출은 같은 기간 1.1% 감소했습니다. 회사 전체의 성장률과 지원자가 맡을 사업의 과제를 구분해서 볼 필요가 있습니다. 고객 접점에는 이미 AI가 쓰이고 있습니다. B tv의 에이닷은 2026년 8월 누적 이용 1억 4,000만 건을 넘었고, 월간 이용자는 170만 명입니다. 고객이 리모컨으로 제목을 입력하는 대신 말로 볼거리를 찾는 서비스예요. 품질관리 시스템 AQUA는 셋톱박스에서 하루 22억 건이 넘는 데이터를 모아 품질 상태를 살핍니다. 상담챗봇 챗비는 문의의 약 93%를 상담원 연결 없이 처리합니다. 이런 서비스의 이용량이 실제 고객 경험 개선으로 이어지는지가 다음 질문입니다. 회사가 강조하는 기준은 고객 관점의 서비스 개선과 투자한 자본 대비 성과입니다. 예를 들어 해지 위험이 높은 고객에게 모두 할인 혜택을 주면 해지는 줄어도 비용이 더 커질 수 있죠. 화질 문제를 겪는 고객에게는 할인보다 품질 조치가 알맞을 수도 있습니다. 분석가는 고객별 문제와 조치 비용을 구분하고, 시행 뒤 결과를 확인해야 합니다. 이 회사의 강점인 넓은 가입 기반과 풍부한 이용 기록을 고객 유지와 수익성 개선으로 연결하는 일이 중요해진 셈입니다. ③ 직무 분석 SK브로드밴드의 Data Science는 데이터를 추출하고 예측 모델을 만드는 일에서 끝나지 않습니다. 추천을 바꾸려는 미디어 조직, 해지를 줄이려는 마케팅 조직, 장애를 예방하려는 네트워크 조직이 무엇을 해결하려는지부터 확인해야 해요. 가령 ‘이탈 고객을 찾자’는 요청에도 해지 신청을 예측할지, 약정 만료 뒤 이탈을 예측할지에 따라 데이터와 평가 기준이 달라집니다. 질문을 명확히 하는 능력이 모델 선택보다 먼저 쓰입니다. 필요한 분석 대상도 폭넓습니다. B tv 시청 기록과 상담 이력, 인터넷 품질 지표를 함께 보면 콘텐츠 취향 때문으로 보였던 이용 감소가 끊김 문제와 관련됐는지 살필 수 있습니다. SQL과 Python은 이런 데이터를 정리하고 분석하는 데 유용합니다. 예측 결과를 업무에 적용할 때에는 누구에게 어떤 조치를 할지, 잘못 예측했을 때 비용이 얼마나 드는지도 계산해야 하죠. 고객 정보는 목적에 필요한 범위로 다루고 가명처리 절차를 지키는 판단도 업무의 일부입니다. 회사에서는 대규모 언어모델과 AI 에이전트를 활용한 자동화 과제도 추진하고 있습니다. 반복되는 상담 내용을 분류하거나 분석 요청의 일부를 처리하게 할 수 있지만, 결과를 고객 대응에 쓸 수 있는지는 사람이 확인해야 합니다. 새 추천 방식의 효과 역시 이용자끼리 수치만 비교하면 원래 많이 시청하던 고객의 특성이 섞일 수 있습니다. 비교 집단과 기간을 정해 시청, 구매, 해지 지표를 살피는 태도가 필요합니다. 분석 결과를 현업의 실행과 검증까지 이어 가는 직무라고 이해해 보세요. ■ 1번 항목 : 높은 목표를 달성하기 위하여 다각도로 노력했던 경험에 대해 작성해 주십시오. [분량: 700자] ■ 출제 의도 평가자는 ‘열심히 했다’는 선언보다 목표가 왜 높았는지 알고 싶어 합니다. 당시 주어진 기준이나 본인의 이전 수준과 비교해 보세요. 같은 프로젝트에서도 요구된 결과물을 제출하는 것과, 제한된 시간 안에 오류를 줄이고 실제 이용자가 쓸 수 있게 만드는 것은 목표의 난도가 다릅니다. 다만 다른 사람의 목표가 낮았다고 추측할 필요는 없어요. 자신이 맡은 과업, 사용할 수 있던 시간과 자료, 스스로 정한 기준을 제시하면 도전의 크기가 드러납니다. ‘다각도로 노력’했다는 표현도 중요합니다. 한 방법에 시간을 오래 쓴 경험인지, 목표에 다가가기 위해 서로 다른 방법을 검토하고 실행한 경험인지 구분해서 읽겠다는 뜻이죠. 예컨대 데이터 분석 과제에서 자료를 더 모으고, 오류가 나는 구간을 따로 확인하고, 결과를 사용자에게 보여 주어 설명이 통하는지 점검했다면 각 행동에는 다른 목적이 있습니다. 