채용 공고를 여러 개 열어 두고도 이력서 첫 화면에 무엇을 올려야 할지 망설여질 때가 있습니다.
Python을 먼저 보여 줘야 할까요? Airflow일까요? 아니면 내가 익숙한 기술을 그대로 앞에 두는 편이 나을까요?
이번에는 최근 30일 동안 확인한 데이터 직무 공고 19건을 세었습니다. 14개 회사의 공고에서 어떤 기술이 반복됐는지 보고, 그 결과를 이력서의 첫 부분에 어떻게 옮길지 정리합니다.
가장 자주 보인 기술은 무엇이었을까요?
| 기술 | 언급 공고 수 |
|---|---|
| Python | 14 |
| Airflow | 13 |
| SQL | 13 |
| DBT | 10 |
| Kubernetes | 8 |
| Spark | 8 |
| AWS | 7 |
| Kafka | 6 |
| Snowflake | 5 |
| BigQuery | 4 |
가장 많이 보인 기술은 Python이었습니다. Airflow와 SQL이 그 뒤를 이었습니다.
이번 숫자에서 먼저 확인할 수 있는 것은 데이터 직무의 공고가 특정 언어 하나만 요구하는 모양은 아니라는 점입니다. 데이터를 다루는 코드, 흐름을 실행하는 도구, 저장과 운영에 연결되는 기술이 함께 등장했습니다.
그래서 이력서 첫 줄에 기술 이름만 나열하면 공고를 읽은 사람이 실제로 어떤 일을 했는지 알기 어렵습니다. 자신이 맡았던 데이터 흐름을 기술과 함께 보여 주는 편이 다음 판단에 도움이 됩니다.
Python을 요구한 회사는 어디였을까요?
Python을 언급한 회사 예시로는 넥스트증권, 드림어스컴퍼니, 라인플러스, 모두싸인, 백패커가 있습니다.
Python을 썼다는 사실만 적는다면 경험의 범위가 보이지 않습니다. 데이터를 가져왔는지, 변환했는지, 반복 작업을 자동화했는지에 따라 같은 Python 경험도 다르게 읽힙니다.
이력서 첫 부분에서는 다음 질문에 답하는 문장이 유용합니다.
- 어떤 데이터를 다뤘습니까?
- Python으로 어느 과정을 만들거나 바꿨습니까?
- 그 작업은 분석, 자동화, 운영 중 어디에 연결됐습니까?
예를 들어 실제 경험이 있다면 다음처럼 기술 이름과 업무를 붙일 수 있습니다.
- Python으로 데이터 처리 흐름을 만들고 운영했습니다.
- Python으로 반복 데이터 작업을 자동화했습니다.
- Python으로 데이터 품질 문제를 확인하고 수정했습니다.
위 문장을 그대로 사용할 필요는 없습니다. 실제로 해 본 일과 맞는 범위에서, 기술과 맡은 일을 한 문장에 붙이는 것이 중요합니다.
Airflow 경험은 무엇을 보여 줘야 할까요?
Airflow를 언급한 회사 예시로는 드림어스컴퍼니, 라인플러스, 백패커, 에이아이트릭스, 여기어때컴퍼니가 있습니다.
Airflow는 13건에서 보였습니다. 이번 표본에서는 데이터를 처리하는 코드뿐 아니라 정해진 순서로 작업을 실행하고 관리하는 경험도 반복해서 읽혔다고 볼 수 있습니다.
Airflow를 이력서에 적을 때 DAG를 만들었다는 표현에서 끝내지 않는 편이 좋습니다. 어떤 작업을 연결했는지, 실패한 작업을 어떻게 확인했는지, 다시 실행하는 흐름을 어떻게 다뤘는지를 함께 보여 주세요.
Python과 Airflow를 서로 떨어진 기술 목록으로만 적기보다 하나의 흐름으로 묶어도 좋습니다.
예를 들면 다음과 같습니다.
- Python으로 데이터를 처리하고 Airflow로 정해진 흐름에 따라 실행했습니다.
- Airflow 작업 흐름을 구성하고 실패한 단계를 확인해 다시 실행했습니다.
이때도 실제로 해 본 경험만 남겨야 합니다. 공고에 자주 보였다는 이유로 해 보지 않은 기술을 앞에 두면 면접에서 설명할 내용이 없어집니다.
SQL이 반복된 이유는 무엇일까요?
SQL을 언급한 회사 예시로는 넥스트증권, 드림어스컴퍼니, 모두싸인, 백패커, 에이비일팔공이 있습니다.
