스타트업 데이터팀 채용 — 1번 데이터 사람 뽑기와 첫 90일 온보딩
스타트업이 처음 데이터 사람을 뽑을 때 가장 자주 깨지는 자리는 역할 정의·면접 기준·온보딩 90일. ICP·면접 셋·90일 마일스톤·흔한 실수를 한 글로 정리합니다.
스타트업이 처음 데이터 사람을 뽑을 때 가장 자주 깨지는 자리는 “어떤 사람을 뽑아야 하는지”부터 모호한 채로 채용 공고를 올리는 거예요. data scientist vs analytics engineer vs analyst의 차이도 모호하고, 면접에서 무엇을 보고 합격 시킬지도 흩어지고, 채용 후 첫 90일에 무엇을 시킬지 정리가 안 됩니다. 이 글은 스타트업의 1번 데이터 채용을 디자인하는 가이드. ICP·면접 셋·90일 마일스톤·자주 실패하는 패턴까지.
왜 1번 데이터 채용이 어려운가
스타트업이 데이터팀을 처음 만들 때 어려운 이유 5가지.
- 회사가 뭐가 필요한지 모름 (analyst·engineer·scientist 다 다름)
- 면접관이 데이터 직무를 깊게 모름
- senior 1명이 모든 걸 해줄 거라 기대 (현실은 갭이 큼)
- 채용 후 시키는 일이 broad (“뭐든 다 봐주세요”)
- 첫 6개월 결과가 안 보이면 채용 자체가 실패로 보임
이 5가지가 동시에 깨지면 6개월 후 채용한 사람이 떠나거나 회사가 데이터 효용을 못 느껴 추가 채용을 미뤄요.
데이터 직무 3가지 — 어느 ICP인가
스타트업 1번 채용에서 가장 먼저 풀어야 할 질문이 “어떤 직무인가”. 세 가지가 본질적으로 달라요.
| 직무 | 주력 | 산출물 | 도구 |
|---|---|---|---|
| Analyst | SQL·BI·domain | 보고서·대시보드·ad-hoc 분석 | SQL, Looker, Tableau |
| Analytics Engineer | 데이터 모델링·파이프라인 | dbt 모델·신뢰할 fact table | dbt, BigQuery, Airflow |
| Data Scientist | ML·실험·통계 | 모델·실험·예측 | Python, ML libraries |
회사 단계별 1번 채용 추천.
- 시드-시리즈 A (직원 1-30명): Analyst. 비즈니스 질문에 빠르게 답하고 SQL·BI를 직접 만들어야 함
- 시리즈 A-B (직원 30-100명): Analytics Engineer. 데이터 모델·파이프라인을 정비해야 다음 분석이 굴러감
- 시리즈 B+ (직원 100+명): Data Scientist. 모델·실험·예측이 회사 의사결정에 들어감
대부분 스타트업의 1번 채용은 Analyst가 맞아요. ML·deep learning 사람을 너무 일찍 뽑으면 데이터 인프라가 약해서 모델을 못 굽니다.
ICP가 명확해진 다음 — 채용 공고
좋은 채용 공고의 5가지 요소.
- 회사 단계·맥락 (어디까지 와있고 어디 가는지)
- 이 직무가 해결할 진짜 문제 (3-5개 구체 예시)
- 첫 90일 성공 기준
- 필요 스킬 vs 좋으면 좋은 스킬 분리
- 같이 일할 사람·보고 라인·자율성 수준
흔한 안티패턴 — “데이터에 관심 있는 분”, “SQL·Python·R·Tableau·dbt·Airflow·SQL·BigQuery·Snowflake 다 가능한 분”. 둘 다 지원자가 무엇을 기대받는지 모릅니다.
면접 셋 4단계
표준 채용 면접 구조.
| 단계 | 시간 | 평가 |
|---|---|---|
| 1. 전화·줌 스크리닝 | 30분 | 동기·기본 fit·연봉 범위 |
| 2. 기술 면접 | 60-90분 | SQL·통계·도구 깊이 |
| 3. 케이스 인터뷰 | 60분 | 비즈니스 문제 푸는 사고 |
| 4. 컬처 fit·임원 면접 | 45분 | 회사 가치·장기 fit |
각 단계에서 명확한 합격·불합격 기준이 있어야 면접관 별로 흩어지지 않아요.
