대표 사례 세 개에서 문제, 직접 맡은 일, 공개 가능한 변화와 근거를 구분해 보여드립니다. 전체 경력은 별도 페이지에서 확인할 수 있습니다.
AI 아이디어는 많았지만 사용자 문제, 필요한 데이터, 답변 품질과 비용이 정리되지 않으면 데모 이후 실제 제품으로 이어지기 어려웠습니다.
AI가 필요한 문제와 더 단순한 해결책을 구분하고, 데이터·외부 도구·사람의 확인 절차와 품질·운영 조건을 정리해 제품·개발·데이터·운영 담당자와 검토했습니다. Claude·Codex·MCP로 시제품도 직접 만들었습니다.
아이디어 단계의 요청을 사용자 문제, 필요한 데이터, 품질 기준과 비용이 포함된 검토안으로 정리하고, 일부는 시제품으로 확인했습니다.
여러 판매 채널의 상품 정보, 재고 상태, 정산 기준, 검수 작업이 서로 다르게 관리돼 같은 상태를 보고 다음 작업을 판단하기 어려웠습니다.
창업자로서 4개 채널을 직접 운영하고, 채널별 주문·재고·정산 기준을 SKU 단위 운영 데이터로 정리했습니다. 상품 등록·재고 처리와 주문·송장 업무는 매크로와 API 배치로 자동화했습니다.
상품·재고·주문·정산을 같은 운영 기록으로 확인하고, 반복되는 상품 등록·재고 갱신·주문 처리 흐름을 자동화했습니다.
가상 공간의 타일 가치가 임의로 정해지지 않도록 실제 도시 데이터에 근거를 두고, 구매·개발·거래·수익화 경험도 제품 정책으로 정의해야 했습니다.
공시지가·유동인구·상권·POI 데이터를 수집·가공해 타일 그룹과 등급을 설계하고, EP 계산 모델과 구매·개발·거래 경험을 제품 정책으로 정리했습니다.
타일 그룹·등급과 EP 계산 모델, 거래·대중교통 분석 산출물을 남겨 가격과 수익화 정책을 검토할 기반을 만들었습니다.