SQL은 13건에서 보였습니다. 데이터 직무를 준비하는 이력서에서 SQL은 사용 경험을 설명할 때 빠뜨리기 어려운 기술로 보입니다.
다만 SQL을 쓸 줄 안다는 말만으로는 부족합니다. 여러 테이블을 연결했는지, 데이터를 어떤 기준으로 가공했는지, 분석과 운영 중 어느 업무에 사용했는지를 적어야 경험의 모양이 드러납니다.
이력서에서는 다음과 같은 방향으로 정리할 수 있습니다.
- 여러 테이블의 데이터를 연결해 필요한 값을 조회했습니다.
- SQL로 데이터를 가공해 분석에 사용할 수 있는 형태로 만들었습니다.
- 운영 중 발견한 데이터 문제를 SQL로 확인하고 수정했습니다.
본인이 한 일이 조회인지, 변환인지, 품질 확인인지 구분해 적으면 읽는 사람이 업무 장면을 더 쉽게 이해할 수 있습니다.
DBT와 Spark는 어디에 놓아야 할까요?
DBT는 10건, Kubernetes와 Spark는 각각 8건에서 보였습니다.
DBT와 Spark는 데이터 변환과 처리 경험을 설명할 때 연결할 수 있는 기술입니다. 무엇을 사용했는지보다 어떤 데이터를 어떤 단계에서 바꿨는지가 먼저 보이도록 쓰는 편이 좋습니다.
예를 들어 DBT를 사용했다면 변환 모델을 만들었다는 말에 더해 어떤 데이터를 정리했는지 적을 수 있습니다. Spark를 사용했다면 대량 데이터를 어떤 처리 과정에 연결했는지 설명할 수 있습니다.
이력서 첫 화면에 모든 기술을 같은 크기로 넣을 필요는 없습니다. 가장 설명하기 쉬운 데이터 흐름을 중심에 두고, 그 흐름에서 사용한 기술을 붙이는 편이 낫습니다.
AWS와 Kubernetes는 무엇을 덧붙일까요?
AWS는 7건, Kubernetes는 8건에서 보였습니다.
이번 숫자만으로 모든 데이터 직무가 클라우드 운영을 같은 수준으로 요구한다고 말할 수는 없습니다. 다만 데이터 작업이 개인 컴퓨터 안에서 끝나는 것이 아니라 실행 환경과 연결될 수 있다는 점은 확인할 수 있습니다.
AWS나 Kubernetes 경험이 있다면 서비스 이름만 적기보다 어떤 환경에서 무엇을 운영했는지 보여 주세요.
- 어떤 데이터 작업을 어느 환경에서 실행했습니까?
- 배포나 실행 상태를 어떻게 확인했습니까?
- 문제가 생겼을 때 어느 부분을 점검했습니까?
이 질문에 답할 수 있는 경험이라면 기술 이름 뒤에 운영 범위를 붙일 수 있습니다. 경험이 없다면 기술 목록의 앞쪽을 억지로 채우기보다 실제로 설명할 수 있는 Python, Airflow, SQL 경험을 앞에 두는 편이 좋습니다.
Kafka와 저장 기술은 어떻게 연결될까요?
Kafka는 6건, Snowflake는 5건, BigQuery는 4건에서 보였습니다.
Kafka는 데이터가 이동하는 과정과 연결해 설명할 수 있고, Snowflake와 BigQuery는 데이터가 모이는 저장 환경과 연결해 볼 수 있습니다. 이번 집계는 각 기술이 공고에서 언급된 횟수를 센 결과이므로, 각 회사의 세부 업무 범위까지 보여 주지는 않습니다.
그래도 이력서를 정리할 때 한 가지 기준은 세울 수 있습니다. 기술 이름을 따로 흩어 놓기보다 데이터가 들어오고, 처리되고, 저장되는 흐름 안에 배치하는 것입니다.
예를 들어 실제 경험이 있다면 다음 순서로 설명할 수 있습니다.
- 데이터가 들어오는 경로를 다뤘습니다.
- Python이나 SQL로 데이터를 처리했습니다.
- Airflow로 실행 흐름을 관리했습니다.
- 저장 환경에 적재하고 결과를 확인했습니다.
자신의 경험이 이 중 일부에 해당한다면 해당하는 부분만 남기면 됩니다. 전체 흐름을 모두 경험했다고 늘릴 필요는 없습니다.
