데이터 라벨링 노가다는 이제 그만~!

AWS Community Day는 AWS를 사용하는 개발자 및 고급사용자들이 주축이 되어  AWS 서비스 활용 방법 및 사용 대한 정보를 공유하는 기술 컨퍼런스입니다.

지난 1월 25일, 세종대학교에서 개최된 AWS Community Day – re:Invent특집에서는 지그재그 데이터팀의 성운님이 참석해서 AWS Sagemaker Ground Truth에 대해 소개해주셨습니다.

Ground Truth를 통해 데이터 라벨링 노가다(…)를 어떻게 줄일 수 있었는지, 발표 영상과 그 자세한 내용을 공유드립니다. 영상은 여기서 확인하실 수 있습니다!

 


안녕하세요. 저는 크로키닷컴의 데이터 과학자 소성운이라고 합니다.

저희 크로키닷컴은 여성 쇼핑몰들을 모아서 쉽고 빠르게 보여주는, 개인화된 쇼핑 환경을 제공하는 ‘지그재그’를 운영하고 있습니다. 남자분들에게는 생소할 수 있겠지만 여성 쇼핑 분야에서는 좋은 성과를 보이고 있는 서비스입니다. 1500만 다운로드, MAU 230만, 자체 광고 플랫폼 매출 200억 등 많은 사용자들이 사랑하는 앱으로 자리 잡고 있습니다.

아무래도 쇼핑을 다루는 앱 서비스이다 보니 사용자 데이터 분석, 개인화 추천 등의 분야에 관심을 가지고 있습니다. 자연스럽게 빅데이터 분석을 위한 EMR이나 Glue, 머신러닝을 위한 Sagemaker 같은 서비스에 관심이 많았습니다. 관심을 쫓아가다 보니 현재는 AWS 유저 그룹에서 커뮤니티 활동도 열심히 하고 있습니다.

오늘 함께 나눌 주제는 머신러닝입니다. 보통 머신러닝이라고 하면 모델링 기법이나 최적화에 대한 내용이 주를 이루는데, 이번 세션은 모델 학습에 사용되는 데이터에 대해서 이야기해보겠습니다.

먼저 Amazon Sagemaker라는 서비스를 간략히 소개드리려고 합니다. Sagemaker는 머신러닝 프로세스인 학습과 최적화, 그리고 배포 단계를 서비스 내에 프로세스화한 형태입니다. 모델 학습을 위한 각종 환경 구성을 원클릭으로 설정할 수 있고, 이렇게 구성된 환경에서 자신이 직접 만든 모델로 클라우드 환경에서 학습이 가능하며, 또한 Sagemaker에 내장된 머신러닝 모델 또한 사용이 가능합니다.

개발 경험이 없는 데이터 분석가나 과학자분들은 자신이 공들여 만든 모델을 서비스에 반영하는 게 큰 챌린지인데, Sagemaker에서는 모델의 배포와 API 생성까지 손쉽게 끝낼 수 있습니다. 제가 Sagemaker를 좋아하는 이유이기도 합니다. 일련의 절차들을 모두 자동화하고 프로세스화 하여, 우리가 집중해야 할 좋은 모델을 만들고 검증하는데 많은 시간을 할애할 수 있도록 도와줍니다.

오늘 소개해드릴 Amazon Sagemaker Ground Truth도 같은 맥락의 서비스라고 보시면 됩니다. 별도의 독립적인 서비스는 아닙니다. 기존 Sagemaker 상에 추가된 기능으로, 모델링 이전에 갖춰야 할 학습 데이터의 퀄리티를 어떻게 높일 것인가에 대한 고민의 결과가 만들어낸 산물이라고 생각합니다.

라벨링이라는 작업은 모델 학습에 사용되는 데이터에 정답을 달아놓는 과정입니다. 많이 보셨을 개와 고양이를 분류하는 모델에 비유하자면, 개와 고양이 이미지에 각각 개 혹은 고양이라는 정답을 달아 놓는 작업입니다. 라벨링 작업은 굉장히 힘이 듭니다. 왜 힘들까요? 라벨링 작업은 노가다 작업으로 느껴질 때가 많기 때문입니다. 우스갯소리로 인형에 눈 붙이는 작업이라고도 합니다.

라벨링이 어려운 첫 번째 이유 중 하나는 머신러닝을 위해서는 많은 양의 데이터가 필요하다는 것입니다. 이미지를 분류하기 위해서는 최소 수천, 수만 장의 이미지가 필요합니다.

라벨링이 어려운 두 번째 이유는 사람이 직접 라벨링을 해야 하기 때문입니다. 오른쪽 이미지들은 Image Segmentation을 위한 데이터셋 예제입니다. 단순히 개나 고양이를 분류하는 작업이 아니라 해결하고자 하는 문제가 복잡할수록 필요한 데이터셋도 점점 더 복잡해집니다. 세 번째 이유는 시간을 포함한 많은 비용이 든다는 것입니다. 그리고 무엇보다, 라벨링 작업자가 많아질수록 일관되고 정확한 라벨링 작업이 어려워집니다.

