퀀트 애널리스트 면접 질문
가장 흔한 퀀트 애널리스트(Quantitative Analyst) 직무의 면접 질문을, 리크루터가 실제로 무엇을 걸러보는지에 기반해 예시 답변과 준비 팁까지 함께 정리했습니다. 평균 채용 공고 1건당 2025년에 244건의 지원서가 몰리고, Q1 2024 기준 인바운드 지원자의 **오퍼율이 약 0.2%**에 불과한 시장에서 면접 단계까지 왔다는 것 자체가 이미 혹독한 필터를 뚫었다는 뜻입니다 [1] [2]. 아직 그 단계까지 가기 위한 이력서가 필요하다면, 각 포지션별로 맞춤 이력서를 만들 수 있도록 Specific Resume가 도와드립니다.
가장 흔한 퀀트 애널리스트(Quantitative Analyst) 면접 질문
- 자기소개 부탁드립니다
- 왜 이 퀀트 애널리스트(Quantitative Analyst) 역할을 원하시나요?
- 우리 회사와 이 팀의 어떤 점이 흥미롭나요?
- 자랑스럽게 생각하는 퀀트 프로젝트 하나를 설명해 주세요
- 가격결정(pricing) 또는 리스크 모델을 만들 때 어떤 방식으로 접근하나요?
- 모델을 신뢰하기 전에 어떻게 검증하나요?
- 복잡한 통계 개념을 쉬운 말로 설명해 보세요
- 가장 자주 사용하는 프로그래밍 언어와 도구는 무엇인가요?
- 지저분하거나 불완전한 데이터를 어떻게 다루나요?
- 다른 사람들이 놓친 실수를 찾아낸 경험을 말해 주세요
- 모델 정확도와 속도/실용성 사이를 어떻게 균형 잡나요?
- 비기술 이해관계자에게 결과를 설명해야 했던 경험을 말해 주세요
- 어떤 리스크 지표를 언제 사용하나요?
- 모델 가정이 깨질 때는 어떻게 대응하나요?
- 프로세스나 모델을 개선했던 경험을 말해 주세요
- 여러 분석 요청이 동시에 급할 때 우선순위를 어떻게 정하나요?
- 분석 결과가 직관이나 비즈니스 압력과 충돌할 때는 어떻게 하나요?
- 퀀트 애널리스트 업무에서 AI 도구를 어떻게 활용하나요?
- AI가 생성한 결과물을 신뢰하기 전에 어떻게 검증하나요?
- 저희에게 질문 있으신가요?
답변은 반드시 해당 포지션에 맞게 조정하세요. 같은 면접 질문이라도 직무에 따라 필요한 답이 크게 달라질 수 있습니다. 퀀트 애널리스트는 다른 후보자가 강조할 만한 강점이 아니라, 모델링 판단력, 통계적 엄밀함, 코딩, 데이터 품질, 리스크 감각을 강조해야 합니다. 그래서 퀀트 애널리스트 면접용 STAR 기법 같은 직무 특화 프레임워크로 연습하고, ChatGPT로 퀀트 애널리스트 면접 질문 연습하기처럼 집중형 모의면접 플로우를 쓰는 것을 추천합니다.
퀀트 애널리스트(Quantitative Analyst) 면접 질문과 답변 상세
1. 자기소개 부탁드립니다
리크루터는 이 질문을 통해 우리가 자신의 스토리를 이해하고, 그것을 명확하게 전달할 수 있는지 확인합니다. 인생사를 묻는 게 아닙니다. 배경, 퀀트 강점, 그리고 왜 지금 이 역할에 적합한지에 대한 압축 요약을 원합니다.
예시 답변: 저는 통계, Python, 금융 모델링을 기반으로 하는 퀀트 애널리스트입니다. 최근에는 가격결정과 리스크 분석을 위한 모델을 구축하고 검증하는 업무에 집중했고, 엄밀한 수학이 실제로 사람들이 의사결정에 사용할 수 있는 결과물로 전환되는 지점을 특히 좋아했습니다. 이 역할에 지원한 이유는 모델 품질과 실질적 임팩트를 모두 중시하는 팀과 함께 더 큰 스케일의 문제를 다뤄볼 수 있는 기회라고 생각했기 때문입니다.
2. 왜 이 퀀트 애널리스트(Quantitative Analyst) 역할을 원하시나요?
