데이터 분석 직무 면접 질문 정리, 포트폴리오 설명하는 법

 

 

데이터 분석 직무 면접을 준비하면 SQL부터 Python, 통계, Tableau나 Power BI까지 공부할 것이 많습니다. 그러다 보면 기술 문제만 잘 풀면 면접 준비가 끝난 것처럼 느껴지기도 하죠.

 

하지만 최근 데이터 분석 직무 면접 가이드를 보면 기업은 단순히 도구를 사용할 줄 아는지뿐 아니라 데이터를 이용해 어떤 문제를 해결했고, 분석 결과를 실제 의사결정으로 연결할 수 있는지​를 함께 확인하는 경향이 뚜렷합니다. SQL이나 Python을 이용한 기술 테스트와 함께 비즈니스 케이스, 포트폴리오 설명, 이해관계자와의 커뮤니케이션 질문이 함께 나오는 이유도 여기에 있어요.

따라서 면접 준비도 기술 스택을 나열하는 방식보다 문제 정의 → 데이터 확보 → 분석 → 해석 → 실제 행동이나 제안까지 하나로 묶는 것이 중요합니다.

 

데이터 분석가는 무슨 일을 하는지부터 설명할 수 있어야 해요

가장 기본적인 질문 중 하나입니다.

“데이터 분석가가 하는 일이 무엇이라고 생각하나요?”

여기서

“데이터를 분석하는 직무입니다.”

라고 답하면 너무 넓어요.

최근 직무 가이드에서는 데이터 분석가의 역할을 데이터 수집과 분석, 패턴과 추세 파악, 결과 해석, 리포트 작성, 개선 지점 발견 등으로 설명하고 있습니다. 결국 데이터 자체를 보는 것이 목적이 아니라 데이터를 회사가 사용할 수 있는 정보로 바꾸는 역할에 가깝습니다.

면접에서는

“데이터 분석가는 비즈니스 문제를 데이터로 정의하고 필요한 데이터를 수집·정제한 뒤 분석을 통해 원인이나 기회를 찾고, 그 결과를 실제 의사결정에 활용할 수 있도록 전달하는 역할이라고 생각합니다.”

정도로 설명하면 좋아요.

 

포트폴리오는 첫 장부터 툴 이야기를 하지 마세요

데이터 분석 포트폴리오를 설명할 때 가장 흔한 방식이

“Python으로 전처리했고 Tableau로 시각화했습니다.”

라고 시작하는 것입니다.

하지만 면접관 입장에서는 왜 그 분석을 했는지부터 궁금합니다.

Google Data Analytics의 현재 Capstone 과정에서도 분석 사례를 질문하기, 준비하기, 처리하기, 분석하기, 시각화하기, 행동으로 연결하기​의 흐름으로 구성하고 있으며, 포트폴리오를 면접에서 설명하는 연습과 elevator pitch도 별도로 다룹니다.

그래서 프로젝트를 소개할 때는 다음 순서가 편합니다.

문제가 무엇이었는지 → 어떤 데이터를 사용했는지 → 어떤 방법으로 분석했는지 → 무엇을 발견했는지 → 그래서 어떤 결론이나 행동을 제안했는지

예를 들어

“온라인 쇼핑 데이터를 분석한 프로젝트입니다.”

보다

“재구매율이 낮은 원인을 파악하는 프로젝트였습니다. 고객 구매이력과 상품 데이터를 결합해 재구매 고객과 이탈 고객의 행동 차이를 분석했고, 특정 구매주기 이후 이탈이 급격하게 증가한다는 점을 확인했습니다. 이를 바탕으로 해당 시점에 맞춘 리텐션 캠페인을 제안했습니다.”

처럼 이야기하는 편이 훨씬 좋습니다.

SQL과 Python은 그다음에 나와도 늦지 않아요.

 

“본인이 직접 한 부분이 어디까지인가요?”