조금 더 이해를 돕기 위해 제가 요즘에 회사에서 고민하는 내용을 간단히 공유 드릴 건데요 여러분들도 같이 생각해봐 주시면 재밌을 것 같습니다.  지그재그에서는 여성 쇼핑몰의 상품들을 손쉽게 검색할 수가 있는데요, 보시는 화면은 저희 앱, 그러니까 검색 기능에서 기본적으로 제공되는 필터 기능입니다. 제가 목도리를 검색하고, 그중에서 파란색 목도리만 보고 싶어서 색상으로 필터를 한 결과인데요. 이 기능이 제공이 되기 위해서는 각 상품마다 색상 정보가 존재해야 합니다. 그렇다면 이 색상 정보는 어떻게 기입을 할까요? 상품의 이미지를 보고 색상 카테고리에 맞게 색상 정보를 기입하면 됩니다. 참 쉽죠?

그런데 지그재그에 3700개의 쇼핑몰이 입점해있고, 하루에만 약 1만 개의 신상품이 업데이트된다는 것을 고려하면 이야기가 달라집니다. 사람이 이렇게 많은 양의 이미지에 일일이 색상 정보를 입력하는 것은 어려운 일입니다. 머신러닝이 이 문제를 해결해 줄 수 있을까요?

처음 시작한 아이디어는 다음과 같았습니다. ‘제품 이미지 상에서 제품의 색상을 RGB로 뽑아내고, 이게 어떤 색상인지 학습시키면 색상을 자동 라벨링 할 수 있는 모델을 만들 수 있지 않을까?’

관련된 내용을 작년 핸즈온 세션에서도 다뤘었는데요. 관심 있으신 분은 아래 링크를 참고해보셔도 좋을 것 같습니다. Https://github.com/yansonz/2018-handson-data-02

이때의 내용을 요약해드리자면, 요즘에는 좋은 Vision API가 워낙 많아서 이미지를 넣으면 위와 같이 대표 색상을 RGB 컬러로 뽑아낼 수가 있다는 겁니다. 그래서 관련된 데이터 셋을 만들어봤습니다. RGB 값과 레이블 필드를 보실 수 있습니다. 그런데 여기서 문제가 있습니다.

RGB 값으로 봤을 때 과연 어디까지를 파란색이라고 볼 수 있을까요?

같은 이미지에 있는 색상이어도 사람마다 기준이 다르기 때문에 어떤 사람은 파란색이라고 하고 어떤 사람은 남색이라고 하겠죠. 라벨링 작업이 일관되게 이루어지기가 굉장히 어려운 상황이 발생합니다. (당시 저희 팀에서 해당 타스크는 저만의 기준을 세워서 혼자 진행했습니다)

이렇게 어렵고, 막막할 수 있는 라벨링 작업이 왜 이렇게 중요한 걸까요?

좋은 머신러닝 모델을 만드는 것은 당연히 좋은 결과를 만들어내는 성공의 열쇠입니다. 그러나 좋은 머신러닝 모델만큼이나 중요한 것은 좋은 학습 데이터 입니다. 좋은 학습 데이터가 좋은 모델을 만드는데 도움이 되기 때문입니다.

장표에 예시로 등장한 데이터셋들은 머신러닝 딥러닝에 관심이 있으신 분이라면 한 번쯤 보았을 것들인데요, 대표적으로 이미지넷 데이터셋을 보았을 때, 총 1400만 개의 이미지를 2만 개가 넘는 카테고리로 라벨링을 해둔 데이터입니다. 다른 것들도 여러 사람이 직접 한 땀 한 땀 라벨링 한, 검증된, 즉 좋은 퀄리티의 데이터셋들입니다. 머신러닝을 공부하실 때는 이런 데이터셋을 바탕으로 만들어진 모델을 리서치하셔서 사용해보거나 그 모델을 바탕으로 자신만의 모델링을 많이 해보시게 됩니다.

그런데 자신만의 비즈니스가 존재할 때는 다양한 문제를 머신러닝으로 실전에서 해결해야 하고, 이 문제들에 맞는 자신만의 데이터셋을 만들어야 할 때가 있습니다. 그때는 지금까지 말했던 많은 문제들에 직면하게 됩니다. 바로 그때 당황하지 마시고 Sagemaker Ground Truth를 써보시면 큰 도움이 됩니다.

