이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
저는 데이터 기반 의사결정이 중요한 이유는 직관이 규모가 작을 때는 잘 맞지만, 사용자가 늘어날수록 예상과 실제 행동 간 괴리가 커지기 때문이라고 봅니다. 인턴 프로젝트에서 '사용자들이 이 버튼을 클릭할 것'이라는 팀의 예측이 실제 클릭률 0.8%로 돌아온 적이 있었고, 그 괴리를 A/B 테스트로 확인한 뒤에야 방향을 바꿨습니다. 데이터 활용은 의사결정을 늦추는 것이 아니라 잘못된 방향에 쏟는 비용을 줄이는 것이라는 점에서 스타트업 환경에서 더 중요하다고 봅니다. 단, 데이터가 없는 초기 단계나 정량화하기 어려운 감정 영역에서는 정성적 인터뷰와 병행하는 것이 현실적이라고 생각합니다.
데이터 기반 의사결정에서 가장 먼저 해야 할 것은 어떤 지표를 볼지 팀이 합의하는 것이라고 생각합니다. 지표를 정하지 않으면 사람마다 다른 숫자를 보고 다른 결론을 내리는 상황이 생깁니다. 인턴 프로젝트에서 기능 개선 방향을 두고 팀 내 의견이 갈렸는데, 클릭률·체류 시간·전환율 중 어느 지표를 기준으로 삼을지 먼저 합의하고 나서야 논쟁이 정리됐습니다.
지표 합의는 데이터 분석보다 먼저 이뤄져야 하는 과정이었습니다. 이후엔 가설 → 측정 지표 선정 → 기간 정의 → 결과 해석 순서로 의사결정 템플릿을 만들어 팀 공유 문서에 올렸고, 다음 개선 사이클에서 의견 충돌이 줄었습니다. 데이터는 준비된 질문에만 답한다는 것을 경험했습니다.
데이터 기반 의사결정이 항상 정량 지표만으로 이뤄지지 않는다는 것을 경험했습니다. 서비스 이탈률이 갑자기 높아지는 구간이 있었는데, 로그 데이터만으로는 어느 단계에서 이탈하는지는 알지만 왜 이탈하는지는 알 수 없었습니다. 정량 지표가 보여주는 어디에서와 정성 인터뷰가 보여주는 왜를 결합했을 때 비로소 설계 문제가 드러났습니다.
유저 인터뷰 5건으로 로그에서 보이지 않던 UX 흐름의 단절을 발견했고, 그 부분을 수정하니 이탈률이 줄었습니다. 데이터는 무엇이 일어나고 있는지를 알려주지만, 그것이 왜 일어나는지는 사람과 직접 대화해야 하는 경우가 많다는 것을 배웠습니다. 두 방법은 대체 관계가 아니라 보완 관계입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 부스터즈 스타트업 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.