[무신사 테크 소개]
팀 무신사 테크 조직은 혁신의 원동력이자 변화를 선도하는 핵심 기술 조직입니다. 고객과 입점 브랜드가 각자의 고유한 개성을 자유롭게 표현할 수 있도록, 데이터와 기술을 기반으로 한 개인화된 경험을 제공합니다. 무신사 테크는 새로운 도전을 두려워하지 않으며, 항상 새로운 영역에서의 성공을 꿈꿉니다.
무신사는 한국을 넘어 글로벌 시장에서도 경쟁력 있는 서비스를 선보이고자 OCMP(One Core Multi Platform)를 구축하고 있습니다. 이를 통해 전체 비즈니스의 폭발적 성장을 지원하며 무신사 테크는 끊임없는 도전과 혁신으로 고객에게 더 나은 가치를 제공하고자 합니다.
[팀 소개]
Personalization 팀은 무신사, 29CM, 글로벌 등 팀 무신사의 다양한 서비스에서 개인화 경험을 책임지고 있습니다. 자체 개인화 플랫폼인 MATCH(Musinsa Audience Targeting & Customer Hub)를 중심으로 고객 행동 데이터의 정의·수집·집계부터 세그먼트·임베딩 기반 모델링, 실시간 타게팅 API와 자동화된 캠페인 생성까지 전 과정을 직접 설계하고 운영합니다.
2025년 CRM 도메인에서 출발한 MATCH는 2026년 들어 상품광고(Sponsored Product) 도메인까지 활용 채널을 확장되고 있습니다. 우리 팀은 광고 ML 스택을 직접 설계·구축하며, 광고 노출의 적합도와 입찰 효율을 동시에 끌어올리는 시스템을 만들어가고 있습니다.
광고는 고객 경험과 브랜드 노출, 매출이 긴밀하게 연결되는 영역인 만큼, 추천 품질과 비즈니스 성과를 함께 고민하며 기술적 문제를 해결합니다. 데이터 엔지니어, 데이터 사이언티스트, 머신러닝 엔지니어, 백엔드 엔지니어, 프론트엔드 엔지니어가 하나의 팀으로 긴밀하게 협업하며 end-to-end로 서비스를 만들어갑니다.
수천만 명의 사용자 행동 로그와 수백만 개의 상품 데이터를 기반으로 광고 랭킹, 개인화 적합도, 입찰 최적화 문제를 해결하고, 데이터와 머신러닝을 통해 실제 서비스와 비즈니스에 의미 있는 임팩트를 만들어가고 있습니다.
[이런 경험을 하실 수 있어요]
- 무신사·29CM·글로벌 무신사 등 여러 플랫폼의 광고 지면에서 추천·랭킹 모델을 설계하고 운영합니다.
- 대규모 유저 행동 로그를 기반으로 CTR/CVR 예측, 광고 랭킹, 입찰 최적화 모델을 개발합니다.
- 상품광고 ML 스택을 직접 설계하고 구축하는 경험을 쌓을 수 있습니다.
- MATCH의 세그먼트·임베딩 자산을 광고 타게팅과 연결하며, 개인화와 광고가 만나는 지점을 설계합니다.
- 오프라인 평가와 온라인 A/B 테스트로 광고 성과(CTR·전환·광고 매출)를 직접 개선합니다.
[담당 업무]
- 상품광고 지면의 후보 광고 추출(retrieval)부터 랭킹까지 추천 파이프라인을 개발하고 서비스합니다.
- CTR·CVR·ROAS 예측 모델을 설계·고도화하여 광고 적합도와 전환 품질, 광고 수익을 함께 개선합니다.
- 자동 입찰·노출 최적화(eCPM, 예산 소진, 페이싱 등) 로직을 모델링합니다.
- 사용자 행동·광고 소재·컨텍스트 신호를 결합해 노출→클릭→전환 퍼널 전반을 최적화합니다.
- 대규모 유저 행동 로그 기반의 광고 ML 피처 파이프라인과 데이터 처리 구조를 설계합니다.
- MATCH의 세그먼트·임베딩 자산을 광고 타게팅에 연결하는 개인화 광고 로직을 개발합니다.