경력 요구사항은 어떻게 나뉘었을까요?
| 경력 요구사항 | 공고 수 |
|---|---|
| 5~7년 이상 | 7 |
| 3~4년 이상 | 6 |
| 신입·무관 | 2 |
| 표기 없음 | 2 |
| 1~2년 이상 | 1 |
| 8년 이상 | 1 |
5~7년 이상을 요구한 공고가 7건으로 가장 많았고, 3~4년 이상이 6건으로 이어졌습니다.
경력자라면 기술 목록보다 맡은 범위가 먼저 보이게 정리하는 편이 좋습니다. Python을 사용했다는 사실보다 데이터 흐름의 어느 부분을 책임졌는지, 운영 중인 작업을 어떻게 관리했는지, 문제를 어떻게 해결했는지를 앞에 두는 방식입니다.
신입·무관 공고는 2건이었습니다. 신입 지원자라면 기술을 많이 적는 것보다 프로젝트에서 직접 만든 데이터 흐름을 보여 주는 편이 낫습니다. Python과 SQL을 어디에 사용했는지, 어떤 입력을 받아 어떤 결과를 만들었는지 설명해 보세요.
그래서 이력서 첫 화면에는 무엇을 앞에 둘까요?
먼저 실제로 사용한 기술 중 Python, Airflow, SQL과 연결되는 경험을 찾는 것이 좋습니다. 이번 집계에서 반복해서 보인 기술이기 때문에 첫 검토 대상이 될 수 있습니다.
그다음 아래 순서로 이력서를 다시 읽어 보세요.
- 기술 이름만 적힌 문장을 찾습니다.
- 그 기술로 처리한 데이터나 업무를 덧붙입니다.
- 본인이 맡은 범위와 운영 여부를 적습니다.
- 결과를 설명할 수 있는 문장만 첫 화면으로 올립니다.
Python을 사용했다면 어떤 데이터 작업을 했는지 적습니다. Airflow를 사용했다면 어떤 흐름을 실행하고 관리했는지 적습니다. SQL을 사용했다면 무엇을 조회하고 가공했는지 적습니다.
DBT, Kubernetes, Spark, AWS, Kafka, Snowflake, BigQuery 경험이 있다면 자신이 맡은 흐름에 맞춰 뒤에 연결합니다. 공고에 나왔다는 이유만으로 익숙하지 않은 기술을 앞에 둘 필요는 없습니다.
tailf는 회사 채용 페이지를 매일 확인해 개발 공고를 모으고, 현재 열려 있는 개발 공고 2090건과 351개 회사의 채용 정보를 다룹니다. 로그인이 없고 잠금화면에는 한 줄만 보이며, 쓰는 기술 두 개를 고르면 지난 30일 공고 수를 가입 없이 세어 줍니다.
이 숫자로 말하지 않는 것은 무엇일까요?
이번 집계의 표본은 최근 30일 데이터 직무 공고 19건입니다. 14개 회사의 공고에서 기술 요구사항이 몇 번 보였는지만 세었습니다.
이 숫자만으로 모든 데이터 직무가 같은 기술을 요구한다고 말할 수는 없습니다. 회사와 공고의 구성에 따라 결과는 달라질 수 있습니다.
이번 글은 원티드 한 곳과만 비교한 결과가 아닙니다. 원티드에 기술이 얼마나 보이는지나 원티드에 공고가 있는지를 확인한 집계도 아닙니다.
측정 시각은 2026-10-12 18:46 KST입니다. 기술별 수치는 해당 시각에 확인한 집계입니다.
Python, Airflow, SQL이 반복해서 보였다는 사실은 확인할 수 있지만, 어떤 기술이 지원 결과를 만든다고 말할 수는 없습니다. 이력서에서 무엇을 앞에 둘지는 자신의 실제 경험과 지원하려는 공고를 함께 보고 판단해야 합니다.
제 판단입니다. 이번 표본을 기준으로 이력서 첫 화면을 고친다면 기술 목록의 길이를 늘리기보다 Python, Airflow, SQL 중 실제로 설명할 수 있는 경험을 하나의 데이터 흐름으로 묶는 것이 먼저입니다.
다음 화
다음 화의 주제는 매일 모인 데이터에서 고릅니다. 특정 회사나 직무를 미리 약속하지 않고, 그때 확인되는 공고에서 다음 질문을 찾겠습니다.
봐 줬으면 하는 회사가 있으면 댓글로 남겨 주세요.