이 질문은 동기를 테스트합니다. 리크루터는 우리가 이 역할을 의도적으로 선택했는지, 아니면 여기저기 아무 데나 지원했는지 알고 싶어 합니다. 좋은 답변은 우리의 역량을 팀이 실제로 겪는 문제에 연결합니다.
예시 답변: 이 역할이 모델링, 프로그래밍, 의사결정의 교차점에 있다는 점이 매력적입니다. 모델을 만드는 것도 좋아하지만, 그 모델이 실제로 가격결정, 예측, 리스크 의사결정을 개선하는지에도 관심이 큽니다. 이 포지션은 기술적 깊이와 비즈니스 판단을 모두 중시하는 팀처럼 보였고, 그 지점이 제가 가장 강점을 내는 영역입니다.
3. 우리 회사와 이 팀의 어떤 점이 흥미롭나요?
준비를 했다는 증거를 원합니다. 또한 해당 도메인, 제품, 리스크 환경을 이해하고 있는지도 보고 싶어 합니다. 여기서는 뻔한 칭찬이 오히려 마이너스가 되는 경우가 많습니다.
예시 답변: 귀사의 팀이 다루는 문제는 모델 가정이 학문적으로만 중요한 게 아니라, 상업적으로도 직접적인 영향을 준다는 점이 흥미롭습니다. 또한 이 역할이 엔지니어링과 의사결정자 사이에 가깝게 위치해 있는 것처럼 보이는데, 그럴수록 피드백 루프가 좋아지고 모델이 더 강해진다고 생각합니다. 이론만이 아니라, 엄격한 리서치와 구현(implementation)에 초점을 둔 회사라는 점도 끌립니다.
4. 자랑스럽게 생각하는 퀀트 프로젝트 하나를 설명해 주세요
깊이를 보는 질문입니다. 문제 정의, 방법 선택, 데이터 처리, 검증, 임팩트 측정까지의 흐름을 듣고 싶어 합니다. 답변은 산만하지 않고 구조적으로 들려야 합니다.
예시 답변: 제가 자랑스럽게 생각하는 프로젝트는 포트폴리오 의사결정을 위한 시그널 품질을 높이기 위해 팩터 기반 모델을 구축한 일이었습니다. 피처 셋을 재설계하고, 데이터 클리닝 규칙을 더 엄격히 하며, 보다 체계적인 검증 프레임워크를 추가해 아웃오브샘플 에러를 낮추고 시장 국면(regime) 전반에서 성과 일관성을 높여 예측 안정성을 개선했습니다. 중요한 건 단순한 모델 성능 향상이 아니라, 팀이 결과물을 충분히 신뢰해서 실제로 사용하게 됐다는 점이었습니다.
5. 가격결정(pricing) 또는 리스크 모델을 만들 때 어떤 방식으로 접근하나요?
프로세스를 평가하기 위해 묻습니다. 강한 후보는 구조를 보여줍니다: 목표 정의 → 가정 이해 → 데이터 준비 → 방법 선택 → 검증 → 모니터링.
예시 답변: 저는 먼저 모델이 지원해야 하는 의사결정이 무엇인지부터 정합니다. 그래야 올바른 트레이드오프가 결정되기 때문입니다. 그다음 방법론을 고르기 전에 가정, 데이터 가용성, 실패 모드(failure modes)를 정리합니다. 이후 베이스라인 모델을 만들고, 히스토리컬 시나리오와 스트레스 시나리오에서 테스트하며, 더 단순한 대안들과 비교합니다. 설명할 수 없고, 모니터링할 수 없고, 반박/검증이 가능한 형태로 운영할 수 없다면 프로덕션에 올릴 준비가 됐다고 보지 않습니다.
6. 모델을 신뢰하기 전에 어떻게 검증하나요?
판단력과 규율을 묻는 질문입니다. 회사는 모델을 “만들기만” 하는 사람을 원하지 않습니다. 모델을 “의심하고 검증할 줄 아는” 사람을 원합니다.
예시 답변: 저는 검증을 여러 층으로 나눠서 합니다. 먼저 데이터 계보(lineage), 변환(transformations), 데이터 누수(leakage) 리스크를 확인합니다. 다음으로 홀드아웃 기간, 필요 시 교차검증, 벤치마크 비교 등을 통해 통계적 성능을 점검합니다. 그다음 가정을 스트레스 테스트하고, 엣지 케이스를 리뷰하며, 경제적/비즈니스적으로도 말이 되는지 확인합니다. 수치상으로는 좋아 보이는데 그 뒤 논리가 약하면 실제로는 실패할 수 있다고 생각합니다.
