이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터 마케팅 수업에서 데이터 리터러시란 숫자를 읽는 것이 아니라 맥락을 해석하는 능력이라는 걸 배웠습니다. 수치가 올라갔어도 왜 올라갔는지, 어떤 행동을 바꿔야 하는지를 판단하지 못하면 데이터는 그냥 숫자에 머뭅니다. 저는 GA4 데이터를 분석하는 실습에서 이탈률과 체류 시간을 함께 보며 페이지별 사용자 경험을 해석하는 연습을 했습니다. 이탈률이 높아도 체류 시간이 길면 콘텐츠 소비 후 이탈이고, 둘 다 나쁘면 진입 단계부터 문제가 있다는 식으로 조합 해석을 했습니다.
데이터 리터러시가 높은 마케터는 같은 보고서에서 더 많은 인사이트를 뽑는다고 봅니다. 이 능력은 도구보다 질문하는 습관에서 키워진다고 생각합니다. 왜 그 숫자가 나왔는지 먼저 묻는 것이 데이터 리터러시의 시작입니다.
데이터로 문제를 풀려고 했는데 분석 결과가 뭔가 이상하다는 느낌이 들었지만 어디가 잘못됐는지 못 찾은 적이 있었습니다. 혼자 수식을 다시 확인하다가 한계를 느끼고 데이터 분석 경험이 많은 팀원에게 결과를 공유했습니다. 데이터를 보여주자마자 "집계 기준이 다르게 설정됐다"는 걸 바로 짚어줬습니다. 집계 단위를 통일하자 전혀 다른 결과가 나왔고, 틀렸던 방향으로 계속 갔다면 잘못된 결론을 냈을 겁니다. 데이터를 다룰 때 틀렸을 가능성을 일찍 열어두고, 확신이 서지 않을 때 검토를 요청하는 것이 오히려 더 빠른 길이라는 걸 그 경험으로 배웠습니다. 데이터 리터러시에서 중요한 건 스스로 틀렸을 가능성을 열어두고 도움을 요청할 수 있는 자세라고 생각합니다.
데이터로 문제를 해결한 경험 이후 그 방법을 다음 프로젝트에서도 쓸 수 있도록 정리하는 게 더 중요하다고 느꼈습니다. 한 번 잘 됐다고 해서 같은 방법이 항상 통하지 않는다는 걸 알기 때문입니다. 이후부터 분석 작업이 끝나면 분석 과정 간략 노트를 남기는 습관을 만들었습니다. 어떤 데이터를 어떤 기준으로 봤는지, 어떤 가설이 틀렸는지를 적어두면 다음에 비슷한 문제를 만났을 때 출발점이 달라집니다. 실제로 두 번째 분석 프로젝트에서 첫 번째 노트 덕분에 집계 오류를 사전에 방지했고, 작업 시간이 절반으로 줄었습니다. 데이터 리터러시는 한 번의 분석 능력이 아니라 분석 경험이 루틴으로 쌓이는 것이라고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 버핏서울 프로덕트 매니저 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.