Data Scientist (광고 플랫폼 사업)

조직소개 리테일미디어플랫폼 사업부는 ​올리브영의 ​온라인 ​몰과 오프라인 ​매장 인프라, 그리고 AD-Tech ​역량을 ​기반으로 광고 ​사업을 만들어가는 조직입니다. ​온·오프라인 채널에서 ​실시간으로 ​발생하는 1P ​데이터를 ​활용해, ​고객에게는 불필요한 광고가 ​아니라 ​"지금 나에게 꼭 ​필요한 ​상품"을 ​추천하고, 브랜드에게는 가장 ​효과적으로 고객과 ​만날 ​수 있는 ​마케팅 수단을 ​제공하는 ​것이 우리의 목표입니다. 사업 ​영역은 온라인과 ​오프라인을 모두 아우릅니다. 온라인 몰 내부에는 개인화 추천 기반의 성과형 광고와 부킹형 광고가 있고, 오프라인에는 1,300여 개 매장에 설치된 인스토어 미디어와 매장 외부의 DOOH가 있습니다. 여기에 외부 미디어 플랫폼과의 협력광고까지 더해, 온사이트부터 오프사이트, 인스토어, DOOH까지 고객 여정 전체를 하나의 캠페인으로 연결하는 옴니채널 리테일미디어 네트워크를 구축하고 있습니다. 이 모든 것을 구현하기 위해, 국내외 미디어 플랫폼과의 협업과 더불어 자체 AD-Platform을 내재화된 역량으로 직접 만들어가고 있습니다. 빠르게 성장하는 초기 시장인 만큼, 정해진 답을 따라가기보다 직접 만들어가는 경험을 할 수 있습니다. 사업·프로덕트·데이터·기술이 함께 크는 조직에서, 스스로의 역량도 함께 키워가고 싶은 분을 찾습니다. 직무소개 리테일미디어 광고 상품·운영 고도화 지원 지면별, 캠페인 유형별, 타겟팅 세그먼트별 성과를 분석해 상품 설계에 반영합니다. 예를 들어 "특정 배너 포맷이 특정 세그먼트에서만 유독 전환율이 낮다"는 패턴을 발견하면, 해당 포맷의 노출 로직이나 과금 기준을 재설계하는 근거 자료가 됩니다. 캠페인 성과 측정 기준 및 공통 KPI 체계 구축 노출·클릭·구매전환 데이터를 연결해 광고주에게 공통적으로 제시할 수 있는 리포팅 지표를 설계합니다. 예를 들어 "온사이트 노출 후 7일 이내 매장 구매"까지 포함하는 인크레멘탈리티 측정 기준을 정의해, 협력사 리포트에 표준 지표로 반영합니다. 오디언스 세그먼트·타겟팅 로직 정의 및 DMP 자산화 구매·행동·관심 데이터로 오디언스를 정의하고, 이를 재사용 가능한 데이터 자산으로 만듭니다. 예를 들어 "장바구니에 담고 7일 내 미구매" 같은 행동 시그널을 세그먼트로 표준화해, 여러 광고주가 공통으로 활용할 수 있는 타겟팅 옵션으로 제공합니다. 오디언스 고도화 과제 수행 캠페인 성과 데이터를 바탕으로 고성과 세그먼트를 찾고, Look-alike나 구매 가능성 기반 확장 타겟을 개발합니다. 예를 들어 "신제품 초기 구매자 500명"을 시드로 유사 잠재 고객 5만 명을 확장 타겟팅해, 신규 브랜드의 초기 트래픽 확보 속도를 높입니다. 유관 부서 협업을 통한 데이터 기반 의사결정 지원 광고상품기획, 세일즈, 데이터엔지니어링과 함께 분석 결과를 실제 상품과 프로세스에 반영합니다. 예를 들어 세일즈가 "이 세그먼트로 캠페인을 팔 수 있는가"를 물으면, 분석 결과를 바로 영업 자료로 전환해 제공합니다. 온라인 로그만 보는 분석이 아닙니다 앱 노출부터 1,300여 개 매장의 실구매까지 연결된 데이터를 다룹니다. 온사이트 광고를 본 고객이 실제로 매장에서 구매했는지까지 분석 대상에 포함되는, 국내에서 흔치 않은 온·오프라인 통합 데이터 환경입니다. 분석이 리포트로 끝나지 않고 상품이 됩니다 세그먼트 정의 하나, 어트리뷰션 기준 하나가 곧 광고 상품의 스펙이 되고 광고주에게 파는 지표가 됩니다. 만든 모델이 다음 분기 캠페인에 바로 반영되는 구조라, 분석의 임팩트를 프로덕트 구현으로 확인 할 수 있습니다. 아직 업계 표준이 정해지지 않은 영역을 다룹니다 온·오프라인 통합 어트리뷰션, 자사 DMP, 오디언스 자산화 모두 지금 이 조직이 기준을 만들어가는 과정에 있습니다. 정해진 방법론을 적용하는 역할이 아니라, 이 시장에서 통용될 방법론 자체를 설계하는 역할입니다. 요구경험 및 역량 데이터 분석 및 통계적 역량 SQL로 대용량 로그·거래 데이터를 직접 다루고, Python/R 등으로 가설을 검증할 수 있는 능력. 