[A+] 라인페이플러스 Data Scientist 인턴

1. [A+] 라인페이플러스 Data Scientist .hwp
2. [A+] 라인페이플러스 Data Scientist .pdf
라인 페이플러스는 단순한 결제를 넘어 다양한 사용자 맥락이 녹아 있는 핀테크 서비스라고 생각하며, 그 속에서 사람의 행동을 데이터로 이해하고 더 나은 경험으로 연결하고 싶습니다.
데이터 분석은 혼자서 완성되는 일이 아니며, 다양한 직무와의 협업 속에서 진짜 가치를 만들어낸다고 생각합니다.
해당 프로젝트는 실제 쇼핑몰의 웹로그 데이터를 기반으로, 사용자의 행동 패턴을 분석하여 이탈 가능성이 높은 사용자를 사전에 예측하고, 이를 바탕으로 맞춤형 리텐션 전략을 설계하는 것을 목표로 했습니다.
이 프로젝트는 단순히 좋은 예측 모델을 만드는 것을 넘어, 데이터가 실질적인 비즈니스 전략으로 연결되는 과정을 경험할 수 있었기에 더욱 값진 시간이었습니다.
라인 페이플러스는 단순한 결제를 넘어 다양한 사용자 맥락이 녹아 있는 핀테크 서비스라고 생각하며, 그 속에서 사람의 행동을 데이터로 이해하고 더 나은 경험으로 연결하고 싶습니다.
Python기반으로 Pandas, Numpy, Scikit-learn, XGBoost, LightGBM 등 다양한 모델을 활용해 실제 문제 해결을 해본 경험이 있고, SQL을 활용한 데이터 추출 및 전처리에도 익숙합니다.
예를 들어, 실시간 로그 데이터를 기반으로 사용자 이탈 예측 모델을 개발했던 프로젝트에서는 비정형 로그 데이터를 정제하고, 시계열 특성을 반영한 LSTM 기반 예측 모델까지 확장한 바 있습니다.
분석 결과를 데이터에 익숙하지 않은 팀원에게도 쉽게 전달할 수 있도록, Tableau나 Plotly, Streamlit 등을 활용해 시각적으로 소통해 본 경험도 다수 있습니다.
특히 Tree 계열 알고리즘을 적용한 후에는 SHAP, LIME 등의 방법을 활용해 변수 중요도 및 개별 예측 사유를 시각화하며, 데이터 기반 설명력 있는 의사결정도출을 연습했습니다 .
해당 과목을 통해 '정확한 모델'보다 '신뢰할 수 있고 해석 가능한 모델'이 실제 서비스에서 얼마나 중요한지를 체감하게 되었고, 지금도 분석을 시작할 때 가장 먼저 생각하는 것이 "이 모델이 실사용자에게 어떤 영향을 줄 수 있을까?"입니다.
제가 가장 기억에 남고, 의미 있게 느꼈던 프로젝트는 '이커머스 플랫폼 사용자 이탈 예측 모델 개발'이었습니다.
해당 프로젝트는 실제 쇼핑몰의 웹로그 데이터를 기반으로, 사용자의 행동 패턴을 분석하여 이탈 가능성이 높은 사용자를 사전에 예측하고, 이를 바탕으로 맞춤형 리텐션 전략을 설계하는 것을 목표로 했습니다.
모델, 데이터, 분석, 예측, 프로젝트, 단순하다, 기반, 사용자, 활용, 어떻다, 실제, 다양하다, 가장, 결과, 설명, 학습, 생각, 해석, 이탈, 과목