팀 프로젝트 포트폴리오라면 반드시 준비할 질문입니다.

“저희 팀이 분석했습니다.”

라고 계속 말하면 지원자의 능력을 판단하기 어렵습니다.

다음처럼 역할을 나누세요.

“전체 프로젝트는 4명이 진행했고 저는 SQL을 이용한 데이터 추출과 고객 세그먼트 분석을 담당했습니다. 대시보드 디자인은 다른 팀원이 맡았고, 최종 지표 선정과 결과 해석은 함께 논의했습니다.”

이렇게 말하면 협업을 인정하면서도 자신의 기여도가 명확해집니다.

최근 데이터 분석 채용 가이드에서도 포트폴리오와 이력서에서 단순한 도구 나열보다 사업에 준 영향과 실제 기여를 먼저 보여주는 것을 권합니다.

 

SQL 질문은 문법보다 사고과정을 봐요

데이터 분석 직무에서 SQL은 여전히 핵심 기술 중 하나입니다.

최근 면접 자료에서도 복잡한 SQL 쿼리를 설명하거나 직접 작성하고, 기존 쿼리를 수정하거나 오류를 찾는 문제가 대표적인 기술 질문으로 제시됩니다.

준비할 만한 영역은 기본적으로 JOIN, GROUP BY, 집계함수, 서브쿼리, CTE, 윈도우 함수 정도입니다.

다만 면접에서 중요한 것은 정답만 맞히는 것이 아닙니다.

예를 들어

“고객별 최근 구매일과 누적 구매금액을 구하세요.”

라는 문제가 나오면 바로 코드를 쓰기보다

“고객 단위로 데이터를 집계해야 하므로 customer_id를 기준으로 그룹을 만들고, 최근 구매일은 MAX, 누적금액은 SUM을 사용하겠습니다.”

처럼 접근방식을 먼저 설명하세요.

최근 면접 가이드에서도 라이브 SQL이나 Python 테스트에서는 코드 실행 여부뿐 아니라 문제 해결 논리와 설명 과정을 함께 평가할 수 있다고 설명합니다.

 

JOIN 차이는 말로 설명할 수 있어야 해요

SQL을 사용하는 직무라면 INNER JOIN과 LEFT JOIN 차이는 기본적으로 설명할 수 있어야 합니다.

단순 정의뿐 아니라 실제 업무 사례를 붙이면 좋아요.

예를 들어

“구매이력이 있는 고객만 분석하려면 INNER JOIN을 사용할 수 있지만, 구매하지 않은 회원까지 포함해 전환율을 계산해야 한다면 회원 테이블을 기준으로 LEFT JOIN을 사용하는 편이 적절합니다.”

처럼 설명하면 됩니다.

면접관은 SQL 사전을 외웠는지보다 상황에 맞는 방법을 선택할 수 있는지 궁금해할 가능성이 높아요.

 

데이터가 지저분하면 무엇부터 하겠습니까?

대표적인 데이터 클리닝 질문입니다.

최근 데이터 분석 면접 가이드에서도 대규모의 정리되지 않은 데이터셋을 어떻게 처리하는지, 데이터의 정확성과 신뢰성을 어떻게 보장하는지가 핵심 질문으로 제시됩니다.

이때

“결측치를 제거합니다.”

부터 바로 이야기하지 마세요.

먼저 데이터의 목적과 구조를 확인해야 합니다.

데이터 타입과 범위 확인 → 중복 확인 → 결측값 패턴 확인 → 이상치 확인 → 변수 간 논리적 일관성 확인

정도로 접근할 수 있어요.

 

결측값 역시 모두 삭제하는 것이 정답이 아닙니다.

랜덤하게 빠졌는지, 특정 사용자군에 집중되어 있는지에 따라 제거와 대체, 별도 범주화 등 대응 방식이 달라질 수 있습니다.

