이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
마케팅 수업 팀 프로젝트에서 패션 이커머스 데이터를 분석하면서 구매 행동을 처음 제대로 들여다봤습니다. 구글 애널리틱스에서 추출한 세션 데이터를 보니 장바구니 담기와 실제 결제 사이에서 이탈률이 68%에 달했습니다. 어디서 이탈이 집중되는지를 깔때기 분석으로 좁혔더니 배송비 안내 화면에서 주로 끊겼습니다. 팀에서 배송비 무료 조건을 더 눈에 띄게 표시하는 방식을 제안했고, 해당 화면의 체류 시간이 늘어나는 변화를 확인했습니다. 직접 결제 전환까지 측정한 건 아니어서 인과를 단정하긴 어려웠지만, 데이터에서 가설을 세우고 화면 변경으로 연결하는 흐름이 실제로 어떻게 작동하는지 그 과정에서 처음 경험했습니다.
구매 행동 분석에서 신규 고객과 재구매 고객을 분리해서 보는 것이 전략을 다르게 가져가는 출발점이라고 생각합니다. 같은 전환율이라도 신규 유입 비중이 높아서인지, 기존 고객이 반복 구매해서인지에 따라 의미가 다릅니다. 코호트 분석은 같은 시기에 처음 유입된 고객군의 행동을 시간 흐름에 따라 추적하는 방식인데, 어느 시점에 이탈이 집중되는지를 보는 데 효과적입니다.
이탈 시점을 파악하면 어떤 경험이 이탈의 원인이었는지를 역추적하는 가설을 세울 수 있습니다. 퍼널 분석이 특정 화면의 이탈을 보는 데 강하다면, 코호트 분석은 고객 관계 전체 흐름을 보는 데 더 적합합니다. 어떤 분석 방법을 쓸지는 어떤 질문에 답하려 하는지로 결정됩니다.
데이터 분석을 하면서 숫자가 보여주는 것과 실제 이유 사이에는 항상 간격이 있다는 걸 배웠습니다. 배송비 화면에서 이탈률이 높다는 걸 발견했을 때, 데이터만 보면 "배송비 때문에 이탈"이라고 쉽게 결론 내릴 수 있었습니다. 하지만 실제 사용자 인터뷰를 추가로 해보니 배송비 자체가 아니라 예상보다 늦게 배송비 정보가 나타나는 UI 문제였던 사례를 수업에서 배웠습니다.
숫자는 무엇이 일어났는지를 알려주지만 왜인지는 알려주지 않습니다. 정량 분석과 정성 조사를 같이 써야 가설이 방향을 잡는다는 걸, 데이터 중심으로만 접근했을 때 놓치는 것을 보면서 이해했습니다. 데이터는 질문을 만드는 출발점이지 결론 자체가 아니라는 것이 분석에서 가장 중요한 태도라고 생각합니다.
분석은 가설을 세우는 일입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 CJ올리브영 디지털·퍼포먼스 마케팅 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.