기업명 비공개

그중에서도 신한저축은행은 고객과 영업 현장에 밀접한 금융기관으로서, 데이터 기반의 업무 개선이 실제 현장의 변화와 고객 경험 향상으로 이어질 수 있는 곳이라고 생각했습니다. 또한 신한금융그룹의 디지털·데이터 기반과 신한저축은행의 고객 접점이 연결된 환경에서 제가 쌓아온 데이터 역량을 금융 현장에 적용할 수 있다는 점에 매력을 느꼈습니다. 인턴십 기간에는 여신·수신 등 저축은행의 업무를 빠르게 습득하며 현장의 문제를 가까이에서 이해하겠습니다. 정규직 전환 이후에는 데이터 파이프라인 설계·분석·생성형 AI 활용 경험을 바탕으로 반복되는 업무를 개선하고, 고객에게는 더 편리한 금융 경험을, 조직에는 더 효율적인 업무와 정교한 의사결정을 제공하는 인재로 성장하겠습니다.

클라우드 솔루션 기업에서 인턴으로 근무할 당시, 현장 엔지니어들이 장비마다 SNMP 코드를 수동으로 실행하며 검증하는 비효율을 발견했습니다. 원인을 분석해 OID 오류, 응답 없음 등 8가지 예외 상황을 직접 정의하고 Python 기반 테스트 자동화 도구를 개발해 검증 시간을 90% 이상 단축했습니다. 이후 데이터 엔지니어로 근무하며 GCP 환경에서 수집부터 적재까지 이어지는 자동화 파이프라인을 설계하고, 재시도·모니터링 체계를 구축해 운영 안정성까지 확보했습니다. 이 과정에서 두 가지 강점을 갖게 되었습니다. 첫째, 문제가 발생했을 때 추측이 아닌 로그와 데이터로 원인을 검증하는 습관입니다. 둘째, 한 번의 해결에 그치지 않고 반복 가능한 시스템으로 만들어 재발을 막는 태도입니다. 이러한 역량을 바탕으로 신한저축은행의 영업지원 업무에서도 반복되는 비효율을 데이터로 찾아내고, 고객과 직원 모두에게 더 나은 금융 경험을 만드는 실무자가 되겠습니다.

이 경험으로 원인을 집요하게 파고드는 동시에 필요할 때 구조를 바꾸는 유연성을 갖추게 되었습니다. 신한저축은행에서도 세부 문제를 놓치지 않되 전체 프로세스를 함께 바라보며 더 나은 방법을 찾아가겠습니다.

저는 갈등의 원인이 서로의 관점과 진행 상황을 충분히 공유하지 못한 데 있다고 판단했습니다. 매 회의마다 팀원이 돌아가며 Python 실습을 진행하고 내용을 문서화해 공유했으며, 누구나 질문할 수 있는 Q&A 채널을 만들었습니다. 또한 전공자에게는 데이터 전처리·모델링을, 비전공자에게는 정책 제안·검증을 맡겨 강점을 살리도록 역할을 재구성했습니다. 최종 방향은 각자의 주장을 논문과 해외 사례로 뒷받침하게 해 감정적 대립이 아닌 근거 기반 합의로 정했습니다. 그 결과 모든 팀원이 주도적으로 참여했고, 데이터 수집부터 정책 제안까지 완성도 높은 결과물로 대상을 수상했습니다. 이 경험으로 공동의 목표를 위해서는 의견을 맞추기보다, 다른 관점을 공유하고 근거와 역할로 구조화하는 것이 중요함을 배웠습니다. 신한저축은행에서도 동료와 현장 의견을 존중하며 협업하겠습니다.

인턴십 기간에는 ‘빨리 배우고, 배운 것은 반드시 기록한다’는 자세로 임하겠습니다. 이전 인턴 경험에서도 낯선 SNMP 프로토콜과 Docker 환경을 스스로 학습하며 업무에 적용했던 것처럼, 저축은행 업무 전반과 여신·수신 프로세스를 빠르게 습득하고 궁금한 점은 그때그때 기록해 다음 업무에 바로 반영하겠습니다. 또한 배치된 부서의 실제 업무와 데이터를 가까이에서 관찰하며, 어떤 과정에서 비효율이 발생하는지 파악하고 데이터나 자동화로 개선할 수 있는 방법을 스스로 고민하겠습니다. 정규직 전환 이후에는 금융 지식과 데이터·AI 역량을 결합해 현장의 문제를 먼저 발견하고 해결책을 제시하는 실무자로 성장하겠습니다. 과거 반복적인 수작업 검증을 자동화해 소요 시간을 90% 이상 단축했던 경험처럼, 신한저축은행에서도 반복적이고 비효율적인 업무를 찾아 개선하겠습니다. 나아가 개인의 업무 개선에 그치지 않고 동료와 지식을 공유하며, 조직 전체가 데이터를 활용해 더 효율적으로 일하고 정교하게 의사결정할 수 있도록 기여하는 인재가 되겠습니다.

업무 효율 측면에서는 여신심사 지원 AI가 고객 정보와 제출 서류를 정리하고, 신용정보와 연체 데이터를 바탕으로 위험 신호를 탐지해 심사자가 확인할 내용을 사전에 제시할 수 있습니다. 반복적인 서류 검토와 데이터 입력은 OCR과 자동화를 결합해 처리 시간을 줄일 수 있습니다. 저 역시 교통사고 데이터를 분석하며 위험 요인을 도출한 경험으로 데이터에서 의미 있는 신호를 찾는 과정의 중요성을 배웠습니다. 다만 금융은 고객의 자산과 신용을 다루는 만큼 AI의 판단을 그대로 적용해서는 안 됩니다. AI가 판단 근거와 참고 데이터를 함께 제시하고 최종 결정은 사람이 검증하는 구조가 필요합니다. 저는 데이터 분석과 생성형 AI 활용 경험을 바탕으로 신한저축은행이 고객에게는 편리함을, 직원에게는 효율성을 제공하면서도 현업이 신뢰하고 활용할 수 있는 AI 체계를 만드는 데 기여하겠습니다