 

반응형

이상치를 발견하면 바로 제거하면 안 돼요

“아웃라이어는 어떻게 처리하나요?” 역시 자주 나옵니다.

답은 상황에 따라 달라요.

센서 오류나 입력 오류라면 수정 또는 제외가 필요할 수 있지만, 실제 VIP 고객이나 대량 구매자처럼 비즈니스적으로 의미 있는 값일 수도 있습니다.

따라서

“통계적으로 이상치인지 확인한 뒤 원자료와 비즈니스 맥락을 함께 확인하겠습니다. 오류라면 제거 또는 수정하고 실제 관측값이라면 별도 세그먼트로 분석할 수 있습니다.”

처럼 말하는 것이 좋아요.

데이터 분석은 숫자가 튀었다고 지우는 일이 아니라 왜 튀었는지 판단하는 과정이 중요합니다.

 

평균과 중앙값 차이도 실제 상황으로 준비

통계 기초 질문도 나올 수 있습니다.

예를 들어 연봉이나 구매금액처럼 일부 값이 매우 큰 데이터에서는 평균이 소수의 극단값에 영향을 받을 수 있습니다.

이럴 때 중앙값이 데이터의 일반적인 수준을 더 잘 보여주는 경우가 있죠.

“평균과 중앙값 차이가 무엇인가요?”

라고 물으면 정의만 말하지 말고

“고객 평균 구매액이 15만 원이어도 소수의 고액 고객 때문에 높아진 것이라면 일반 고객 수준을 파악할 때 중앙값을 함께 보겠습니다.”

처럼 실제 사례를 붙이는 것이 좋아요.

 

상관관계와 인과관계 질문도 자주 대비하세요

데이터 분석 면접에서 상당히 중요한 부분입니다.

A와 B가 함께 증가한다고 해서 A가 B의 원인이라고 바로 결론 내리면 안 됩니다.

다른 변수가 동시에 영향을 주거나 반대 방향의 관계가 있을 수도 있어요.

예를 들어 광고비가 늘어난 기간에 매출도 올랐다고 해서 광고 때문에 매출이 올랐다고 단정할 수 없습니다. 성수기나 가격 변경처럼 다른 요인의 영향이 있을 수도 있기 때문입니다.

따라서 인과관계를 주장하려면 실험이나 적절한 분석설계가 필요하다는 점을 설명할 수 있어야 해요.

 

A/B 테스트 질문은 왜 하는지부터

IT·커머스·플랫폼 기업이라면 A/B 테스트 관련 질문도 대비할 가치가 있습니다.

“버튼 색을 바꾸면 전환율이 좋아지는지 어떻게 확인하시겠습니까?”

라는 질문이 나왔을 때 바로 t-test부터 말하기보다 가설과 지표를 정해야 합니다.

예를 들어

“새로운 디자인이 구매 전환율을 높인다는 가설을 세우고, 사용자를 무작위로 기존안과 변경안에 배정한 뒤 구매 전환율을 주요 지표로 비교하겠습니다.”

처럼 시작하면 됩니다.

이후 표본 크기, 실험기간, 통계적 유의성, 동시에 진행된 프로모션처럼 결과에 영향을 줄 요소도 생각할 수 있어야 해요.

최근 2026년 데이터 분석 면접 자료에서도 통계와 비즈니스 판단, 케이스 문제 등이 기술 질문과 함께 주요 평가 영역으로 제시됩니다.

 

대시보드는 예쁘게 만든 이유보다 지표 선정 이유를 말하세요

Tableau나 Power BI 포트폴리오가 있다면

“대시보드를 직접 만들었습니다.”

라고만 설명하면 부족합니다.

면접관은

“왜 이 지표를 가장 위에 배치했나요?”

“누가 사용하는 대시보드인가요?”

“사용자가 이 화면을 보고 어떤 결정을 내릴 수 있나요?”

를 물을 수 있어요.

