B컷 by 배민

태균님 딜리버리엔진실을 맡고 있는 김태균 입니다.
데이터 과학자로 합류해 딜리버리데이터팀과 배차시스템팀 팀장을 거쳤고, 지금은 배차, 시간 예측, 라이더 수요와 공급 예측처럼 좋은 배달 경험을 위한 핵심 기술을 개발하는 조직을 맡고 있어요.
딜리버리엔진실은 딜리버리데이터팀, 배차시스템팀, 라이더모델링팀으로 구성돼 있고, 각 팀의 기술을 연결해 배달 과정에서 생기는 복잡한 문제를 풀고 있어요.
–
영수님 딜리버리데이터팀 팀장 박영수예요.
배차에서 활용하는 의사결정 모델과 예측, 평가 모델을 만들고, 딜리버리센터에서 생산되는 배달 데이터의 오너 역할도 맡고 있어요. 배차는 고객의 배달 시간, 라이더의 이동, 파트너의 조리 흐름처럼 여러 요소가 맞물리는 문제인데요. 저희 팀은 그 중심에 있는 배차 로직을 직접 설계하고, 데이터를 기반으로 더 나은 의사결정 방법을 찾고 있어요.
–
인태님 배차시스템팀에서 팀장 겸 테크리드를 맡고 있는 송인태예요.
1) 배차시스템과 2) 시간예측시스템(TES) 3) 라이더 수급 자동화 시스템(KAIROS)을 구축, 운영하고 있어요. 데이터와 모델에서 만들어진 의사결정이 대규모 실시간 환경에서 안정적으로 작동하고, 실제 배달 경험으로 이어지게 만드는 것이 저희 팀의 역할이에요.
–
성찬님 라이더모델링팀 팀장이자 데이터 과학자 신성찬이에요.
배달이 원활하게 돌아가려면 조리시간이나 라이더의 도착시간처럼 상황에 따라 달라지는 여러 요소를 예측해야 하는데요. 저희 팀은 이런 배달 현장의 다양한 예측 문제를 AI/ML로 풀고, 그 결과가 실제 서비스에 활용될 수 있도록 만드는 역할을 하고 있어요. 데이터 분석가(DA), 데이터 과학자(DS), 머신러닝 엔지니어(MLE)가 함께 일하고 있고요.

영수님 저희가 풀려는 문제는, 배달과 관련된 모두가 함께 좋아질 수 있는 방향을 찾는 것이에요. 서로 다른 이해관계자의 경험과 효율을 함께 고려하면서 더 나은 균형점을 찾는 게 배차의 중요한 역할이라고 생각해요.
배차를 잘 풀면 고객은 더 빨리 받고, 파트너는 조리한 음식을 지연 없이 전달하고, 라이더는 좋은 동선을 효율적으로 운행할 수 있거든요. 그 과정에서 서비스의 품질과 운영 효율도 함께 높아질 수 있고요. 개인적으로는 이해관계자 사이의 균형을 맞추는 것을 넘어, 모두가 함께 더 나아질 수 있는 ‘논제로섬(non-zero-sum)’의 문제를 다룬다는 점에서 소명의식을 느끼고 있어요. 고객과 파트너, 라이더의 경험과 서비스의 효율이 서로 긴밀하게 연결되어 있기 때문에, 기술과 데이터를 통해 더 나은 방향을 계속 찾아갈 수 있다는 점에서 이 일에 의미를 느끼고 있어요.
–

태균님 딜리버리엔진실의 궁극적인 목표는 AI 기술과 정교한 시스템으로 배달 생태계의 효율을 극대화하고, 이를 토대로 비즈니스 임팩트를 만들어내는 거예요. 배차 관점에서 저희가 추구하는 지향점은 현장에서 계속 달라지는 조건을 데이터로 빠르게 이해하고, 그 변화에 맞춰 더 나은 의사결정을 지속적으로 만들어갈 수 있는 배차 시스템을 발전시키는 것이에요.
–

인태님 배차시스템팀에서는 딜리버리엔진실이 지향하는 데이터 기반의 배차 시스템을 실제 대규모 프로덕션 환경에서 안정적으로 구현하는 역할을 맡고 있어요. 데이터 기반의 가설 검증과 시스템 최적화를 빠르게 반복하면서, 예측 모델과 배차 알고리즘이 실제 서비스에서 안정적으로 작동하도록 시스템을 고도화하고 있습니다.