왜냐하면 Sagemaker는 이러한 라벨링 작업마저도 머신러닝 프로세스의 일부로 여기고, 이것을 서비스화 시켰기 때문입니다. 또, 아마존이 했기 때문에 기대할 수 있는 것들이 분명 있죠. 완전 관리형, 효율화, 자동화, 확장성 등등 많은 장점들이 있습니다.

Ground Truth에서 제공 가능한 라벨링 작업은 총 5가지입니다. Object Detection에서 사용되는 바운딩 박스 작업, Image Classficiation에 사용되는 형태의 작업, Semantic Segmentation, Text Classifiation 입니다. 여러분들이 람다와 개발코드에 익숙하다면 자신만의 라벨링 작업 환경 또한 직접 구축하실 수 있습니다.

라벨링 작업을 Ground Truth를 통해 하게 되면, 관리 형태의 작업을 할 수 있을 뿐만 아니라 예상치 못한 선물 등의 기능들을 만나보실 수도 있습니다. 예를 들면 액티브 러닝과 오토 라벨링 기능입니다. 우선 간략하게 서비스 데모를 보신 후에 이 기능들에 대해서 이야기해보겠습니다.

작업팀은 라벨링을 다양한 형태로 구성할 수 있는데요. 그 작업팀을 워크포스라 하며, 총 세 가지 형태가 제공됩니다. Public은 간단히 말하면 라벨링 작업을 온라인 프리랜서에게 외주를 주는 것입니다. Private은 데이터의 특수성이나 보안 이슈로 조직 내 팀을 구성하는 형태이고요, Vendor 옵션은 라벨링 전문팀에게 의뢰하는 형태입니다.

데모는 Private 워크포스를 구성하고, 간단한 예제인 개와 고양이의 이미지를 분류하는 모델을 위해 데이터셋을 만든다는 가정에서 진행했습니다. Ground Truth는 아직 서울 리전에 론칭이 되지 않았기 때문에 북미리전으로 진행했습니다.

먼저 Sagemaker 콘솔에 가보시면 상단에 Ground Truth 메뉴가 생긴 것을 확인해 볼 수 있습니다. 작업을 만드는 것은 굉장히 쉽습니다. 메뉴에서 라벨링 잡을 하나 만들면 됩니다.

잡을 만드는 과정입니다. 잡의 이름과 내가 작업할 이미지들이 있는 S3 주소를 넣어줍니다. S3에 이미지 넣어두기 때문에 용량 걱정 없이 수십만 장의 이미지를 넣어두셔도 됩니다. 해당 경로에 이미지가 있으면, 라벨링 작업의 메니페스토라는 json으로 입력값 정리가 됩니다. 마찬가지로 작업의 결과는 지정해둔 아웃풋 s3 경로에 json 형태로 저장이 됩니다. 전에 소개드렸던 라벨링 작업의 형태를 정의할 수 있습니다, 이 데모에서는 바운딩 박스 작업을 해보고자 합니다.

저는 외주작업을 의뢰해서 비용이 많이 나가는 것을 피하고 싶었습니다. 때문에 작업자를 Private으로 지정했고, Private 워크포스 내에는 총 세명의 작업자를 지정해두었습니다. 다음으로 가장 중요한 작업자를 위한 작업환경 페이지 구성인데요. 오른쪽을 보시면 해당 이미지에서 바운딩 박스를 그려야 할 레이블을 명시해두었습니다(여기서는 고양이죠) 그리고 바운딩 박스를 어떻게 그려야 한다는 클리어한 작업설명이 있습니다. 작업설명 부분은 이해하기 쉽고 간결해야 합니다. 때문에 좋은 예와 나쁜 예를 이미지로 보여주는 형태가 가장 효과적이라고 느껴졌습니다.

작업 화면 구성까지가 끝나면 모든 작업환경 구성이 완료가 된 것입니다. 완료가 되고 나면 이와 같이 해당 작업의 상태(전체 이미지 중 어디까지 누가 작업을 진행했는지, 해당 작업의 이미지 정보들이 무엇인지를 볼 수 있는 관리 페이지가 생깁니다.

작업환경 구성이 완료되면 수분 이내에 작업자에게 이메일이 발송됩니다. 이메일에는 작업환경으로 접속할 수 있는 접속 주소, 로그인을 위한 아이디, 비번 정보가 있고, 해당 정보들로 로그인을 하게 되면,

화면에서 과 같이 조금 전에 작업을 구성해둔 페이지 그대로 작업자가 만나볼 수 있습니다. 아래에는 바운딩 박스를 그릴 수 있는 툴이 있으며 할당된 개수의 이미지를 모두 끝낼 때까지 연속적으로 작업 진행이 가능합니다.

작업한 내용은 보시는 것처럼 json 형태로 아웃풋 경로로 지정해둔 S3에 적재되는데, 이 정보들은 원본 이미지와 함께 Sagemaker에서 훈련 데이터셋으로 사용이 가능합니다.

