이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
고객 동향을 분석할 때는 구매 데이터, 행동 데이터, 피드백 데이터 세 가지를 함께 봅니다. 구매 데이터는 어떤 상품이 얼마나 팔렸는지, 행동 데이터는 클릭률이나 이탈률처럼 구매 전 단계에서 무슨 일이 일어났는지를 보여줍니다. 피드백 데이터는 후기와 반품 사유에서 소비자가 직접 남긴 목소리입니다. 이 세 가지를 교차해서 보면 단순히 매출만 보는 것보다 왜 그 상품이 팔렸는지, 또는 안 팔렸는지를 파악할 수 있습니다. 인턴 때 반품 사유를 모아서 자주 반복되는 불만 키워드를 뽑았는데, 그 결과가 다음 시즌 상품 선택 기준에 반영됐습니다. 데이터는 혼자 쓸 때보다 다른 데이터와 연결할 때 더 큰 인사이트가 나옵니다.
고객 동향을 분석할 때 제가 직접 다뤄본 것은 구매 시점·빈도·금액으로 고객을 나누는 방식입니다. 인턴 때 단순 매출 집계만으로는 누가 진짜 핵심 고객인지 안 보여, 최근 구매 시점·구매 빈도·누적 금액 세 축으로 고객을 묶어봤습니다. 그러자 매출은 적어도 자주 사는 고객층과, 한 번에 크게 사고 떠나는 고객층이 다르게 보였습니다. 두 집단은 프로모션 타이밍도 달라야 했습니다. 자주 사는 층은 재구매 주기에 맞춰, 큰 금액 층은 신상품 입고 때 알리는 식입니다. 같은 데이터라도 그냥 합치면 안 보이고, 세그먼트로 갈라야 행동이 보였습니다. 고객 동향 분석은 판매량을 세는 것이 아니라, 고객을 행동 결로 갈라 각각 다르게 보는 것이라고 생각합니다.
제가 한 분석이 실제 결정으로 옮겨진 경험은 인턴 때 카테고리별 장바구니 이탈 패턴을 본 것입니다. 클릭은 많은데 구매로 안 이어지는 상품군이 있었는데, 그 페이지의 배송비 표기가 늦게 나타나는 것이 이탈 지점이라는 것을 데이터에서 짚었습니다. 단순히 '전환율이 낮다'에서 멈추지 않고, 어디서 끊기는지를 본 것입니다. 그 결과를 팀에 공유해, 배송 조건을 상단에 먼저 노출하도록 페이지 구성을 바꿨습니다. 분석이 보고서로만 끝나면 회수가 없습니다. 데이터에서 본 것이 실제 페이지 변경이라는 결정으로 옮겨졌을 때 의미가 생겼습니다. 고객 동향 분석은 보는 데서 그치는 것이 아니라, 실제 결정과 변경으로 이어지게 하는 것이라고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 배달의민족(우아한형제들) 농식품 일반 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.