이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
고객 경험 개선 프로젝트에서 데이터는 단일 지표보다 여러 데이터를 결합해서 고객의 행동 패턴을 입체적으로 볼 때 의미 있는 인사이트가 나온다고 봅니다. 활용 데이터 결로는 세션 데이터·이탈 시점·CS 문의 유형·리뷰 텍스트·A/B 테스트 결과를 주로 씁니다. 세션 데이터에서 어느 화면에서 이탈이 집중되는지를 파악하고, CS 문의와 리뷰를 결합해서 이탈 이유를 추론하는 방식입니다. 분석 결에서는 수치가 아닌 '고객이 무엇을 어려워하는가'라는 질문을 중심에 두는 게 유용합니다. 개선으로 옮기기 결에서는 분석 결과를 바탕으로 가장 작은 변경으로 가장 많은 이탈을 줄일 수 있는 포인트를 먼저 찾습니다. 검증 결로는 개선 적용 후 같은 이탈 지점의 데이터를 2주간 추적해서 변화를 확인하는 루틴을 씁니다.
데이터 기반 경험에서 정성 데이터가 정량 지표가 잡지 못한 결을 채운 자리가 기억에 남습니다. 수업 케이스에서 이탈률은 낮은데 재방문률도 낮은 상황을 분석했는데, 세션 데이터만 봤을 때는 뚜렷한 원인이 보이지 않았습니다. CS 문의 텍스트와 리뷰 코멘트를 함께 분석했더니 결제 완료 후 배송 안내가 불명확하다는 불만이 반복됐습니다.
그 이후로 데이터 분석을 시작할 때 정량 지표 → 이상 구간 → 정성 데이터 교차 순서를 씁니다. 숫자가 이상하다고 느끼는 구간을 정하고, 그 구간에 해당하는 고객의 텍스트 데이터를 들어보는 방식입니다. 숫자가 '무엇이 일어났는지'를 보여준다면, 정성 데이터는 '왜'를 짚어주는 역할입니다.
아직 어려운 건 정성 데이터를 체계적으로 분류하는 방법입니다. 리뷰와 CS 텍스트를 유형별로 정리하는 것도 결국 분류 기준을 잡는 판단 문제인데, 그 기준이 일관되지 않으면 분석 결과도 흔들립니다. 더 많은 케이스를 다뤄봐야 쌓이는 자리입니다.
고객 경험 개선에서 검증 결이 없으면 개선이 효과가 있는지 알 수 없다는 걸, 케이스 분석을 통해 배웠습니다. 인터페이스를 바꿨는데 이탈률이 줄었다면, 그게 변경 때문인지 다른 요인 때문인지를 분리하지 않으면 다음 기획에 잘못된 학습이 남을 수 있습니다.
수업 과제에서 UX 개선 전후 데이터를 비교하는 작업을 했는데, 변경 직전 2주와 변경 후 2주의 같은 지표를 나란히 놓는 방식으로 비교했습니다. 차이가 유의미하다고 판단하려면 외부 변수가 없어야 한다는 걸 그때 배웠습니다. 계절 이벤트나 프로모션이 있던 기간이면 비교 자체가 왜곡됩니다.
변경 후 2주~4주 추적을 검증 결의 최소 단위로 쓰는 이유도 거기 있습니다. 단기 변화만 보면 노이즈를 개선으로 오해하거나, 초기 호기심 효과를 지속적 개선으로 잘못 읽는 경우가 생깁니다. 아직 부족한 건 통제 집단 설계 없이 비교하는 한계를 정확히 인지하면서 분석하는 자리입니다.
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.