보시는 것과 같이 Ground Truth는 대규모의 라벨링 작업을 수십/수백 명의 작업 자이 무리 없이 진행할 수 있도록, 쉽고 편리한 작업 인터페이스가 제공이 되고 있습니다. 세션 초반에 제품 색상 분류 사례를 소개하면서 여러 작업자들 간의 라벨링의 퀄리티를 어떻게 유지할 수 있을까에 대한 문제를 언급했습니다.

가장 간단하게, 쉽게 떠오르는 방법은 다수결 원칙에 따르는 것입니다. 여러 작업자들 간에 각기 다른 라벨링 결과를 통합할 때를 예로 들어보겠습니다. 왼편의 강아지 사진을 보고 네 명의 작업자 중 세명은 불독, 한 명은 샤페이라고 답했습니다. 그러면 다수결의 원칙에 따라 해당 이미지는 불독으로 분류가 될겁니다. 하지만 이게 최선일까요?

확률 모델을 적용하는 방법도 있습니다. 라벨링 작업을 여러 라운드로 진행하면서, 네 명의 작업자 중 빨간색 작업자의 라벨링의 정확도가 다른 작업자에 비해 높다고 가정해 봅시다. 작업자들의 정확도는 각 사람마다 수치화되어있습니다. 이번 경우에도 이전과 같이 불독, 샤페이, 불독, 불독이라고 대답했습니다. 약간 복잡해 보이는 수식이 나왔지만, 간단히 설명드리면 이 라벨링 작업의 결과가 샤페이일 확률은 불독일 확율보다 10배 높습니다. 그 이유는 작업자의 정확도를 고려하기 때문입니다. 또한 이 라벨링 작업의 결과는 단순히 이 이미지는 불독이다! 샤페이다! 가 아니라 0.9의 Confidence로 샤페이, 0.1의 Confidence로 불독일 것이다라고 분류가 됩니다. 일반적인 다수결 원칙보다 조금 더 합리적이고 나이스 한 결과입니다.

다음으로 말씀드리고 싶은 부분은 액티브 러닝과 오토 라벨링에 대한 부분입니다. 데모 과정에서는 해당 기능을 켜 두진 않았는데요, 작업해야 할 이미지 수가 많은 경우에, 특히 수만 장 이상 이미지를 다뤄야 하는 경우에는 적극적으로 활용해볼 만한 기능입니다.

지금까지 봐왔던 내용들은 작업자를 통해서 라벨링 작업이 이뤄지고 그 결과들을 병합하는 Consolidation 작업까지 이루어진 후에 최종 결과가 산출되는 시나리오였습니다. 도식화된 내용을 설명드리면, Ground Truth에서는 뒷단에 딥러닝으로 학습되는 모델이 존재하고 여러분들의 입력 이미지들을 딥러닝 모델이 자동 분류를 하게 됩니다. 이때 분류의 결과가 지정된 스레드 홀드보다 높은 정확도를 가졌다면 자동으로 라벨링이 되고, 그 이하면 즉 정확도가 낮은 분류라면 사람 작업자에게 보내어 분류가 되도록 워크플로우가 짜여 있습니다. 사람이 분류해낸 결과는 다시 딥러닝 모델의 학습 데이터로 사용되어 라벨링 작업이 진행되면 진행될수록 이 모델의 성능 역시 함께 증가하게 됩니다. 이를 액티브 러닝이라고 하고 사람이 아닌 모델을 통해 자동 분류되는 형태의 라벨링을 오토 라벨링이라고 합니다.

여러분들이 Ground Truth를 이용해서 라벨링 작업을 한다면 별다른 노력 없이 작업 생성하실 때 옵션 체크 유무만으로 이런 베네핏을 모두 가져갈 수 있습니다.

전반적인 성능에 관한 지표들입니다. 범례에 주황색 MTruk는 사람 작업자를 의미하고, 초록색 Auto only는 조금 전에 보신 딥러닝 모델을 통한 오토 라벨링 작업, 파란색 Ground Truth는 이 두 가지 작업을 동시에 이용하는 케이스를 말합니다. 첫 번째 그래프를 보시면 x축을 따라 사람이 진행한 라벨링 수가 증가할수록, 주황색인 사람 작업자의 결과는 그에 맞춰서 선형적으로 증가하는 것을 확인할 수 있습니다. 오토 라벨링의 경우는 처음에 처리되는 라벨링 수가 좋지 못하다가 사람의 작업량이 늘어나면서 모델 학습이 이루어지고 정확도도 증가하면서, 처리되는 작업량도 늘어나는 것을 볼 수 있습니다.