태균님 지금은 크게 세 가지 문제에 집중하고 있어요. 배차를 더 효율적으로 만드는 것, 주문과 라이더 수급을 예측해 수요와 공급의 불균형을 조율하는 것, 그리고 배달 환경을 더 정확하게 이해할 수 있도록 지표와 모델을 정교하게 만드는 것이에요. 결국 세 문제 모두 하나로 연결돼요. 계속 달라지는 현장의 조건을 더 정확하게 이해하고, 그 순간 더 나은 판단을 만들어내는 것이죠.

영수님 학교에 있을 땐 케이스 데이터 하나 얻기도 힘들었는데, 여기서는 실제 대규모 서비스에서 수많은 배차 후보를 고려해 매일 반복적으로 의사결정을 내려요. 이런 규모의 실제 서비스 데이터를 바탕으로 최적의 의사결정을 만드는 모델을 개발하고, 그 결과를 다시 현장에서 확인할 수 있다는 건 데이터 과학자로서 굉장히 특별한 경험이에요. 그런데 배차의 매력은 단순히 데이터가 많다는 데서 끝나지 않아요. 날씨나 시간대, 주문량, 라이더 수급, 매장 상황처럼 계속 달라지는 변수에 따라 새로운 문제가 생기기 때문에, 하나의 모델이나 로직을 만들어놓고 끝나는 일이 아니거든요.

실제 현장에서 계속 새로운 문제를 발견하고, 가설을 세우고, 데이터로 검증하면서 모델과 의사결정을 고도화할 수 있다는 점이 데이터 과학자로서 가장 매력적인 부분인 것 같아요.

인태님 다른 조직이나 회사와의 결정적인 차이는 단순히 트래픽이 크다는 데 있지 않아요. 주문이 들어오고, 음식이 준비되고, 배달이 이루어지는 현실의 과정이 시스템과 실시간으로 맞물린다는 점이 가장 큰 차이예요. 날씨나 주문량, 라이더 운행 상황 같은 현장의 조건이 계속 달라지고, 그 변화가 배차 시스템에도 바로 영향을 주거든요.
–

이 차이는 장마철이나 갑작스러운 폭우처럼 평소와 다른 상황에서 더 선명하게 드러나요. 주문이 몰리고 현장의 변동성이 커질수록 배차 시스템이 고려해야 할 조건도 함께 많아집니다.

그래서 저희에게 대규모 시스템을 만든다는 건 단순히 많은 요청을 빠르게 처리하는 문제가 아니에요. 계속 달라지는 현실의 조건 속에서도 배차의 품질과 시스템의 안정성을 함께 지켜내는 문제에 가깝습니다.
–

영수님 이런 상황이 어려운 이유가 하나 더 있어요. 평소엔 잘 작동하던 기능이나 정책이, 오히려 극단적인 상황에서는 예상과 다르게 작동하는 경우가 있거든요.

연말처럼 주문이 크게 몰리는 시기나 폭설, 폭우처럼 평소와 크게 다른 상황에서는 평소 효율적으로 작동하던 방식도 예상과 다른 결과를 만들 수 있어요. 이럴 때는 기존의 기준을 그대로 적용하기보다 달라진 상황에 맞게 판단 기준을 조정하는 것이 필요하기도 해요.