Coursera의 최신 데이터 분석 면접 준비 자료에서도 대시보드에 어떤 지표를 선택했고 왜 우선순위를 두었는지를 설명하는 질문을 대표적으로 제시합니다.

따라서

“매출과 고객 수, 전환율을 보여줬습니다.”

보다

“영업 담당자가 매일 확인하는 화면이라 가장 먼저 전체 매출과 목표 달성률을 보여주고, 이상이 있을 때 원인을 빠르게 볼 수 있도록 채널별 전환율을 아래에 배치했습니다.”

처럼 사용자와 의사결정을 연결하세요.

 

좋은 분석인데 실제로 아무것도 바뀌지 않았다면?

포트폴리오 프로젝트에서는 실제 회사 데이터를 사용하지 못해 실행까지 이어지지 않는 경우가 많습니다.

괜찮아요.

억지로

“이 분석으로 매출이 증가했습니다.”

라고 만들 필요가 없습니다.

개인 프로젝트라면

“실제 기업 데이터가 아니라 공개 데이터를 사용했기 때문에 사업 성과까지 검증하지는 못했습니다. 다만 분석 결과를 바탕으로 A와 B 전략을 제안했고, 실제 적용한다면 전환율과 재방문율을 핵심 KPI로 검증하겠습니다.”

처럼 한계를 명확하게 이야기하면 됩니다.

포트폴리오에서는 허구의 성과보다 분석의 한계를 아는 것이 중요합니다.

 

포트폴리오 결과가 예상과 다르면 더 좋은 질문거리가 됩니다

예상과 다른 결과가 나온 프로젝트가 오히려 면접에서 좋은 소재가 될 수 있습니다.

예를 들어

“20대 고객이 가장 높은 구매율을 보일 것으로 예상했지만 분석에서는 30대가 가장 높았습니다.”

라고 나왔다면

“예상과 달라서 데이터를 다시 검증했고, 연령별 고객 수 차이와 구매빈도를 따로 비교했습니다. 그 결과 30대 고객은 전체 고객 비중뿐 아니라 개인당 구매빈도도 높다는 것을 확인했습니다.”

처럼 설명할 수 있어요.

데이터 분석가는 원하는 답을 만드는 직무가 아니라 데이터가 말하는 결과를 해석하는 직무라는 점을 보여줄 수 있습니다.

 

“이 분석이 틀렸을 가능성은 없나요?” 질문 대비

좋은 데이터 면접에서는 지원자의 결론을 일부러 공격해볼 수도 있습니다.

이때

“제 분석이 맞습니다.”

라고 방어하기보다 한계를 이야기할 수 있어야 해요.

예를 들어

“해당 데이터는 앱 사용자의 행동만 포함하기 때문에 전체 고객에게 일반화하기 어렵습니다. 또한 마케팅 유입경로가 일부 누락돼 있어 캠페인의 영향을 완전히 분리하지 못한 한계가 있습니다.”

처럼 말하면 됩니다.

분석에서 어떤 편향이 존재하고 어떤 추가 데이터가 필요한지까지 설명할 수 있다면 더 좋아요.

 

비전공자에게 설명하는 질문도 준비하세요

데이터 분석가는 데이터팀 안에서만 일하지 않습니다.

마케팅과 영업, 기획, 운영 등 분석에 익숙하지 않은 사람에게 결과를 설명해야 하는 경우가 많아요.

그래서

“통계지식이 없는 팀장에게 이 결과를 어떻게 설명하겠습니까?”

같은 질문도 나올 수 있습니다.

최근 면접 가이드에서도 기술적이지 않은 이해관계자에게 분석 결과를 전달하는 능력을 데이터 분석가의 중요한 역량으로 다룹니다.

p-value와 회귀계수부터 설명하기보다

“새 화면을 사용한 그룹의 구매율이 기존 화면보다 높게 나왔고, 우연이라고 보기 어려운 차이였습니다.”