7. 복잡한 통계 개념을 쉬운 말로 설명해 보세요
커뮤니케이션을 봅니다. 퀀트 애널리스트는 트레이더, 매니저, 리스크 리더, 고객 등 “강의”를 원하지 않는 사람들과 자주 일합니다. 그들은 명확함을 원합니다.
예시 답변: 과적합(overfitting)을 예로 들어보겠습니다. 과거를 너무 그대로 외우면, 테스트에서는 똑똑해 보이지만 새로운 데이터에서는 성능이 나빠질 수 있습니다. 마치 과목을 이해하는 대신, 예전 시험의 기출문제만 달달 외우는 것과 비슷합니다. 그래서 모델을 만들 때는 과거 데이터에서만 그럴듯한 게 아니라, 새로운 데이터에도 일반화되도록 만드는 것을 중요하게 봅니다.
8. 가장 자주 사용하는 프로그래밍 언어와 도구는 무엇인가요?
실무 준비도를 가늠하기 위해 묻습니다. 단순히 툴 이름 나열이 아니라, 실제 워크플로에서 어떻게 쓰는지도 듣고 싶어 합니다.
예시 답변: 저는 모델링, 데이터 분석, 자동화에 Python을 가장 많이 사용하고, 특히 pandas, NumPy, scikit-learn, 그리고 시각화 라이브러리를 자주 씁니다. 데이터셋 추출과 검증에는 SQL을 사용하고, 버전 관리는 Git으로 합니다. 환경에 따라 빠른 체크용으로 R이나 Excel을 쓴 경험도 있지만, 저는 코드 기반의 재현 가능한 워크플로를 선호합니다.
9. 지저분하거나 불완전한 데이터를 어떻게 다루나요?
현실 감각을 보는 질문입니다. 실제 퀀트 업무는 대부분 완벽하지 않은 데이터로 시작합니다. 리크루터는 우리가 꼼꼼하고 체계적인지 확인하고 싶어 합니다.
예시 답변: 저는 지저분한 데이터를 모델링 문제의 일부로 봅니다. 먼저 결측 패턴, 이상치(outliers), 불일치, 타이밍 이슈를 프로파일링합니다. 그다음 수정 가능한 것, 대치(impute)해야 할 것, 제외해야 할 것을 분리합니다. 또한 모든 선택을 문서화합니다. 불완전한 데이터에서는 정리 과정에서 숨은 편향이 생기는 게 가장 큰 리스크인 경우가 많기 때문입니다.
10. 다른 사람들이 놓친 실수를 찾아낸 경험을 말해 주세요
디테일, 독립성, 그리고 말할 용기를 평가합니다. 좋은 답변은 문제를 초기에 발견했고, 건설적으로 처리했다는 점을 보여줍니다.
예시 답변: 한 번은 특정 피처가 예측 시점에는 알 수 없는 정보를 사용하고 있다는 것을 발견했습니다. 데이터 파이프라인을 추적해 누수 지점을 찾아내고 피처 로직을 다시 설계함으로써, 아웃오브샘플 평가가 현실적으로 유지되도록 하여 “무효한 모델 개선”을 막았습니다. 이슈 제기는 조심스럽게 했고, 영향도를 명확히 설명했으며, 팀이 필요 이상으로 프로젝트 속도를 늦추지 않으면서 수정할 수 있도록 도왔습니다.
11. 모델 정확도와 속도/실용성 사이를 어떻게 균형 잡나요?
비즈니스 감각을 테스트합니다. 가장 성능이 높은 모델이 항상 최선은 아닙니다. 느리거나, 취약하거나, 설명이 불가능하면 문제가 됩니다.
예시 답변: 저는 유스케이스부터 봅니다. 의사결정이 시간 민감하거나 규제가 강한 경우라면, 약간 단순하더라도 더 빠르고 안정적이며 설명 가능한 모델을 선택할 수 있습니다. 성능 향상분을 구현 비용, 해석 가능성, 모니터링 부담과 비교합니다. 목표는 최대 복잡도가 아니라, 실제 환경에서 “쓸 수 있는” 최적의 모델입니다.