- 오프라인 평가와 온라인 A/B 테스트로 모델 성능을 검증하고 빠르게 반복 개선합니다.
[자격 요건]
- 추천·랭킹·CTR/CVR 예측 등 ML 문제를 프로덕션 환경에서 설계·운영한 경험이 7년 이상이거나, 이에 준하는 전문성을 보유하신 분
- 머신러닝·딥러닝 이론과 기본기가 탄탄하고, 추천·랭킹·NLP·GNN 중 한 분야 이상에 깊은 이해가 있으신 분
- Python 기반 대규모 데이터 분석·ML 모델·파이프라인 개발 경험과 SQL 기반 데이터 추출·분석 역량이 있으신 분
- 가설 수립 → 오프라인 평가 → 온라인 A/B 테스트로 임팩트를 검증하고 빠르게 반복 개선해본 경험이 있으신 분
[우대 사항]
- 광고 최적화 모델(CTR·CVR·ROAS 예측, 자동 입찰·페이싱·타게팅)을 개발·운영해본 경험이 있으신 분
- 모델 품질과 서빙 비용·운영 효율성 사이의 균형을 고려해 프로덕션 모델을 운영한 경험이 있으신 분
- 노출→클릭→전환 퍼널 전반을 최적화하는 ML 시스템을 설계한 경험이 있으신 분
- Large-scale 프로덕션 환경에서 ML 시스템을 구축하고 안정적으로 서빙한 경험이 있으신 분
- 대규모 트래픽 환경에서 콜드 스타트, 탐색-활용(exploration-exploitation) 문제를 해결한 경험이 있으신 분
- 커머스 / 패션 도메인에 대한 이해 또는 관련 경험이 있으신 분
- 추천·광고 관련 최신 논문·연구 경험이 있으신 분
- 다음과 같은 ML 인프라 및 모델 서빙 경험이 있으신 분
- Kubernetes(EKS) 기반 ML 서비스 운영 경험
- FastAPI 기반 모델 서버 개발 및 운영 경험
- MLflow, KubeFlow, Ray, Triton Inference Server 등 ML 서빙 및 MLOps 도구 활용 경험
[기술 스택]
- ML / Modeling : PyTorch, TensorFlow, HuggingFace
- Data Platform : Databricks, Airflow, Kafka
- Feature Storage : Elasticsearch, MongoDB, Redis
- Serving : AWS SageMaker, EKS, FastAPI (고트래픽·저지연 광고 서빙)
- Collaboration : Git, Jira, Confluence, Slack
[지원 서류]
- 이력서(필수) / 포트폴리오(선택)
- (참고) 이력서/포트폴리오 작성 팁
이력서/포트폴리오에는 왜 해당 문제를 해결해야 했는지, 어떤 전략을 세웠는지, 어떤 성과가 있었는지 등에 대한 문제 정의, 문제 해결, 성과에 대한 전반적인 내용을 담아주세요. 프로젝트의 성공과 실패를 떠나, 1차 면접에서 인터뷰어와 심도있는 이야기를 나눌 수 있도록 프로젝트의 이해도가 높은 이력서로 구성해주세요. (프로젝트별 기여도 표시)
[근무 조건]
[전형 절차]
- 접수 기간 : 상시지원
- 전형 절차 : 서류 전형 - Live Coding (화상) - System Design (화상) - 2차 인터뷰 (컬쳐핏) - 처우 협의 - 최종합격
- 진행 상황에 따라 전형은 변동될 수 있습니다.
- 문의사항 : recruit@musinsa.com
[기타사항]
- 본 포지션은 수시 진행으로 우수 인재 채용 시 마감될 수 있습니다.
- 적합한 지원자에게 채용 담당자가 개별 연락 예정이며, 내부 규정에 따라 각 전형 단계별 개별 피드백은 제공하지 않습니다.
- 최종 합격자는 3개월간의 수습기간이 적용되며, 해당 기간 중 급여는 100% 지급됩니다.
- 입사 지원 서류에 허위사실이 발견될 경우, 채용 확정 이후라도 채용이 취소될 수 있습니다.