처럼 업무 언어로 먼저 설명하세요.

필요하면 그 뒤에 분석방법을 추가하면 됩니다.

 

분석 결과와 현업 의견이 다르면?

실무형 질문입니다.

데이터상 A 전략이 좋아 보이는데 현업 담당자가 B가 맞다고 주장할 수도 있어요.

이때

“데이터가 맞으니까 A로 해야 합니다.”

라고 답하면 협업 능력이 부족해 보일 수 있습니다.

반대로 현업 의견을 그대로 따를 필요도 없어요.

“먼저 현업이 B를 선호하는 이유와 데이터에 포함되지 않은 정보를 확인하겠습니다. 분석에서 놓친 요소가 있다면 추가하고, 여전히 판단이 어렵다면 제한된 범위에서 A와 B를 테스트해 결과를 확인하겠습니다.”

처럼 접근하면 좋아요.

데이터는 의사결정을 돕는 근거이지 모든 현장 정보를 자동으로 포함하는 것은 아니기 때문입니다.

 

Python과 R은 무엇을 얼마나 준비해야 할까

회사마다 다릅니다.

어떤 회사는 SQL이 가장 중요하고 Python은 데이터 전처리 정도만 요구하지만, 다른 회사는 pandas와 numpy를 이용한 분석이나 통계모델링까지 요구할 수 있어요.

최근 데이터 분석 면접 자료에서는 SQL, Python 또는 R, Tableau·Power BI 등 시각화 도구가 대표적인 기술 역량으로 반복해서 등장합니다.

그래서 모든 라이브러리를 공부하기보다 지원공고를 기준으로 준비해야 합니다.

이력서에 pandas와 scikit-learn을 적었다면 실제로 무엇을 했는지 설명할 수 있어야 하고, 사용하지 않은 도구를 단순히 키워드 때문에 넣는 것은 피하는 게 좋아요.

 

AI를 데이터 분석에 어떻게 사용하는지도 준비할 만해요

2026년 데이터 분석 면접에서는 AI 활용 방식도 새로운 질문 영역으로 언급되고 있습니다.

최근 DataCamp의 2026년 면접 가이드에서는 AI 도구를 분석 과정에서 어떻게 책임 있게 활용하는지, AI가 생성한 결과를 어떻게 검증하는지를 새로운 준비 영역으로 제시합니다.

예를 들어

“AI로 SQL 초안을 만들 수는 있지만 그대로 사용하지 않고 테이블 구조와 조인 조건을 직접 확인하고 샘플 데이터로 결과를 검증합니다.”

처럼 말할 수 있어요.

AI 사용 여부보다 결과에 대한 검증 책임을 본인이 갖고 있는지가 더 중요합니다.

 

포트폴리오는 1분 버전과 5분 버전을 모두 준비

포트폴리오 설명 시간을 정확히 얼마나 주는지는 회사마다 다릅니다.

그래서 프로젝트 하나를 두 가지 버전으로 준비하면 좋아요.

1분 버전에서는

문제 → 분석 → 결과 → 임팩트

만 이야기합니다.

5분 버전에서는 여기에

데이터 구조 → 전처리 → 분석방법을 선택한 이유 → 한계 → 다음 분석

을 추가하세요.

Google Data Analytics Capstone에서도 포트폴리오 사례를 면접에서 설명하기 위한 짧은 elevator pitch 연습을 별도로 다루고 있습니다.

 

포트폴리오 프로젝트는 몇 개가 좋을까

정해진 숫자는 없습니다.

프로젝트가 많아도 비슷한 분석만 반복하면 큰 의미가 없어요.

3개를 준비한다면 성격을 조금 나누는 것이 좋습니다.

예를 들어 하나는 SQL을 중심으로 대규모 데이터를 분석한 프로젝트, 하나는 통계나 실험 설계를 활용한 프로젝트, 하나는 Tableau나 Power BI로 대시보드를 만들어 실제 의사결정을 지원한 프로젝트처럼 구성할 수 있습니다.