따라서 Ground Truth의 결과는 두 가지 작업의 합산입니다. 동일한 작업 양, 시간 동안 높은 퍼포먼스를 가져갈 수 있다는 것을 확인할 수 있습니다. 바로 아래 그래프는 정확도에 관한 지표입니다. x축을 따라 사람이 라벨링 하는 이미지가 증가할수록 모델의 정확도가 목표한 90% 정확도로 수렴하는 것을 보실 수 있습니다. 오른쪽 상단에 세 번째 그래프는 비용에 관련된 지표인데, 이미지 장당 사람에게 의뢰하는 비용은 5센트로 고정입니다, 모델의 정확도가 증가하면서 실패 확률이 낮아지고 장당 처리되는 비용이 현저히 떨어지는 것을 볼 수 있습니다. 그래서 전반적으로 사람으로 운용되는 라벨링 작업보다 Ground Truth에서 사람과 오토라벨링을 함께 운용하는 것이 비용적인 측면에서도 절감 효과가 있습니다.

아마존 Sagemaker와 신규 서비스인 Ground Truth를 써보면서 느낀 점은 머신러닝을 잘 알건 모르건 간에 일단 시작을 할 수 있게 만들어준다는 것입니다.

여러분들이 머신러닝을 통해서 현실의 문제를 해결하고자 할 때 시작하기도 전에 예상치 못하는 다양한 어려움에 직면하게 됩니다. 작업환경 구축하는 건 너무나 고되고, 모델 학습이나 파라미터 튜닝 과정은 너무 많은 시간이 소요돼서 쉽게 지치기 마련입니다. Sagemaker는 이런 과정들을 프로세스화 했고 쉽게 사용 가능한 툴을 제공함으로써, 자칫 부수적인 작업이라고 느낄 수 있는(흔히 말하는 삽질) 해결하였고, 본래 하고자 했던 더 나은 모델, 정확도가 높은 모델을 만드는데 시간과 노력을 쏟게 해 주었습니다.

신규 서비스인 Groud Truth는 마찬가지로 Sagemaker가 구축해놓은 탄탄하고 유연한 머신러닝 환경 속으로 라벨링 작업을 들여왔고, 퀄리티 있는 대용량의 데이터셋을 구축할 수 있게 해 주었습니다. 여러분들이 자신만의 데이터로 머신러닝 프로젝트를 진행해보고 싶다면 꼭 이용해보시길 바랍니다.

감사합니다.

지그재그 데이터팀과 개발팀에서는 쇼핑 데이터와 관련된 다양한 프로젝트들을 적극적으로 진행하고 있습니다. 지그재그 팀과 함께, 국내에서 가장 많은 패션 데이터를 다뤄보고 싶으신 분들의 지원을 언제나 기다리고 있습니다.

job@zigzag.kr

https://career.zigzag.kr/recruit

지그재그 마케팅팀 채용 공고

현재 팀은 어떻게 구성되어 있나요?

지그재그 마케팅 팀은 CMO 포함 총 5명으로 구성되어 있습니다.

2018년 상반기까지 ‘퍼포먼스’와 ‘브랜드’ 파트로 구분하여 각자 해당 업무만을 담당하였으나, 하반기부터는 파트 구분을 없애고 프로젝트별로 팀을 구성하여 업무를 진행하고 있습니다.

팀에서 중요시하는 가치는

‘임팩트’와 ‘효율화’입니다.

한정된 자원과 시간으로 세상을 변화시키는 것이 스타트업의 숙명이기 때문에 이 두 가지 가치를 우선시합니다.

그리고 이 두 가지 가치를 팀 구성원 모두가 체감할 수 있도록 ‘본질에 집중할 수 있는 업무 환경’을 구축하고자 노력합니다. 중요하지 않은 일이나 왜 해야 하는지 모르는 일 등을 최소화함으로써 확보한 시간을 중장기적 임팩트를 가져올 수 있는 일에 투자하고 있습니다.

그동안 팀이 가졌던 고민과 성장 과정을 소개한다면

Phase 1. 서비스 초기 마케팅어떻게 하지?(2015.6. – )

대개의 스타트업이 으레 겪듯이 자원과 시간은 항상 부족하고 경쟁사는 우리를 뒤쫓아오며 위협합니다. 금전적 자원은 투자를 통해 어느 정도 해결할 수 있지만, 시간은 전적으로 우리의 역량에 달려 있다고 생각했습니다. 지나가버린 시간과 기회는 되돌릴 수가 없기 때문입니다.

그래서 서비스 초기에는 특히 빠른 성장 & 효율적인 마케팅을 중시하였고, 개인적인 선호나 직감에 의존한 마케팅보다는 성과 측정이 가능한 퍼포먼스 마케팅에 집중하였습니다. 다행히 빠르게 성장할 수 있었고 서비스 런칭 6개월 후 100 만 다운로드를 기록하며 첫 번째 투자를 받을 수 있었습니다.