평가자는 행동의 개수보다 왜 그 순서와 방법을 택했는지를 봅니다. 시행 중 판단을 바꿨다면 무엇을 보고 조정했는지도 궁금해할 거예요. 결과를 다루는 방식에서는 사실에 대한 태도가 드러납니다. 목표를 완전히 달성했다면 처음 기준과 마지막 결과를 같은 지표로 비교해야 합니다. 목표에 미치지 못했다면 어디까지 해냈고 무엇을 바꿨는지 밝히면 됩니다. 결과물을 제출한 사실을 목표 달성으로 바꾸거나, 뒤에 성공한 일이 있었다고 꾸밀 이유는 없습니다. 공동 프로젝트라면 팀의 결과와 본인이 맡아 한 행동도 나눠 써야 해요. 그래야 높은 목표를 향한 본인의 기여를 읽을 수 있습니다. Data Science 직무와 연결할 때에도 화려한 분석 기법의 이름이 핵심은 아닙니다. 목표를 정한 근거, 자료나 시간의 제약, 여러 시도의 효과를 확인한 방법이 더 중요합니다. 고객 이탈이나 서비스 품질 같은 과제는 첫 시도로 답이 나오기 어렵고, 지표를 다시 정의하거나 데이터를 점검하는 과정이 필요하기 때문이죠. 이 문항은 지원자가 어려운 과제 앞에서 노력을 얼마나 들였는지뿐 아니라, 그 노력을 문제에 맞게 바꾸어 갔는지를 묻고 있습니다. ■ 풀이 방법 먼저 실제 경험 1개를 고르세요. 높은 목표가 숫자로 남아 있다면 그 기준을 쓰고, 숫자가 없다면 요구된 수준과 스스로 높인 기준의 차이를 설명해 보세요. 첫 부분에는 왜 그 목표가 필요했는지, 본인에게 무엇이 어려웠는지를 짧게 넣습니다. ‘성공하고 싶었다’보다 제한된 기간, 익숙하지 않은 과업, 부족했던 자료처럼 행동에 영향을 준 조건이 유용합니다. 목표와 제약이 보이면 뒤에 나오는 노력이 왜 필요한지도 자연스럽게 이해됩니다. 본문에서는 실제로 했던 일을 목적별로 연결해 보세요. 처음에는 어떤 방법을 택했고, 확인 과정에서 무엇이 부족해 다음 방법으로 옮겼는지를 쓰는 방식입니다. 여러 행동을 나열하더라도 모두 같은 뜻의 ‘추가 공부’로 읽히지 않게 해야 합니다. 자료를 찾은 이유, 다른 사람의 의견을 구한 이유, 결과를 다시 시험한 이유가 각각 보이면 좋습니다. 중간에 방법을 바꾸지 않았다면 억지로 시행착오를 만들지 말고, 동시에 진행한 준비와 점검이 목표에 어떻게 기여했는지 설명하세요. 마지막에는 처음 세운 목표와 실제 결과를 같은 기준에서 비교합니다. 목표 달성 여부가 분명하지 않은 경험이라면 확인된 산출물이나 평가 결과까지만 적으세요. 결과 뒤에는 이 경험으로 달라진 판단이나 작업 습관을 1문장 정도 덧붙일 수 있습니다. 시간과 횟수를 쓸 때에는 기록으로 확인되는 것만 쓰고, 많이 투입했다는 수치가 행동의 이유를 대신하지 않게 합니다. 700자에서는 배경을 길게 풀기보다 목표, 제약, 선택한 노력, 결과에 지면을 주는 편이 좋습니다. 소제목은 본문을 완성한 뒤 달아 보세요. 소제목은 본문을 완성한 뒤 핵심 판단이나 행동을 명사구로 짧게 압축해 다세요. 질문형 소제목은 본문이 그 물음에 분명히 답할 때 한 글에서 한 항목까지만 쓰고, 문장으로 끝맺지 마세요. 다만 제목에서 답을 먼저 말하거나, 본문에 나오지 않는 극적인 위기를 암시하면 어색해집니다. 질문에 대한 본인의 답이 행동과 결과에서 확인돼야 해요. 완성 후에는 ‘목표가 왜 높았는가’, ‘서로 다른 노력이 무엇이었는가’, ‘결과가 어디까지인가’를 확인하고 700자 상한에 맞춰 덜 중요한 설명부터 줄이세요. ■ 상위 1% 예시 [ 15석 오차 안의 착석 예측 ] 대학 영화제 운영팀에서 상영회별 좌석 수요를 예측하는 일을 맡았습니다. 이전 행사에서는 상영 직전 예매 취소가 몰려 객석이 비는 동안 대기자는 입장하지 못했습니다. 이번에는 상영 1일 전 실제 착석 인원을 15석 이내 오차로 예측하고, 그 수치를 대기자 안내에 쓰겠다는 목표를 세웠습니다. 준비 기간은 3주였고, 이전 행사 기록에는 신청 인원만 정리돼 있었습니다.