12. 비기술 이해관계자에게 결과를 설명해야 했던 경험을 말해 주세요
분석을 실행으로 번역할 수 있는지 봅니다. 좋은 퀀트 애널리스트는 전문용어 뒤에 숨지 않습니다.
예시 답변: 한 번은 모델 구조에는 관심이 없는 영업 조직에 예측 결과를 공유한 적이 있습니다. 저는 (1) 무엇이 달라졌는지, (2) 확신 수준은 어떤지, (3) 어떤 의사결정을 다르게 해야 하는지를 중심으로 설명했습니다. 하이퍼파라미터 대신 시나리오 범위와 단순한 시각화를 사용했습니다. 제 과정보다 그들의 선택에 초점을 맞춰 프레이밍했기 때문에 미팅이 잘 진행됐습니다.
13. 어떤 리스크 지표를 언제 사용하나요?
기초를 테스트하기 위해 묻습니다. 정의만 아는지 아니라, 맥락과 한계까지 이해하는지 보고 싶어 합니다.
예시 답변: 포트폴리오나 의사결정 맥락에 따라 다릅니다. 상황에 맞게 변동성, 최대낙폭(drawdown), VaR(Value at Risk), 기대단기손실(expected shortfall), 스트레스 테스트, 민감도(sensitivity) 지표 등을 사용해 왔습니다. 어떤 단일 지표도 완전하다고 보지 않으려고 합니다. 예를 들어 VaR는 유용할 수 있지만, 꼬리 위험(tail) 중심 지표와 시나리오 분석을 함께 봐서 숫자 하나로 잘못된 안도감을 갖지 않도록 합니다.
14. 모델 가정이 깨질 때는 어떻게 대응하나요?
성숙도를 보는 질문입니다. 시장, 고객, 시스템은 변합니다. 리크루터는 우리가 드리프트(drift)를 감지하고 책임감 있게 적응하는지 알고 싶어 합니다.
예시 답변: 우선 깨짐을 빠르게 감지하는 게 중요해서, 핵심 가정과 출력 행태에 대한 모니터링을 구축합니다. 가정이 실패하면, 낡은 모델을 억지로 더 오래 쓰려고 하지 않습니다. 무엇이 깨졌는지 파악하고, 비즈니스 영향을 평가한 뒤, 재보정(recalibrate), 재설계, 또는 일시적으로 더 단순한 접근으로 롤백할지 결정합니다. 안정성도 중요하지만, 그보다 중요한 건 정직함입니다.
15. 프로세스나 모델을 개선했던 경험을 말해 주세요
주도성과 측정 가능한 임팩트를 찾는 질문입니다. 무엇이 바뀌었고, 왜 중요했고, 어떻게 전달했는지를 보여줘야 합니다.
예시 답변(직접 경험이 있다면): 문서 표준화를 하고 핵심 체크를 자동화하며 재사용 가능한 테스트 템플릿을 만들어, 검증 사이클이 짧아지고 수정 왕복이 줄어드는 방식으로 모델 리뷰 시간을 줄였습니다. 덕분에 품질을 낮추지 않으면서 팀이 더 빠르게 움직일 수 있었습니다.
예시 답변(주니어라면): 대학 또는 인턴 프로젝트에서 스프레드시트 중심 워크플로를 Python 노트북으로 옮기고 반복 가능한 검증 단계를 넣어, 재실행 속도가 빨라지고 수작업 오류가 줄어드는 방식으로 분석 턴어라운드를 개선했습니다. 작은 시스템이었지만, 프로세스 규율이 얼마나 큰 가치를 만드는지 배웠습니다.
16. 여러 분석 요청이 동시에 급할 때 우선순위를 어떻게 정하나요?
압박 속 판단을 봅니다. 퀀트 역할은 특히 리포팅 사이클이나 시장 이벤트 근처에서 마감이 겹치기 쉽습니다.
예시 답변: 비즈니스 임팩트, 데드라인의 경직성, 의존성/연쇄 리스크를 기준으로 우선순위를 잡습니다. 둘 다 급하면, 어떤 의사결정이 먼저 막히는지와 지연되거나 품질이 낮을 때 더 큰 리스크가 생기는 분석이 무엇인지부터 확인합니다. 그리고 트레이드오프를 초기에 공유합니다. 사람들을 오도할 수 있는 일을 급하게 처리하기보다, 기대치를 정직하게 재조정하는 편을 택합니다.
