도입 데이터 사이언스 인터뷰에서 experimentation은 단순히 A/B 테스트의 정의를 묻는 주제가 아니다. 실제 질문은 “새 기능을 출시해도 되는가?”, “캠페인을 계속 운영해야 하는가?”, “성공 지표를 어떻게 정할 것인가?”처럼 열린 형태로 나온다. A/B 테스트는 가설검정을 제품과 비즈니스 의사결정에 적용한 대표적인 방법이다. 예를 들어 소셜미디어 앱에서 Like 버튼 디자인을 바꾸었을 때, 사용자 참여 지표가 개선되는지 확인하기 위해 A/B 테스트를 설계할 수 있다. 실험 결과는 새 디자인을 전체 사용자에게 배포할지 판단하는 근거가 된다. 이번 글에서는 Exponent의 experimentation 학습 내용을 바탕으로, 데이터 사이언스 인터뷰에서 A/B 테스트 질문을 어떻게 구조화해서 답할지 정리한다. 핵심은 통계 지식만이 아니라, 모호한 비즈니스 문제를 명확한 가설과 지표, 실험 설계, 의사결정으로 바꾸는 능력이다. 핵심 요약 A/B 테스트는 제품 의사결정을 위한 가설검정이다 A/B…
도입 데이터 사이언스 인터뷰에서 A/B 테스트를 공부하다 보면 가설검정, 신뢰구간 다음으로 자연스럽게 power analysis와 impact sizing이 나온다. 처음에는 둘 다 실험 설계와 관련된 비슷한 개념처럼 보이지만, 실제 역할은 다르다. Impact sizing은 “이 실험이나 제품 변화가 성공했을 때 얼마나 큰 비즈니스 가치가 있는가?”를 추정하는 과정이다. 반면 power analysis는 “그 정도의 효과를 통계적으로 감지하려면 표본이 얼마나 필요한가?”를 계산하는 과정이다. 이 두 개념을 함께 이해하면 실험을 더 현실적으로 설계할 수 있다. 효과가 너무 작아 비즈니스 가치가 낮다면 실험 자체의 우선순위가 낮을 수 있고, 효과가 의미 있어도 필요한 표본이 너무 크면 실험 기간과 비용이 문제가 될 수 있다. 이번 글에서는 데이터 사이언스 인터뷰 관점에서 power analysis와 impact sizing을 어떻게 이해하고 답변하면 좋을지 정리한다. 핵심…
도입 데이터 사이언스 인터뷰를 준비하다 보면 가설검정과 신뢰구간은 거의 반드시 등장한다. 처음에는 p-value, 유의수준, 신뢰수준, t-test 같은 용어가 따로따로 보이지만, 실제 면접에서는 이 개념들이 A/B 테스트나 제품 의사결정 문제 안에서 함께 나온다. 이번에 공부한 Exponent 자료는 가설검정과 신뢰구간을 공식 암기 문제가 아니라, 표본 데이터를 바탕으로 불확실성을 다루고 의사결정을 내리는 도구로 설명한다. 데이터 사이언티스트는 실험 결과를 계산하는 데서 끝나지 않고, 그 결과가 제품 출시, 기능 개선, 마케팅 전략에 어떤 의미를 갖는지 설명해야 한다. 이 글에서는 가설검정의 기본 구조, 신뢰구간의 의미, p-value를 해석할 때 자주 생기는 오해, 그리고 면접에서 가설검정 문제를 답하는 방법을 정리한다. 목표는 통계 용어를 외우는 것이 아니라, 실제 인터뷰에서 내 사고 과정을 명확하게 설명할 수 있도록 만드는 것이다. 핵심…
도입 데이터 사이언스 인터뷰를 준비하다 보면 회귀 분석은 거의 피할 수 없는 주제다. 선형회귀 공식 자체는 익숙해 보여도, 실제 면접에서는 “이 모델을 왜 썼는가”, “계수는 어떻게 해석하는가”, “과적합은 어떻게 확인하는가”처럼 한 단계 더 깊은 질문이 이어진다. 이번에 공부한 Exponent 회귀 파트는 회귀 분석을 단순 계산 문제가 아니라, 데이터를 이용해 의사결정으로 연결하는 도구로 다룬다. 예를 들어 마케팅 지출과 매출의 관계를 분석하거나, 웹사이트 성능 지표와 전환율 사이의 관계를 파악하는 식이다. 이 글에서는 선형회귀의 기본 개념, R-squared와 p-value 해석, 다중공선성 문제, 모델 복잡도와 과적합 판단, 그리고 면접에서 답변을 구성하는 방법을 정리한다. 목표는 공식을 외우는 것이 아니라, 면접 상황에서 내 생각을 구조적으로 설명할 수 있도록 만드는 것이다. 핵심 요약 회귀 분석은 관계를 숫자로 설명하는…
도입 데이터 사이언스 인터뷰를 준비하다 보면 확률과 통계 질문을 피하기 어렵다. 알고리즘 문제처럼 정답을 빠르게 구하는 것도 중요하지만, 확률 문제에서는 내가 문제를 어떻게 정의하고, 어떤 가정을 두고, 어떤 식으로 계산했는지를 설명하는 능력이 더 크게 드러난다. 이번에 공부한 Exponent 글은 확률 질문을 단순히 공식 암기 문제로 보지 않는다. 면접관은 개념을 아는지, 수식으로 표현할 수 있는지, 필요하면 코드나 시뮬레이션으로 검증할 수 있는지를 함께 본다. 그래서 확률 문제는 수학 문제이면서 동시에 커뮤니케이션 문제에 가깝다. 이 글에서는 p-value, 기대값, 베이즈 정리, 공정한 동전 문제 같은 예시를 바탕으로 데이터 사이언스 인터뷰에서 확률 질문에 답하는 방식을 정리한다. 목표는 모든 공식을 외우는 것이 아니라, 낯선 문제를 만나도 차분하게 구조화해서 설명하는 연습이다. 핵심 요약 확률 질문은 무엇을 평가하는가…