중요한 건 프로젝트 수보다 각 프로젝트에서 어떤 역량을 보여주는지예요.

Coursera의 최신 포트폴리오 가이드 역시 학습 프로젝트나 개인 프로젝트도 포트폴리오에 활용할 수 있으며, 면접에서는 각 사례의 핵심 역량을 설명할 수 있도록 준비할 것을 권합니다.

 

신입이라 실무 데이터가 없다면

공공데이터나 Kaggle 데이터를 활용한 프로젝트도 괜찮습니다.

다만 데이터셋을 받아 정해진 분석을 그대로 따라 한 프로젝트라면 자신의 문제 해결 역량이 잘 드러나지 않을 수 있어요.

가능하면

“왜 이 질문을 정했는가.”

“어떤 가설을 세웠는가.”

“어떤 변수는 왜 제외했는가.”

“분석 결과에서 어떤 행동을 제안했는가.”

를 직접 결정한 프로젝트를 준비하세요.

Google Data Analytics 과정 역시 실제 직무 준비를 위해 case study를 직접 완성하고 이를 온라인 포트폴리오에 활용하는 방식을 안내합니다.

 

데이터 분석 면접에서 준비할 질문

면접 전에 최소한 다음 질문에는 자신의 말로 답할 수 있어야 합니다.

“가장 자신 있는 분석 프로젝트를 설명해주세요.”

“그 프로젝트에서 본인의 역할은 무엇이었나요?”

“왜 이 지표를 선택했나요?”

“결측치는 어떻게 처리했나요?”

“이상치는 어떤 기준으로 판단했나요?”

“SQL에서 JOIN을 어떻게 사용했나요?”

“분석 결과가 예상과 다르면 어떻게 하나요?”

“데이터가 정확한지 어떻게 검증했나요?”

“통계적으로 유의하지만 비즈니스적으로 의미가 없다면 어떻게 하겠습니까?”

“분석 결과를 비전공자에게 어떻게 설명하겠습니까?”

“본인의 분석이 틀렸을 가능성은 어떻게 검토했나요?”

“이 프로젝트를 다시 한다면 무엇을 바꾸겠습니까?”

최근 데이터 분석 면접 가이드에서도 데이터 정제, SQL, 대시보드, 분석 정확도, 사업 의사결정에 영향을 준 사례 등이 대표적인 질문으로 반복해서 등장합니다.

 

결국 포트폴리오는 ‘분석 결과물’보다 사고과정을 보여주는 자료예요

데이터 분석 포트폴리오에서 그래프가 화려하거나 머신러닝 모델이 복잡하다고 반드시 좋은 평가를 받는 것은 아닙니다.

면접관이 궁금한 것은 결국

왜 이 문제를 분석했는가.

어떤 데이터를 왜 사용했는가.

분석방법은 왜 그렇게 선택했는가.

결과에서 무엇을 발견했는가.

그 결과로 어떤 결정을 내릴 수 있는가.

입니다.

최근 데이터 분석 면접 준비 자료에서도 기술적 능력만큼 데이터를 실제 비즈니스 결과와 연결하고 이해관계자에게 전달하는 능력이 중요하게 강조되고 있어요.

그래서 면접 전날 SQL 문법을 하나 더 외우는 것만큼, 자신의 포트폴리오 첫 페이지를 보고 1분 안에 “이 프로젝트가 왜 필요한 분석이었는지” 설명하는 연습을 해보는 것이 좋습니다.

좋은 데이터 분석가는 숫자를 많이 보는 사람이 아니라, 숫자에서 의미를 찾아 다음 행동을 결정할 수 있게 만드는 사람에 가깝습니다. 포트폴리오 역시 그 과정이 보이도록 준비하면 면접에서 훨씬 설명하기 쉬워져요.