그래서 저희는 이런 예외적인 상황에서 나타나는 데이터를 다시 살펴보면서, 평소와 다른 조건에서도 배차 품질과 시스템 안정성을 함께 유지할 수 있도록 계속 개선하고 있어요. 

성찬님 주문량은 날씨나 이벤트에 따라 크게 달라지는데, 배달 가능한 라이더의 상황은 이런 변화에 바로 맞춰지기 어려울 때가 있어요. 특히 비가 많이 오는 날에는 주문이 늘어나는 동시에 운행 가능한 라이더가 줄어들 수 있기 때문에, 지역과 시간대별로 어느 정도의 배달 가능 시간이 필요한지를 정확하게 판단하는 것이 배달 품질에 직접적인 영향을 줘요.
–
기존에는 운영자가 날씨와 지역별 수급 상황 등 여러 정보를 직접 확인하고 종합해 필요한 배달 수행 여력을 판단해야 했어요. 여러 정보를 확인하고 정리해 판단하는 과정의 상당 부분이 수작업으로 이루어졌던 거죠. 그런데 라이더 수급 자동화 플랫폼인 KAIROS를 만들면서, 저희가 다시 던진 질문은 ‘라이더가 몇 명 필요한가’가 아니라 ‘얼마나 많은 공급시간이 필요한가’였어요. 가장 크게 바뀐 건 이 문제 정의 자체였죠.
–
KAIROS에서는 여러 데이터를 ML 모델과 결합해 수급 판단에 필요한 정보를 제공해요. 운영자가 여러 정보를 일일이 찾아 정리하고 계산하기 보다, KAIROS 안에서 필요한 정보를 확인하고 실행할 수 있게 된 거죠. 
실제 서비스 환경에서도 시스템을 검증했어요. 수급 변동성이 커지는 상황에서도 기존보다 필요한 정보를 빠르고 일관되게 판단할 수 있는지 확인했고, 운영 과정에서 의미 있는 개선 가능성을 확인할 수 있었습니다. 기존에 수작업으로 진행하던 일련의 과정을 자동화하면서 업무에 필요한 시간을 크게 줄일 수 있었고, 여러 정보를 사람이 직접 확인하고 종합하던 과정도 보다 일관되고 효율적으로 바뀌었어요.

태균님 현재 시점의 단편적인 현황만 보고 판단하면 당장의 개별 효율은 맞출지 몰라도, 전체 배달 네트워크 관점에서는 최적의 의사결정이 아닐 수 있어요. 예를 들어 지금 가장 가까운 라이더를 선택하는 것이, 오히려 더 나은 배달 효율을 만들 가능성을 막는 일이 될 수 있거든요. 결국 단순 현황 파악을 넘어 정교한 ‘예측 기반’ 의사결정으로 전환하는 것이 저희에게 고도의 기술적 도전이에요.
–

성찬님 저희가 다루는 문제들은 정답이 정해져 있지 않다는 게 가장 어려워요. 무엇을 예측할지, 그 예측을 어떤 지표로 판정할지, 나온 값을 누가 어떻게 쓸지를 정해야 하는데, 이런 판단은 논문이나 벤치마크에 답이 없거든요. 지금까지 만든 모델은 결국 사람의 의사결정을 돕는 도구였는데, 앞으로는 예측의 정교함을 높이고, 사람의 반복적인 판단이 필요한 영역을 시스템이 더 효과적으로 지원하거나 자동화할 수 있도록 기술을 고도화해 나가려 해요.

인태님 현재 배차시스템팀이 ‘조리시간 정확도 개선’을 위해 데이터, 머신러닝, 최적화 기술이 유기적으로 연결되는 구조를 만들어가고 있어요. 가게 사장님들이 입력한 조리시간과 실제 현장의 오차가 크면 음식이 식거나 라이더가 대기하는 비효율이 생기거든요.

