예시 답변 1
약 110초
코호트 분석으로 이탈 패턴을 좁히고 개선 결과 수치로 닫는 결
인턴 기간에 앱 서비스의 가입 후 7일 이내 이탈률이 높다는 문제를 맡아 분석했습니다. 저는 먼저 BigQuery로 가입일 기준 코호트를 나눠서 어느 단계에서 이탈이 집중되는지 확인했습니다.
분석 결과 온보딩 3단계에서 이탈이 집중적으로 발생하고 있었습니다. 해당 단계가 사용자에게 정보를 4개 이상 한 번에 입력받는 구조였는데, 완료율이 다른 단계보다 확연히 낮았습니다. 저는 이 데이터를 가지고 PO와 함께 온보딩 단계를 필수 2개 / 선택 나머지로 분리하자고 제안했고, A/B 테스트로 검증했습니다.
2주간 테스트를 운영한 결과 온보딩 완료율이 기존 대비 18%p 상승했고, 7일 리텐션도 3%p 개선됐습니다. 이 경험에서 데이터 분석이 '어디서 문제가 생기는지'를 좁혀주는 도구라면, 개선 방향은 실제 사용자 흐름을 상상해야 나온다는 것을 배웠습니다. 지금도 분석 결과를 볼 때 숫자 뒤에 있는 사용자 행동을 먼저 그려보는 편입니다.
이 결의 특징
'입 후 7일 이내 이탈률*이 높다는 문제를 맡아 분석했습니다. 저는 먼저 `BigQuery`로 가입일 기준 ' 같은 구체적 장애물을 인식한 후, 단순한 회피가 아니라 원인 분석을 거친 개선 과정이 구체적으로 담겨 있습니다.
이 결이 통하는 자리
7 → 3처럼 구체적인 수치 변화가 있을 때 통합니다. 주장이 아닌 근거로 뒷받침할 때 면접관의 신뢰가 형성됩니다.