이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
인턴 기간에 고객별 맞춤 설정이 많은 B2B SaaS 서비스의 API 최적화를 담당했습니다. 고객마다 필터 조건과 집계 방식이 달라 공통 쿼리 하나로는 처리가 어려웠고, 쿼리 파라미터화와 동적 인덱스 전략을 조합하는 방향을 택했습니다. 가장 느린 고객 케이스 3개를 뽑아 EXPLAIN ANALYZE로 병목을 파악했고, 복합 인덱스와 파티셔닝을 적용해 쿼리 시간을 3.2초에서 0.4초로 줄였습니다. 나머지 케이스에도 동일 패턴을 적용했을 때 p99 응답 시간이 68% 개선됐습니다. 공통 최적화보다 대표 케이스 먼저 파고드는 접근이 실제 효과가 더 크다는 것을 이 작업에서 확인했습니다.
B2B 서비스에서 고객마다 다른 설정과 규칙을 지원하다 보니 공통 코드에 분기 조건이 점점 늘어나는 문제를 경험했습니다. 처음에는 고객별 요구사항을 조건문으로 추가하는 방식으로 처리했는데, 고객 수가 늘수록 코드가 복잡해져서 특정 고객의 동작을 수정할 때 다른 고객에게 영향을 줄까봐 조심해야 하는 상황이 됐습니다. 고객별 설정을 코드가 아닌 데이터로 분리하고, 런타임에 해당 고객의 설정을 읽어 동작을 결정하는 구조로 바꾸니 코드 변경 없이 새 고객 요구사항을 수용할 수 있게 됐습니다. 이 구조로 전환한 후 새 고객 온보딩 시 코드 배포 없이 설정만으로 처리되는 비율이 늘어났습니다. 고객별 요구사항 대응은 코드에 조건을 쌓는 방식이 아니라 설정으로 분리하는 구조가 장기적으로 유지보수 비용을 낮춘다는 것을 이 경험에서 배웠습니다.
전체 고객을 대상으로 쿼리 최적화를 적용했는데, 일부 고객에서 오히려 응답 시간이 늘어나는 결과가 나온 경험이 있습니다. 대부분의 고객에서 성능이 개선됐는데 특정 고객의 데이터 패턴에서 추가한 인덱스가 도움이 되지 않고 오버헤드만 추가하는 상황이었습니다. 고객마다 데이터 분포와 조회 패턴이 다르기 때문에 하나의 최적화 방식이 모든 경우에 적합하지 않다는 것을 확인했습니다. 그 고객의 쿼리 패턴을 분석해서 별도 인덱스 전략을 적용하고 나서야 성능이 개선됐습니다. 시스템 최적화는 평균 지표가 좋아지는 것만으로 완료된 것이 아니고, 성능이 낮아진 케이스를 별도로 확인해야 전체를 개선했다고 볼 수 있다는 것을 이 경험에서 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 CJ올리브영 백엔드 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.