저희 팀이 모델 구축에 필요한 현장 데이터를 수집, 제공하면, 라이더모델링팀은 매장 특성과 실시간 상황을 반영한 ML 조리시간 예측 모델을 만들고요. 딜리버리데이터팀은 이 예측값을 바탕으로 음식 완료 시점에 맞춘 배차 최적화 알고리즘을 설계하고, 저희 팀은 이걸 대규모 실시간 배차 시스템에 적용해서 서비스 전체의 배달 품질을 끌어올려요. 그리고 이 개선의 결과는 다시 현장 데이터로 쌓여서, 다음 예측 모델을 더 정교하게 만드는 데 쓰여요. 현장 데이터 → 예측 → 최적화 → 시스템 적용 → 다시 현장 데이터로 돌아오는 하나의 루프인 셈이죠. 세 팀이 한 실에 있는 이유가 여기에 있어요.

태균님 저희가 만든 모델이나 시스템의 변화가 오프라인 현장에서 바로 피드백으로 돌아온다는 것이 가장 특별해요. 배차나 예측 모델의 작은 변화도 실제 배달 흐름에 영향을 미치거든요. 가장 인상적이었던 건, 모델 정확도를 높이려고 넣었던 장치가 정작 현장에서는 예상과 다르게 작동한다는 걸 발견했을 때였어요. 데이터상으로는 분명 더 나은 결과가 예상됐는데, 현실에서는 그렇지 않았던 거죠.
–

원인을 찾기 위해 데이터를 세부 추적해보니, 정량 수치상으로는 이점이 있던 장치가 의도치 않은 흐름을 만들어내고 있었어요. 현장의 상황과 사람들의 행동이 함께 맞물리면서 예상과 다른 결과로 이어진 거였죠. 문제 원인을 파악해 로직을 신속히 수정했고, 바로 개선할 수 있었어요.
–

그때 모델의 정확도를 높이는 것과 현실의 문제를 더 잘 푸는 것은 반드시 같은 문제가 아닐 수 있다는 것을 배웠어요. 이후에는 숫자로 나타나는 데이터뿐 아니라 현장의 맥락과 사람들의 행동까지 함께 보면서 가설을 세우고 검증하게 됐고요. 이런 과정을 반복하면서 기술로 현실 세계의 문제를 푸는 감각을 많이 배운 것 같아요.

–

인태님 저도 비슷한 걸 느껴요. 배차시스템팀에서 일하며 가장 크게 배우는 건, 복잡한 현장 문제를 기술과 데이터로 구조화해서 풀어보는 경험이에요. 수많은 주문과 라이더의 움직임을 실시간으로 처리하는 환경에서 동시성 이슈를 해결하고, 데이터 일관성을 고려한 시스템 아키텍처를 설계하면서 엔지니어링 역량을 다질 수 있고요.

또 배차 서비스는 고객, 파트너, 라이더의 서로 다른 경험이 복잡하게 맞물려 있어요. 실제 현장에서 돌아오는 피드백을 보면서, 여러 이해관계자의 경험을 함께 고려해 더 나은 균형점을 찾아가는 과정을 반복하게 되고, 그 과정에서 다른 데이터 직군들과 협업하며 저희가 만든 해결책이 실제 배달 경험으로 이어지는 걸 확인할 수 있다는 점도 큰 성장의 기회예요.
–

성찬님 Machine Learning과 Deep Learning을 다루는 Data Scientist라면 모델이 전체 데이터 분포를 잘 설명하도록 학습되기 때문에, 대다수의 상황은 잘 맞추더라도 상대적으로 잘 맞추지 못하는 영역이 남는다는 걸 알고 있어요.
–