17. 분석 결과가 직관이나 비즈니스 압력과 충돌할 때는 어떻게 하나요?
일부는 정직성(무결성) 질문입니다. 리크루터는 증거를 방어하되, 경직되거나 공격적으로 굴지 않는 사람을 원합니다.
예시 답변: 저는 충돌을 감정적으로 버티는 일이 아니라, 추가 조사가 필요하다는 신호로 봅니다. 먼저 데이터, 가정, 구현을 다시 점검합니다. 그럼에도 분석이 유지되면, 결과를 명확히 제시하고 불확실성을 설명하며, 반대 관점이 성립하려면 어떤 조건이 참이어야 하는지를 보여줍니다. 그러면 논의가 증거 기반으로 유지됩니다. 제 일은 논쟁에서 이기는 게 아니라 팀이 더 나은 의사결정을 하도록 돕는 것입니다.
18. 퀀트 애널리스트 업무에서 AI 도구를 어떻게 활용하나요?
분석 직무에서 이 질문은 점점 더 현실적입니다. LinkedIn에 따르면 AI 리터러시 역량을 요구하는 채용 공고가 2025년에 전년 대비 71% 증가했습니다 [3]. 리크루터는 과장된 홍보를 원하는 게 아닙니다. 판단력을 갖고 AI를 레버리지로 쓰는지에 대한 증거를 원합니다.
예시 답변: 저는 AI 도구를 퀀트 사고의 대체물이 아니라 생산성 지원 도구로 사용합니다. 예를 들어 ChatGPT나 Claude로 1차 코드 스캐폴딩, 문서 초안, 대안 접근 브레인스토밍 속도를 높이고, 에디터에서는 GitHub Copilot을 반복적인 코딩 작업에 활용합니다. 덕분에 셋업과 탐색은 빨라지지만, 수학적 타당성 검증, 결과 테스트, 모델링 의사결정은 제가 직접 합니다.
19. AI가 생성한 결과물을 신뢰하기 전에 어떻게 검증하나요?
AI는 틀리면서도 확신 있게 말할 수 있기 때문에 중요합니다. 강한 답변은 두려움이 아니라 통제 장치를 보여줍니다.
예시 답변: 저는 AI 결과물을 주니어의 초안처럼 검증합니다. 가정을 확인하고, 핵심 단계를 재현하며, 알려진 케이스로 테스트합니다. 코드가 생성되면 로직을 한 줄씩 리뷰하고, 사용 전 유닛 테스트나 백테스트 검증을 돌립니다. 설명이나 방법을 제안하면 신뢰 가능한 레퍼런스와 비교하고, 데이터 맥락에 맞는지도 확인합니다. AI는 속도에는 유용하지만, 신뢰는 검증을 통해 얻어져야 합니다.
20. 저희에게 질문 있으신가요?
형식적인 질문이 아닙니다. 우리가 역할을 어떻게 생각하는지 보여줍니다. 좋은 질문은 진지함, 판단력, 장기적 핏을 시그널링합니다. 리크루터 관점의 더 깊은 맥락은 퀀트 애널리스트 면접 질문: 리크루터는 실제로 무엇을 생각하나의 프레이밍을 참고해도 좋습니다.
예시 답변: 네, 있습니다. 먼저 이 역할에서 첫 6~12개월 동안 성과를 어떤 기준으로 측정하는지 알고 싶습니다. 또한 모델이 리서치에서 프로덕션으로 넘어가는 과정이 어떻게 되어 있는지, 그리고 현재 가장 큰 모델링 또는 데이터 품질 이슈가 무엇인지도 궁금합니다. 그래야 제가 어디에서 가장 빠르게 가치를 더할 수 있을지 이해하는 데 도움이 될 것 같습니다.
퀀트 애널리스트(Quantitative Analyst) 면접을 따내는 건 얼마나 어렵나요?
가장 어려운 부분은 면접 자체가 아닌 경우가 많습니다. 애초에 “보이는 것”이 더 어렵습니다.