단순 집계가 아니라 "왜 이 세그먼트에서 전환율이 낮은가"를 통계적으로 설명하는 역할을 5년 이상 수행한 경험이 필요 합니다. ※ 데이터 사이언스, 머신러닝, 통계학 관련 분야 실무 경력 (또는 이에 준하는 역량) 마케팅·광고 도메인에 대한 이해 퍼포먼스마케팅, 그로스마케팅, 어트리뷰션, 미디어믹스 등의 개념을 실무 감각으로 이해하는 역량. 분석 결과가 광고 상품의 스펙과 KPI로 바로 연결되기 때문에, 광고 비즈니스가 어떻게 돌아가는지에 대한 이해가 전제되어야 합니다. 세그멘테이션·타겟팅 모델링 직/간접 경험 미디어의 타겟팅 세그먼트 정의, Look-a-like 모델링, 구매 가능성 기반 확장 타겟팅, 추천 시스템 또는 타겟팅 알고리즘(Two-Tower, GNN, XGBoost 등) 등을 설계하고 검증해본 경험. 이론적 지식보다 실제 캠페인에 적용해 성과로 검증한대 경험을 우대합니다. 데이터 구조와 파이프라인에 대한 이해 DMP, 인하우스 데이터 웨어하우스 등 대규모 데이터 자산을 다루거나 설계해 본 경험. 직접 파이프라인을 구축하지 않더라도, 데이터 엔지니어링 조직과 자산화 구조를 함께 설계할 수 있는 수준의 이해가 필요합니다. 분석을 사업 언어로 번역하는 커뮤니케이션 능력 데이터 분석 결과를 상품기획 조직이 바로 활용할 수 있는 형태로 정리하고 설득하는 역량. 이 역할의 결과물은 리포트가 아니라 상품 기능 구현, 고도화 근기 자료이기 때문에, 협업 부서를 설득하고 실행으로 연결시키는 능력이 핵심입니다. 우대사항 리테일미디어 · 애드테크 업계 실무 경험 커머스 및 미디어 플랫폼, DSP/SSP 사업, 광고 대행사 등에서 광고 데이터를 다뤄본 경험. 광고 상품의 과금 구조와 성과 지표에 대한 감각을 이미 갖추고 있으면 온보딩 기간을 크게 단축할 수 있습니다. A/B 테스트 및 인과추론 기반 실험 설계 경험 캠페인 효과를 단순 상관관계가 아니라 실험 설계나 인과추론(uplift modeling, DID 등)으로 검증해본 경험. 인크레멘탈리티 측정 처럼 "정말 광고 때문에 산 것인가"를 증명해야 하는 과제를 수행 할 수 있습니다. MMM(마케팅 믹스 모델링) 또는 어트리뷰션 모델링 경험 여러 매체·채널의 기여모델을 설계하거나 정량화해 본 경험과 특히, 이커머스 클릭 로그와 오프라인 매장(POS) 결제 데이터를 결합하여 Cross-channel 구매 전환 및 LTV를 측정해본 경험이 필요합니다. 온·오프라인 통합 어트리뷰션 체계를 만드는 것은 올리브영 리테일미디어의 가장 큰 차별화 포인트 입니다. 대용량 데이터 처리 및 클라우드 환경 경험 SQL, Python 등 데이터 환경에서 분석 파이프라인을 직접 운영해본 경험. 1,700만명 올리브영 온/오프라인 회원의 데이터를 다루는 환경에 빠르게 적응할 수 있습니다. 데이터 기반 인사이트를 시각화·보고 자료로 구조화한 경험 Tableau, Looker 등으로 대시보드를 설계하거나, 분석 결과를 세일즈·상품기획 조직이 바로 활용할 수 있는 형태로 정리해본 경험. 또한, MLOps 체계(Kubeflow, MLflow 등) 기반으로 머신러닝 모델의 주기적 재학습 및 서빙을 자동화해본 경험으로, 모델이 리포트에 머물지 않고 상품에 바로 반영되는 구조인 만큼, 모델을 안정적으로 운영까지 이어가는 경험을 우대합니다. ※ 통계학/컴퓨터공학 관련 분야 석/박사 학위 소지자 지원 및 유의사항 채용에 합격하시는 경우 3개월의 수습기간을 적용합니다. 직무에 따라 면접 방식 및 전형 프로세스가 변경될 수 있습니다. 지원서 내용 중 허위사실이 확인될 경우 채용이 취소될 수 있습니다. CJ계열사(자회사 포함)에 재직 중인 경우 지원이 제한됩니다. 전형 불합격 후 6개월 내 동일 공고 재지원은 권장하지 않습니다. 2차 면접 합격자에 한하여 평판조회 및 처우협의가 동시 진행되며, 평판조회 결과에 따라 채용 절차가 중단될 수 있습니다. 해외 출장 또는 해외 여행에 결격 사유가 있는 경우 지원이 제한됩니다.(남성의 경우 병역필 또는 면제자 가능) ※ 올리브영 채용 블로그에서 더 많은 정보를 확인해 보세요!

• 채용 블로그 바로가기 : career.oliveyoung.com