datarichard logo데이터리차드
소개About커리큘럼Curriculum멘토링Mentoring자료실Resources프로젝트Work
←자료실로 돌아가기 · Back to Resources
2026년 3월 14일·6 min read·Resume
A—02

이력서에서 가장 자주 발견되는 5가지 실수

Five Recurring Mistakes I See on Data Resumes

한 달간 검토한 80건의 이력서에서 반복적으로 등장한 패턴과 즉시 적용 가능한 수정안.

Resume이력서Review
05
datarichard · A—026 min read
Article · 아티클
이력서에서 가장 자주 발견되는 5가지 실수
목차 · Contents
01

한 달, 80건의 이력서에서 발견한 것

What I Found in 80 Resumes

지난 달, 나는 커뮤니티 이벤트와 멘토링을 통해 80건의 데이터 직무 이력서를 검토했다. 경력 0년차부터 7년차까지, 분석가·사이언티스트·엔지니어를 모두 포함했다. 5가지 실수가 반복적으로 등장했고, 대부분은 즉시 수정 가능한 것들이었다.

흥미로운 점은 이 실수들이 경력과 비례하지 않는다는 것이다. 7년차 이력서에서도 신입이 저지르는 같은 실수가 발견됐고, 반대로 잘 쓴 신입 이력서가 시니어보다 더 인상적인 경우도 있었다. 이것은 형식이 아니라 사고방식의 문제다.

이 글은 채용 위원회 관점에서 이력서를 검토할 때 실제로 무엇을 보는지, 그리고 반복적으로 발견된 5가지 패턴과 즉시 적용 가능한 수정 방법을 정리한 것이다.

"형식이 아니라 사고방식의 문제다. 7년차 이력서에서도 신입이 저지르는 같은 실수가 반복된다."

02

실수 1 — 경험이 아닌 '업무'를 나열한다

Listing Duties, Not Achievements

80건 중 60건 이상에서 공통적으로 발견된 패턴은 '업무 목록'이었다. "SQL을 사용하여 데이터를 추출하였으며, 대시보드를 구축하였음" — 이런 문장이 당신의 이력서에도 있는가? 이것은 JD(Job Description)를 복사한 것과 다르지 않다.

채용 담당자가 알고 싶은 것은 당신이 무슨 일을 했느냐가 아니라, 그 일이 어떤 결과를 낳았냐다. "데이터 추출"이 아니라 "고객 유지율 분석을 통해 이탈 위험 세그먼트를 정의, 재활성화 캠페인 기여"처럼 목적과 결과가 보여야 한다.

수정 방법은 단순하다. 모든 경험 항목을 "그래서 어떻게 됐는가?"라는 질문으로 검토하라. 답이 없다면 아직 쓰지 않은 것이다. 결과가 수치화되지 않는다면, 적어도 의사결정에 어떤 영향을 미쳤는지를 서술하라.

03

실수 2 — 숫자가 없다

Achievements Without Numbers

'데이터 분석가'를 지망하면서 이력서에 숫자가 없다는 것은 모순이다. 그러나 검토한 이력서의 절반 이상이 이 문제를 갖고 있었다. "분석 업무를 담당하였음"보다 "주간 활성 사용자 300만 규모 데이터셋 분석"이 훨씬 구체적이다.

숫자를 쓰는 게 어색하게 느껴진다면, 이렇게 생각해보라. 팀 규모, 다룬 데이터 규모, 개선된 지표의 크기, 절감된 시간, 영향을 받은 사용자 수 — 이 중 하나도 기억나지 않는다면 실제로 임팩트가 없었거나 아직 측정되지 않은 것이다. 후자라면 지금이라도 전 직장 데이터를 추정해서 근거와 함께 적으면 된다.

숫자는 정확하지 않아도 괜찮다. "약 40% 감소", "하루 3시간 절감 추정"처럼 추정임을 밝히면서 근거를 함께 제시하면 오히려 분석적 사고방식을 드러낸다.

"'데이터 분석가'를 지망하면서 이력서에 숫자가 없다는 것은 모순이다."

04

실수 3 — 기술 스택을 '나열'만 한다

The Tech Stack Dump

SQL, Python, Tableau, Power BI, BigQuery — 이것들을 나열하는 이력서를 수없이 봤다. 나열 자체가 나쁜 것은 아니지만, 채용 담당자는 곧바로 다음 질문을 한다. "어느 수준이고, 어디에 어떻게 사용했는가?"

효과적인 기술 기술 방식은 두 가지다. 첫째, 사용 수준을 명시한다. "SQL (복잡한 서브쿼리, 윈도우 함수, CTE 활용 업무 경험)", "Python (pandas·seaborn 기반 EDA, sklearn 기초 수준)"처럼. 둘째, 해당 기술로 무엇을 했는지를 경험 항목에서 드러낸다.

기술 목록은 채용 시스템 검색 키워드용으로만 쓰고, 실제 역량은 경험 서술에서 보여주는 전략이 가장 효과적이다.