Phase 2. 효율적인 팀 업무 방식은(2016.5. – )

환희님께서 팀에 합류하며 드디어 2인 이상의 팀이 되었습니다. 팀에 다른 색이 추가되어 아이디어 스펙트럼이 넓어졌지만 동시에 업무 협업 방식에 대한 고민 또한 생겼습니다. 과도한 보고 체계나 경직된 위계질서 등으로 인해 ‘1+1 = 2+’가 아닌 ‘1+1 < 2’가 되지 않을까 걱정되었습니다. 효율적인 업무 처리를 위해 가장 기본이 되는 목표와 가이드라인만 제시하고 팀원 개개인에게 권한과 책임을 부여해 스스로 판단하고 진행할 수 있도록 업무 체계를 만들었습니다.

누구의 아이디어 인지보다는 어떤 컨텐츠의 성과가 좋은지를 중요하게 보고자 했습니다. 이와 같은 데이터 기반의 의사결정으로 적은 인력으로도 700만 다운로드라는 긍정적인 성과를 달성할 수 있었지만, 1년 정도가 지난 뒤에는 팀원 간 커뮤니케이션이 줄어드는 부정적인 현상 또한 발생되었습니다.

Phase 3. 관성에서 벗어나기 (2017.11. – )

900만 다운로드 돌파 시점에 브랜드 파트가 신설되며 수진님과 가영님께서 합류하였습니다. 그동안 퍼포먼스 마케팅을 중시하며 효율적인/효과적인 성장을 이뤄왔지만 장기적인 브랜딩을 위해 브랜드 마케팅에 대한 연구와 투자가 필요한 시점이었습니다.

효율적인 업무 및 시간 배분을 위해 (공동 목표 외에) 파트별 목표를 세우고 파트별 회의를 따로 진행하였습니다. 브랜드 파트는 ‘서비스 비전 및 핵심가치 도출, 웹드라마 기획’ 등의 Task를 진행하였고, 퍼포먼스 파트에서는 UA 마케팅을 기존과 같이 진행하였습니다. 각 파트별 진행사항 공유는 팀 주간회의를 통해 이루어졌습니다.

파트별로 어떤 업무가 진행되는지 서로 아는(파악하는) 것에는 문제가 없었습니다. 더불어 파트별 성과 또한 나쁘지 않았습니다. 하지만 각 파트가 왜 그런 결정을 했는지, 프로젝트 진행 과정에서 어떤 레슨을 얻었는지, 상대 파트의 목표를 본인의 목표처럼 중요하게 생각하는지 등에 있어서는 충분히 교감되고 있지 않다는 느낌을 받았습니다.

팀 구조는 브랜드 마케팅으로 확장하였지만 일하는 방식은 효율화‘만’을 우선시했던 기존 관성에 머물러 있다는 것을 깨달았습니다. 이에 저희 팀은 관성에서 벗어나기 위해 팀 구조부터 일하는 방식, 구성원 RnR 등 여러 부분을 토론하며 함께 변화시켜 나갔습니다.

Phase 4. 우리 팀은 서로에게 솔직한가요(2018.6. – )

“지그재그 마케팅 팀은 서로에게 솔직한가요?” 2018년 6월, 혜란님께서 팀에 합류하며 건넨 질문이었습니다.

‘우리 팀은 서로에게 얼마만큼 솔직한가?’

‘일 이외에 감정, 눈치, 계산 등이 없다고 이야기할 수 있는가?’ ‘공동의 목표를 향해 나아가고 있는가?’

일을 오롯이 일로만 바라볼 수 있고 일에 온전히 몰입할 수 있도록, 불필요한 감정과 오해를 털어낼 수 있는 무언가가 필요했습니다. 구성원 모두의 합의하에 1:1 상호 피드백 세션을 가졌습니다. 업무를 하며 상대의 어떤 부분이 좋았고, 어떤 부분이 아쉬웠는지 최대한 솔직하게 나눴습니다. 놀라웠던 부분도 있었고, 부끄러웠던 부분도 있었고, 화가 나는 부분도 있었고, 감사한 부분도 있었습니다.

구성원 모두가 느낀 감정은 저마다 달랐을 테지만 공통적인 생각이 있습니다. 바로 우리는 서로를 신뢰하기 때문에 이 과정 또한 넘어설 수 있다는 점입니다.

“우리 팀은 서로에게 솔직한가요?” 물론 100% 솔직하진 않을 것 같습니다. 불가능하죠. 다만, 솔직한 피드백이 팀 발전에 있어 무엇보다 중요하다는 것은 모두 알게 되었습니다.

