

데이터사이언스팀이 예측모델을 개발하고 운영하는 방법을 소개합니다.
수요예측·추천 모델을 현장에 배포하고 운영하는 구조와 MLOps 기반을 소개했습니다. 데이터 품질, 성능 해석, Leakage 방지와 협업 기반 사후 대응의 중요성을 정리했습니다.


수요예측·추천 모델을 현장에 배포하고 운영하는 구조와 MLOps 기반을 소개했습니다. 데이터 품질, 성능 해석, Leakage 방지와 협업 기반 사후 대응의 중요성을 정리했습니다.


데이터사이언스팀의 예측모델 개발·운영 구조와 MLOPS 기반 서빙 체계를 소개했습니다. 또한 배포 후 대응, 성능 분석, Leakage 주의 등 실무에서 배운 점을 정리했습니다.


커머스 시계열 지표의 급변을 자동 감지하기 위해 온라인 CPD와 SDAR 기반 모델을 도입했습니다. Airflow와 Glue로 ETL·알림 파이프라인을 구성해 Slack 경보까지 연결했습니다.

리디 데이터사이언스팀이 기존 시스템을 활용해 머신러닝 파이프라인을 구축한 사례를 소개했습니다. 학습, 배포, A/B 테스트, 모니터링까지 유기적으로 연결해 운영 효율을 높였습니다.


올리브영은 IDC 기반 ETL·DW 구조를 GCP 기반 데이터 플랫폼으로 확장했습니다. Airflow·Spark·BigQuery로 데이터 수집·처리·분석과 로그 수집을 지원합니다.
.png)

초기 스타트업의 데이터 분석 한계를 해결하기 위해 BigQuery 중심 데이터 웨어하우스를 구축했습니다. dbt·Airflow·Data Studio를 결합해 데이터 변환과 전사 대시보드 운영 방식을 정립했습니다.
.png)

마케팅 콘텐츠 포스팅의 반복 업무를 Selenium·GCP VM·Docker·Airflow로 자동화했습니다. Notion을 CMS 대안으로 활용하고 배포·문서화·사용자 교육까지 경험했습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.


인턴으로 데이터 대시보드, ELT 파이프라인, 검색 엔진, 업무 자동화를 구축한 경험을 공유했습니다. 데이터 품질 관리와 지속적인 파이프라인 유지보수의 중요성을 설명합니다.

데이터 탐색과 메타데이터 관리의 어려움을 해결하기 위해 Data Discovery Platform을 구축했습니다. DataHub와 Airflow로 명세·통계·샘플·Lineage를 제공했습니다.

미응대 상담을 중요도별로 분류해 Slack으로 알리는 시스템을 구축했습니다. KoELECTRA의 높은 재현율을 바탕으로 중요한 상담을 우선 처리하도록 지원합니다.


ETL의 추출·변환·적재 흐름과 데이터 웨어하우스에서의 역할을 정리했습니다. 멱등성, 점진 적재, 파티셔닝, 테스트와 모니터링 원칙을 제시했습니다.


PySpark 분석의 경로·설정 관리와 Notebook·batch 환경 차이를 DevPlay Analytics로 추상화했습니다. SQL 인터페이스와 문서화·테스트를 제공해 일일 200종 이상 테이블 적재에 활용했습니다.

데이터플랫폼셀은 수집부터 분석·제공까지의 플랫폼을 구축해 데이터 기반 업무를 지원합니다. Kubernetes와 클라우드, 협업 문화를 바탕으로 활용성과 운영 품질을 높이고 있습니다.

Airflow의 주요 개념과 아키텍처, 데이터 파이프라인 구성 방법을 소개했습니다. 유사 워크플로 관리 도구와 비교해 카카오페이지의 선택 및 운영 방식을 설명했습니다.