Greenhouse가 6,000개+ 기업과 6억4천만 건의 지원서를 바탕으로 만든 벤치마크 데이터에 따르면, 평균 채용 공고 1건당 2025년에 244건의 지원서가 접수됐습니다 [1]. 동시에 Greenhouse는 조직당 리크루터 수가 2024년 5.44명에서 2025년 4.62명으로 감소했다고 말합니다. 즉, 더 많은 지원자가 더 적은 인적 검토 역량을 두고 경쟁한다는 뜻입니다 [1]. 퀀트 애널리스트 지원자 입장에서는, 1차 이력서 필터가 완화되기보다 더 빡세졌을 가능성이 큽니다.
이 맥락이 중요합니다. 이미 퀀트 애널리스트 면접이 잡혀서 이 글을 읽고 있다면, 큰 필터 하나를 이미 통과한 것입니다. 그 기회를 허비하지 마세요. 아직 지원 단계라면, 실제 병목인 “눈에 띄는 것”에 집중해야 합니다.
AI는 기업이 분석 후보자에게 기대하는 바도 바꾸고 있습니다. LinkedIn의 2025 AI 노동시장 업데이트에 따르면 AI 리터러시 역량을 요구하는 공고가 전년 대비 71% 증가했으며, 인접한 분석 직무 타이틀이 상위 카테고리로 포함됐습니다 [3]. 이는 “퀀트 애널리스트 역할이 사라진다”는 주장으로 읽기보다(신뢰할 만한 2025–2026 퀀트 애널리스트 직무 특화 공고량 통계는 확인되지 않았습니다), 기업이 실제로 채용하는 역할 안에서 AI로 강화된 분석 역량을 더 원한다는 강한 시그널로 읽어야 합니다 [3].
결론은 단순합니다: 가장 큰 병목은 노출(visibility) 입니다. 이력서가 5~8초 스캔에서 “왜 이 역할에 맞는지”를 즉시 보여주지 못하면, 아무리 자격이 좋아도 보이지 않습니다. 목표는 지원서는 더 적게, 면접은 더 많이입니다. 그리고 이는 지원하는 공고마다 이력서를 맞춤화하면 가능합니다.
왜 지원하는 공고마다 이력서를 맞춤화해야 하나요?
리크루터가 5~8초 동안 스캔할 때 ‘매치’가 한눈에 보이는 이력서는, 언제나 범용 CV를 이깁니다. 모두가 알고 있는 사실입니다.
진짜 문제는 노력입니다. 지원할 때마다 이력서를 다시 쓰는 건 시간이 많이 들고 금방 반복 작업이 됩니다. 그래서 대부분은 제대로 맞춤화하지 못합니다. AI가 “공고별 커스터마이징”을 실용적으로 만들기 전까지는 늘 귀찮은 일이었습니다.
이제 Specific Resume로 지원 건마다 맞춤 이력서를 쉽게 만들 수 있습니다. 1페이지에 핵심 자격요건을 드러내고, 명확한 시각적 계층 구조를 만들며, 채용 공고와 언어를 정렬하고, 성과 중심으로 문장을 쓰되, ATS 친화성도 유지하도록 돕습니다. 후보자 입장에서는 리크루터가 핏을 더 빨리 확인할 수 있고, 리크루터 입장에서는 불필요한 디테일을 뒤지는 시간을 줄일 수 있습니다.
다음 역할에서 합격 확률을 높이고 싶다면, 만들기로 공고 맞춤 이력서를 생성하고, 필요하다면 집중형 퀀트 애널리스트 커버레터와 함께 준비해 보세요.
다음 지원을 위한 더 좋은 퀀트 애널리스트(Quantitative Analyst) 이력서 만들기
퍼널은 잔인합니다. 지원서는 소수의 면접으로 바뀌고, 면접은 더 적은 오퍼로 바뀝니다. 그러니 첫 번째 필터에서 승부를 보세요.
면접 잘 보시길 바랍니다. 그리고 그 다음 지원을 위해서는 만들기에서 해당 포지션에 맞춘 이력서를 만들어, 다음 면접까지 이어지게 하세요.
출처
- Greenhouse. 6,000개+ 기업과 6억4천만 건의 지원서를 바탕으로 한 채용 벤치마크(공고당 평균 지원 수, 리크루터 역량 추이 포함).
- Ashby. Q1 2021부터 Q1 2024까지 인바운드 지원자의 오퍼율 하락을 다룬 인재 트렌드 리포트.
- LinkedIn Economic Graph. AI 리터러시 역량을 요구하는 공고의 전년 대비 증가를 보여주는 AI 노동시장 업데이트.