저희는 그런 영역을 ‘아웃라이어’라고 부르는데요. 배달에서는 이 아웃라이어가 이벤트로 주문이 갑자기 몰리거나 비나 눈이 많이 오는 날처럼, 오히려 고객이 서비스를 가장 필요로 하는 순간인 경우가 많아요. 데이터로 보면 아웃라이어지만, 사업과 고객 경험의 관점에서는 가장 중요한 구간일 수 있는 거죠. 그래서 평균적인 상황에서 모델이 잘 작동하는 것에 그치지 않고, 이런 예외적인 상황까지 어떻게 더 잘 이해하고 대응할 수 있을지를 계속 고민하게 돼요.
–

최근에는 모델이 아웃라이어 상황을 더 빠르게 인지할 수 있도록 실시간 데이터를 feature로 활용하는 방법을 연구하고 있어요. 예를 들어 일정 시간 동안 특정 지역에서 배달이 어떻게 진행되고 있는지, 조리 속도는 어떻게 변하고 있는지, 라이더가 어디에 분포하고 있는지와 같은 정보를 데이터화해서 모델이 현재 현장의 변화를 함께 볼 수 있도록 하는 방식이에요.
–
여기에 더해 이런 실시간 feature를 확대하고, 모델에서 필요할 때 즉시 활용할 수 있도록 feature store도 개발하고 있어요. 아직 진행 중인 작업이라 결과를 이야기하기에는 이르지만, 저에게는 이런 과정 자체가 딜리버리 도메인의 매력이라고 생각해요. 평균적인 상황만 잘 맞추는 모델이 아니라, 현실에서 가장 중요하고 어려운 순간까지 놓치지 않는 모델을 만들기 위해 문제를 끝까지 들여다보는 경험을 할 수 있으니까요.

태균님 세 팀은 고객의 배달 경험부터 라이더의 운행, 파트너의 조리 흐름까지 서로 맞물려 움직이는 배달 과정을 데이터와 예측, 시스템으로 더 정교하게 만들어가고 있어요. 딜리버리데이터팀은 배차 알고리즘과 배달 난이도, 수급 관련 모델을 만들고, 라이더모델링팀은 조리, 도착 시간을 예측하고 KAIROS를 개발해요. 배차시스템팀은 이런 알고리즘과 예측 모델이 실제 서비스에서 안정적으로 작동하도록 시스템을 개발하고 운영하고요.

각 팀이 만든 배차 로직과 예측 모델, 시스템은 실제 서비스 안에서 맞물려 작동해요. 서로 영향을 주고받는 여러 요소를 함께 살펴보면서, 배달 생태계 전체 관점에서 더 나은 균형점을 찾아가는 게 세 팀의 공통된 목표예요. 

인태님 저희는 전달받은 요구사항을 기술로 구현하는 데서 끝나지 않아요. 문제를 정의하고 가설을 세우는 것부터 실제 서비스에 적용하고, 성과를 분석하고, 배포 이후의 결과를 확인하는 것까지 팀이 끝까지 책임져요. 팀 내부에서 직접 데이터를 분석해 개선이 필요한 지점을 발견하고 과제로 만들기도 하고요. 누군가 문제를 정의해 주기를 기다리기보다, 데이터를 통해 문제를 발견하고 해결한 뒤 실제 결과까지 확인하는 방식에 가까워요.
–

성찬님 Data Scientist도 마찬가지예요. 모델을 잘 만들어서 전달하는 것으로 역할이 끝나는 게 아니라, End User가 원하는 결과에 도달할 때까지 필요한 일을 계속해요.

라이더 수급 자동화 플랫폼인 KAIROS가 대표적인 사례인데요. 단순히 예측 모델만 만든 것이 아니라, 실제 사용자가 필요로 하는 방식으로 활용할 수 있도록 제품까지 연결했어요. ‘모델을 만드는 것’보다 ‘이 문제를 실제로 해결하는 것’에 역할의 기준을 두고 있다는 점이 저희 팀의 특징인 것 같아요.
–

태균님 딜리버리엔진실에서는 PM, 백엔드 개발자, 데이터 분석가, 데이터 과학자, 데이터 엔지니어, 머신러닝 엔지니어 6개 전문 직군이 하나의 문제를 함께 풀어요. 문제 정의부터 데이터 분석, 모델링, 시스템 적용과 결과 모니터링까지 서로의 전문성이 연결되는 구조예요.