기술 면접의 SQL 질문 예시:
- “한 user의 N번째 구매 추출” (window function)
- “30일 rolling retention rate 계산”
- “두 table을 outer join 후 NULL 처리”
- “PII 노출 없이 cohort size 보고”
지원자가 답하면서 가정·trade-off를 같이 설명하는지가 진짜 평가 자리.
케이스 인터뷰의 핵심
기술이 강해도 케이스 인터뷰에서 깨지는 사람이 많아요. 케이스는 “비즈니스 문제 → 데이터 가설 → 분석 설계 → 결론”의 전 흐름을 보는 자리.
좋은 케이스 예시.
- “마케팅 채널 5개 중 어디를 줄일지 어떻게 판단할까?”
- “신규 user의 첫 7일 retention이 갑자기 떨어졌다. 어떻게 디버깅?”
- “A/B 테스트 결과가 통계적으로 유의했는데 매출이 늘지 않았다. 무엇을 확인?”
지원자가 가정·데이터 점검·여러 가설 비교·우선순위·결론까지 가는 흐름을 보여줘야 합니다. 단답이 아니라 사고 과정.
채용 후 90일 마일스톤
채용했다고 끝이 아니에요. 첫 90일이 회사·사람 둘 다의 fit을 결정합니다.
표준 90일 마일스톤 (Analyst 기준).
| 시기 | 목표 |
|---|---|
| Week 1-2 | 도구·데이터·codebase 온보딩, 1:1 stakeholder 소개 |
| Week 3-4 | 첫 ad-hoc 분석 1개 (작은 비즈니스 질문) |
| Week 5-8 | 핵심 대시보드 audit·1개 새 dashboard 출시 |
| Week 9-12 | 1개 자기 주도 분석 프로젝트 + 사내 발표 |
90일 후 다음 분기 우선순위를 같이 정하고 본격 운영. 90일 안에 첫 성과 1개를 같이 만드는 게 사람과 회사 모두에게 큰 모멘텀이에요.
첫 90일 온보딩의 안티패턴
- 첫 주에 너무 많은 도구·문서를 한 번에 던지기
- 첫 한 달 동안 의미 있는 산출물 없이 read-only 상태
- 1:1을 안 잡거나 너무 적게 잡기
- ad-hoc 요청을 무한정으로 받음 (포커스 깨짐)
- “데이터 인프라부터 다시 정리해주세요” 같은 6개월 짜리 큰 일
90일 안에는 작지만 visible한 성공을 만드는 게 우선. 큰 인프라 작업은 90일 이후로 미뤄야 운영 fit을 보여줄 수 있어요.
데이터팀 1명에서 3명으로 가는 길
1번 채용이 성공하면 다음은 누구를 뽑을까. 패턴.
- 1명: Analyst (broad coverage)
- 3명: + Analytics Engineer (인프라 정비) + Junior Analyst
- 10명: + Data Scientist + Data Engineer + manager
- 30명: 도메인별 분리 (marketing·product·finance data팀)
1→3은 보통 18-24개월 차에 옴. 너무 일찍 ML·data engineering hire 하면 첫 사람이 외로워져요 (협업할 사람 없음).
한국 시장 특수성
- 영문 SQL·툴 익숙도와 한국어 비즈니스 컨텍스트 둘 다 필요
- 한국 직무 시장에서 “데이터 분석가”는 BA·DA·DS가 다 섞여있어 ICP 정의 더 중요
- 외부 채용 비용이 글로벌 대비 합리적이지만 좋은 사람의 retention이 어려움
- 신입·주니어 풀에 부트캠프 출신이 많아져서 코드·통계 기본기 점검 필수
- LinkedIn보다 wanted·remember·잡코리아·원티드 인사이트가 1차 채용 채널
마치며
스타트업 1번 데이터 채용은 “어떤 사람을 뽑을까”보다 “그 사람이 어떤 환경에서 6개월 동안 첫 성과를 만들지”를 먼저 디자인하는 일이에요. 그 디자인이 명확하면 채용 자체가 쉬워지고 retention도 따라옵니다.
다음 글로는 스타트업 마케팅 조직 설계·stakeholder 커뮤니케이션 표준으로 이어집니다.