05

실수 4 — 모든 회사에 같은 이력서

One Resume for All Jobs

"그냥 내 이력서 제출하면 되는 거 아닌가요?" — 이 질문이 나올 때마다 같은 답을 한다. 회사마다 원하는 것이 다르고, 같은 직함이라도 실제로 원하는 역량이 다르다.

스타트업의 데이터 분석가는 "자기가 알아서 다 처리하는 사람"을 원한다. 대기업은 "정의된 프로세스 안에서 정밀한 분석을 하는 사람"을 원한다. 같은 경험을 갖고도 어느 쪽을 부각하느냐에 따라 완전히 다른 이력서가 된다.

최소한의 커스터마이징 전략: JD에서 반복적으로 등장하는 키워드 3개를 찾아 이력서에 자연스럽게 반영하고, 경험 항목의 순서를 해당 회사의 주요 업무에 가까운 것부터 배치하라. 이것만으로도 합격률이 크게 달라진다.

06

실수 5 — 형식이 내용을 방해한다

Format That Fights the Content

이력서의 형식은 내용을 돋보이게 해야지, 방해해서는 안 된다. 가장 흔한 실수는 두 가지 극단이다. 너무 화려한 디자인 — 채용 담당자는 1차 검토에 7초를 쓴다. 핵심 정보가 빠르게 보이지 않으면 탈락이다. 그리고 너무 빽빽한 텍스트 — 2페이지에 10년치 커리어를 욱여넣으면 아무것도 남지 않는다.

한 페이지를 제안하는 이유는 간단하다. 핵심만 남기는 편집 능력 자체가 분석가의 역량을 드러내기 때문이다. 무엇을 넣을지보다 무엇을 뺄지가 더 어렵다.

서체는 1-2가지, 글자 크기는 10-12pt 범위, 여백을 충분히 — 이 세 가지를 지키면 대부분의 형식 문제는 해결된다.

"무엇을 넣을지보다 무엇을 뺄지가 더 어렵다. 그 편집 능력 자체가 분석가의 역량이다."

07

지금 바로 적용할 수 있는 것

An Actionable Fix Guide

지금 당장 이력서를 열고 다음 다섯 가지를 확인해보라. (1) 각 경험 항목에 결과가 있는가? (2) 숫자가 세 개 이상 있는가? (3) 기술 스택의 수준을 명시했는가? (4) 이 이력서가 오늘 지원하는 회사의 JD와 연결되는가? (5) 한 번에 핵심 강점이 눈에 들어오는 형식인가?

다섯 가지 중 세 가지 이상이 'No'라면, 제출하기 전에 하루를 더 투자하는 것이 맞다. 이력서 한 장을 고치는 시간은 짧지만, 그 결과로 받는 인터뷰 기회는 완전히 달라질 수 있다.

이력서는 한 번 쓰고 끝나는 문서가 아니다. 커리어의 각 단계마다 다시 쓰고, 지원할 때마다 조정하고, 주요 성과가 생길 때마다 업데이트하는 살아있는 문서다. 그 습관이 쌓이면 다음 이직 때는 훨씬 수월해진다.

이 글이 도움이 됐나요?

멘토링으로 더 구체적인 커리어 방향을 잡아보세요.

멘토링 문의→
목차 · Contents
Published
2026년 3월 14일
6 min read
더 읽을 만한 글

More Recommended

모두 보기 →
  • A—01Career
    데이터 분석가의 첫 90일
    The First 90 Days as a Data Analyst

    온보딩에서 첫 평가까지. 신뢰를 빠르게 쌓는 분석가의 행동 패턴 7가지.

    OnboardingCareer분석가
    8 min read
    2026-04
    →
  • A—03Interview
    SQL 인터뷰에서 점수를 잃는 순간
    Where SQL Interviews Are Quietly Lost

    정답을 맞히고도 떨어지는 후보자들의 공통점. 사고 과정을 보여주는 5가지 신호.

    SQLInterview
    9 min read
    2026-02
    →
  • A—04AI
    LLM 시대, 분석가가 더 잘해야 하는 것
    What Analysts Must Do Better in the LLM Era

    쿼리는 모델이 짜는 시대에 분석가의 가치는 어디에서 나오는가. 현장 관찰 4편.

    AILLM분석가
    11 min read
    2026-01
    →
datarichard logo

AI 시대 직장인들의 Data·AI 커리어 학습 플랫폼.A practitioner-led platform for the next generation of data and AI talent.

Sitemap
  • 소개
  • 커리큘럼
  • 멘토링
  • 자료실
  • 프로젝트
Contact
  • E-mail
  • LinkedIn
  • GitHub
Newsletter

DATA/AI 인사이트를 구독해보세요.

datarichard © 2026 · 사업자 대표 : 임동찬 사업자등록번호 : 527-12-02243 통신판매업 신고번호 : 2023-경북경산-0573 | 사업자정보확인 주소: 경산시 경산로 280 번지
datarichard
Edit with