영수님 최근에 이런 일이 있었어요. 라이더분들이 선호하는 효율적인 동선이 무엇인지 다시 들여다본 사례인데요. 그동안 여러 VOC와 NPS 조사를 바탕으로 라이더분들이 불편하게 느낄 수 있는 꼬인 동선을 줄이기 위해 계속 개선해왔는데요. 그 과정에서 자연스럽게 배달 동선이 점점 더 직선에 가까워지고 있었어요.

그런데 한 팀원이 실제 배달 수행 데이터를 살펴보던 중, 기존에 생각했던 좋은 동선의 기준과 다른 패턴을 발견했어요. 데이터만으로는 기존의 가정과 다른 결과가 왜 나타나는지 충분히 설명하기 어려웠고요.
–

그래서 데이터에서 발견한 패턴만으로 결론을 내리지 않고, 실제로 라이더분들을 인터뷰하면서  데이터만으로는 알기 어려웠던 현장의 맥락과 경험을 다시 확인하고 있어요. 그렇게 데이터에서 발견한 현상을 현장의 경험과 연결해 이해하고, 이를 바탕으로 동선을 더 잘 설계하기 위한 개선 작업을 진행하고 있습니다. 이 사례처럼, 저희는 데이터에 근거해 의사결정하는 문화가 강해서 충분한 분석과 근거가 있다면 구성원 개인이 제안한 아이디어도 실제 배차시스템의 변화로 이어질 수 있어요.

–
실제로 주요 과제 중에도 구성원의 문제의식에서 시작해 바텀업으로 만들어진 것들이 있고요.
팀원분들이 평소 배차와 배달 데이터를 폭넓게 들여다보다 보면, 기존 방식에서 개선해보고 싶은 아이디어가 자연스럽게 쌓이는 경우가 많아요. 그런 문제의식에서 출발해 직접 데이터를 들여다보고 가설을 세우고, 필요한 경우 현장의 목소리까지 확인하면서 실제 개선 과제로 발전시키기도 해요.
–

결국 아이디어를 제안하는 데서 끝나는 것이 아니라, 문제를 발견하고 → 데이터로 가설을 세우고 → 현장에서 다시 확인하고 → 개선으로 이어가는 과정까지 구성원이 직접 주도할 수 있어요. 오프라인 현장과 맞닿아 있는 배차 시스템이다 보니, 변화가 실제로 어떻게 받아들여지는지 여러 채널을 통해 빠르게 피드백을 받을 수 있다는 점도 큰 특징이고요.

태균님 장기적으로는 현실 세계를 최대한 정확하게 재현하는 AI 시뮬레이터를 구축하고, 이를 통해 스스로 학습하며 고도화되는 자율진화형 딜리버리 엔진을 만드는 그림을 그리고 있어요.

배달 현장은 기상 변화, 시간대별 수급 불균형, 조리 지연 같은 수많은 변수가 실시간으로 얽혀 있어서 오프라인 현장 테스트만으로는 극단적 시나리오를 다 검증하기 어렵거든요. 리스크 없는 사전 검증과, 시뮬레이터와 실제 프로덕트가 서로의 정교함을 높여주는 자율 진화형 피드백 루프를 만들어가고 싶어요.
–

인태님 저희 팀은 현실의 복잡한 변수들을 정교하게 반영하는 배차 최적화와, 이를 안전하게 검증할 수 있는 배차 시뮬레이터 구축을 목표로 하고 있어요.