앞으로의 포부는

지그재그 마케팅 팀은 그동안 소수 인력 중심으로 효율적인 마케팅을 추구해왔습니다. 그리고 이제는 보다 다양하고 임팩트 있는 마케팅을 위해 팀을 확장하고자 합니다. 다양한 경험과 생각을 지닌 멤버들이 모여 함께 도전하고, 실패를 통해 배우고, 또다시 도전하면서 대한민국 모든 여성이 지그재그를 통해 ‘즐겨. 찾기. 쉬운.’ 쇼핑을 하는 그날까지 함께 성장해나가고 싶습니다.

마지막으로 하고 싶은 말은?

 – 가영: 저희와 다른 당신의 생각과 목소리가 궁금해요. 본인의 생각을 주장하지 않고 설득할 줄 아는 분이라면, 그 생각을 ‘함께’ 실행할 수 있을 거라 믿어요!

 – 정훈: 다양한 경험과 생각, 그리고 자신만의 색을 지닌 구성원들이 모였을 때 더욱더 멋진 일이 일어난다고 믿고 있습니다. 마케팅을 정말 진심 레알 트루 리얼리 좋아하는 마케터라면 주저 말고 지원해주세요. 😀

– 수진: 자신만의 이야기가 있으신 분, 왜?라는 질문을 좋아하시는 분, 마케팅과 지그재그를 좋아하시는 분, 해보고 싶은 게 많은 분. 마케팅 팀에 새로운 색을 더해줄 수 있는 분이라면 모두 모두 환영합니다. 함께 즐겁고 치열하게 지그재그의 다음 이야기를 만들어봐요!

– 혜란: 어떤 멋진 경력보다 언제나 ‘나’보다는 ‘우리’, ‘이 정도까지’보다는 ‘끝까지’, ‘돌려 말하는 눈치’보다는 ‘솔직할 수 있는 용기’가 있는 분이라면 좋겠습니다. 같이 만들어나가요! 파이팅! 많이 지원해주세요!

– 환희: 채용공고를 내면서 ‘어떤 사람과 일하고 싶나?’는 질문에 끊임없이 답해보았습니다. 브랜딩도 잘하고 퍼포먼스도 잘하고… 다 잘하는 마케터!! (사실 그런 분들은 드물지만…) 저희 팀의 욕심이 끝이 없더라고요 하하 네, 생각해보니 저희는 욕심 많은 팀이고 저희 팀에 합류하시는 분도 마케팅에 욕심 많은 분이셨으면 좋겠어요. 어떤 욕심을 가지고 계신지 무엇을 이뤄내고 싶은지 팍팍 어필해주세요. 지그재그 마케팅팀에 새로운 자극을 주고 함께 성 장할 수 있는 분이라면 언제나 환영합니다!!

크로키닷컴(주) 입사지원자 개인정보 처리방침

크로키닷컴(주)(이하 “회사”)은 지원자의 개인정보를 안전하게 보호하고 궁금한 사항의 문의나 어려움 해결에 도움을 드리고자 다음과 같은 원칙을 마련하고 있습니다. 또한 저희는 관련 법령이나 회사정책의 변경으로 불가피하게 개인정보 처리방침을 변경해야 하는 경우 웹사이트를 통해 빠르게 알려 드리고 있으니 참고하여 주시기 바랍니다.

 

1.개인정보의 수집 목적 및 방법
가. 회사는 입사전형 진행, 입사 지원자와의 원활한 의사소통, 채용관련 정보 안내, 상시채용 등을 위해 입사지원서에 기재된 개인정보를 수집합니다.
나. 회사는 외부 채용 플랫폼(원티드, 잡코리아, 사람인, 알바몬) 및 회사의 HR 채용 채널(job@zigzag.kr) 을 통해 개인정보를 수집합니다.

2. 수집하는 개인정보 항목
가. 기본필수정보: 성명, 연락처(이메일, 휴대폰번호), 경력사항, 프로젝트 수행이력  등 입사지원시 입사지원자가 이력서, 포트폴리오 등을 통해 제공한 정보 일체
*지원이 자유양식으로 이뤄지므로 그 지원 직군 및 내용에 따라 수집항목이 다를 수 있습니다.
*처우를 산정할 시 처우 산정을 위한 증빙자료를 요청할 수 있습니다.

3. 개인정보의 공유 및 제공(개인정보의 제 3자 제공 등)
회사는 개인정보를 “1. 개인정보의 수집 목적 및 방법’에서 고지한 범위내에서 사용하며, 입사지원자의 개인정보를 제 3자에게 제공하지 않습니다. 그러한 필요가 발생할 경우 입사지원자에게 알리고 사전동의를 받도록 하겠습니다.
단, 다음의 각 호에 해당하는 경우는 예외로 합니다.
가. 개인정보주체로부터 별도의 동의를 받은 경우
나. 다른 법률에 특별한 규정이 있는 경우
다. 수사 목적으로 법령에 정해진 절차와 방법에 따라 수사기관의 요구가 있는 경우