새로운 배차 알고리즘을 실제 서비스에 바로 적용하는 건 여러 사용자 경험에 영향을 미칠 수 있어 충분한 검증이 필요해요. 기상 악화, 주문 폭증, 도로 정체 같은 극단적 상황을 가상 환경에서 사전 검증해 안정성을 확보하고 가설 검증 속도를 높이려 합니다.
–

영수님 앞으로는 배차 의사결정을 좀 더 예측 기반의 최적화로 발전시키고 싶어요. reinforcement learning을 비롯한 데이터 기반 의사결정 방법과 고도화된 실험 설계, 시뮬레이션을 통해 더 복잡한 상황에서도 가설을 빠르고 정교하게 검증할 수 있는 방법을 계속 탐구하고 싶어요.

태균님 전혀 문제없어요. 실제로 저희 실의 많은 구성원이 금융, 이커머스, 게임, 반도체 등 다양한 산업군에서 합류했고, 단단한 직무 기본기를 바탕으로 빠르게 도메인 맥락을 흡수해 뛰어난 성과를 내고 있어요.

실 차원에서는 세 가지 태도와 역량을 갖춘 동료를 기다리고 있어요. 1) 낯선 도메인과 복잡한 문제 앞에서도 논리적으로 맥락을 파악하고 빠르게 흡수할 수 있는 단단한 직무 기본기와 빠른 학습력 2)  6개의 전문 직군이 하나의 프로덕트를 위해 빠르게 호흡하는 만큼 서로 다른 전문성을 존중하며 하나의 목표로 얼라인을 맞춰가는 소통 능력 3) 그리고 정해진 답을 기다리기보다 모호한 현장 문제 속에서 스스로 가설을 정의하고 빠른 시도를 통해 결과까지 만들어내는 실행 중심의 주도성이에요.
–

영수님 딜리버리 도메인의 다양한 예측 문제와 실험, 인과추론을 ML 관점에서 주도할 수 있는 분을 찾고 있어요. ML 모델을 실서비스에 배포 – 운영 – 개선까지 해본 경험, 계절성이나 외생 변수를 반영한 시계열, 수요예측 경험, A/B 테스트나 준실험으로 비즈니스 임팩트를 정량화한 실험 설계, 인과추론 역량이 핵심이에요.
–

인태님 데이터를 바탕으로 문제를 직접 정의하고 실제 서비스 반영까지 엔드투엔드로 이끌어본 분, 그리고 새로운 기술을 지속해서 탐구하고 이를 실제 프로덕션 환경에 적용해 현장의 비효율을 하나씩 개선해 나가는 과정에 가치를 두는 분이라면 함께 크게 성장할 수 있어요.
–

성찬님 저희가 찾는 사람은 문제를 풀기 위해 자기 역할에 제한받지 않는 사람이에요. End User가 무엇을 필요로 하는지 끝까지 파악해서, 결국 쓸 수 있는 형태로 만들어 내는 사람이면 좋겠어요.

모델을 잘 만드는 것만으로는 사용자가 쓰지 않기 때문에 데이터 파이프라인이든 서빙이든 화면이든 필요한 영역으로 계속 넘어가야 하고, 그러려면 새로운 영역에 대한 도전 정신과 끊임없는 학습이 함께 가야 해요.

태균님 딜리버리 분야는 정답이 정해져 있지 않은 복잡한 오프라인 변수들을 기술로 풀어가는 흥미로운 난제들이 가득한 곳이에요. 딜리버리 도메인 경험이 없어도, 새로운 환경과 도메인을 빠르게 학습하고 강한 책임감과 주도성으로 끝까지 결과를 만들어 내는 분이라면 누구든 환영해요.
–

영수님 배민 배차 문제의 도메인 복잡도가 매우 높기 때문에, 합류하자마자 바로 익숙하게 적응할 수 있을 만큼 연관성이 높은 도메인은 어차피 찾기가 어려울 것 같아요. 용기 내서 도전하세요. 충분히 익숙해지실 수 있도록 열심히 온보딩해드리고, 도메인에 익숙해지시기까지의 시간도 충분히 제공해드릴게요.