4. 개인정보처리 업무의 위탁
회사는 필요한 경우 및 기타 서비스 제공을 위해서 입사지원자의 개인정보를 외부에 수집·보관·처리·이용·제공·관리·파기 등을 할 수 있도록 아래와 같이 업무를 위탁하여 운영하고 있습니다. 회사는 위탁계약 등을 통하여 서비스제공자의 개인정보보호 관련 지시엄수, 개인정보에 관한 비밀유지, 제3자 제공의 금지 및 사고 시의 책임부담 등을 명확히 규정하고 당해 계약 내용을 서면 또는 전자적으로 보관하여 이용자의 권익을 보호하고 있습니다.
가. 수탁업체:원티드, 잡코리아, 사람인, 알바몬
나. 위탁업무내용 : 입사지원자 모집
다. 개인정보의 보유 및 이용기간: 채용절차 진행기간 동안

5. 개인정보의 보유 및 이용기간, 파기
가. 회사는 상기의 수집 및 이용목적이 달성될 때까지 개인정보를 보유합니다. 다만, 관련 법령의 규정에 의하여 보존할 필요가 있는 경우 회사는 관련 법령에서 정하고 있는 일정한 기간 동안 정보를 보관할 수 있습니다.
나. 종이에 출력된 개인정보는 분쇄기로 분쇄하거나 소각을 통해 파기하며, 전자적 파일형태로 저장된 개인정보는 기록을 재생할 수 없는 기술적 방법을 사용하여 삭제합니다.

6. 정보주체의 권리와 그 행사방법
지원자는 담당자에게 전화 또는 이메일로 연락하여 자신의 정보의 조회, 수정, 처리 정지, 삭제를 요청할 수 있습니다. 다만, 지원서를 통해 받는 정보를 제공받지 못할 경우 회사는 공정한 선발 전형을 진행할 수 없습니다. 또한 개인정보 제공에 동의하지 않을 경우 채용 전형이 제한될 수 있습니다.

7. 개인정보의 안정성 확보 조치
가. 개인정보 처리 담당자의 최소화 및 교육 : 입사지원자의 개인정보를 취급 및 담당하는 직원은 반드시 필요한 인원에 한하여 지정/관리되고 있으며 담당자에 대한 수시 교육을 수행하며, 개인정보보호를 강조하고 있습니다. 이용자의 개인정보에 대한 접근권한은 입사지원자를 직접 상대로 하여 채용 과정을 진행하는 자 등 기타 업무상 개인정보의 취급이 불가피한 자로 제한 하고 있습니다. 또한, 입사지원자의 개인정보를 취급 및 담당하는 직원은 개인정보 접근을 위한 별도의 비밀번호를 부여하여 정기적으로 갱신합니다. 입사시 전 직원의 보안서약서를 통해 사람에 의한 정보유출을 사전에 방지하며, 개인정보 관련 취급자의 업무 인수인계는 보안이 유지된 상태에서 철저하게 이뤄지고 있습니다.
나. 개인정보에 대한 접근 제한: 지원자의 개인정보를 처리하는 데이터베이스시스템에 대한 접근권한의 부여, 변경, 취소 등을 통하여 개인정보에 대한 접근통제를 위한 필요한 조치를 시행하고 있습니다.
다. 보안프로그램 설치 및 주기적 점검/갱신: 해킹이나 컴퓨터 바이러스 등에 의한 개인정보 유출 및 훼손을 막기 위하여 보안 프로그램을 설치하고 주기적으로 갱신/점검하고 있습니다.

8. 개인정보 보호책임자 및 담당자의 연락처
회사의 입사지원 과정에서 발생하는 모든 개인정보보호 관련 민원을 인사 담당자에게 신고하실 수 있으며, 회사는 이용자들의 신고사항에 대해 신속하게 충분한 답변을 드릴 것입니다.
• 개인정보 보호ㆍ관리 책임자
– 이 름 : 윤상민
– 전 화 : 02-1670-8050
– 직 위 : 최고기술책임자
– 전자메일 : support@zigzag.kr
• 입사지원자 개인정보 보호 담당부서
– 부서명 : Relations팀
– 담당자 : 이유진
– 전 화 : 02-1670-8050
– 전자메일 : job@zigzag.kr
기타 개인정보침해에 대한 신고나 상담이 필요하신 경우에는 아래 기관에 문의하시기 바랍니다.
• 개인정보침해신고센터(http://privacy.kisa.or.kr/ / 국번없이 118)
• 대검찰청 사이버범죄수사단(http://spo.go.kr / 국번없이 1301)
• 경찰청 사이버안전국(http://cyberbureau.police.go.kr / 국번없이 182)

9. 개인정보처리방침의 변경
현 개인정보처리방침의 내용 추가, 삭제 및 수정이 있을 시에는 홈페이지 ‘공지사항’을 통해 고지할 것입니다.