이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
이커머스 검색과 추천 서비스를 리딩한 경험은 수업 프로젝트에서 상품 검색 결과의 품질을 개선하는 기획을 진행한 것입니다. 검색 품질을 정의하기 위해 어떤 지표로 검색 경험을 측정할 것인지를 먼저 정하는 것이 출발점이었습니다. 클릭률, 검색 후 구매 전환율, 빈 결과 발생 비율을 핵심 지표로 설정했습니다. 검색 로그 분석에서 사용자 쿼리와 실제 클릭 결과의 관련성이 낮은 케이스를 찾아 우선 개선 대상을 선정했습니다. 추천 로직에서는 사용자 행동 데이터를 기반으로 콜드 스타트 문제를 어떻게 처리할 것인지가 도전 과제였습니다.
검색과 추천은 알고리즘 문제이기 전에 어떤 사용자 경험을 만들 것인지의 설계 문제입니다. 기획은 지표를 정의하는 것에서 시작됩니다.
검색 품질을 개선하면서 제가 가장 어렵게 느낀 것은 사용자가 검색한 말과 나온 결과가 어긋나는 경우였습니다. 과제에서 검색 로그를 보니, 같은 단어라도 사용자가 기대한 것과 다른 상품이 위에 뜨는 케이스가 많았습니다. 저는 무작정 알고리즘을 손대기보다, 어떤 검색어에서 클릭이 안 일어나는지를 먼저 모아 패턴을 찾는 순서로 접근했습니다. 그 결과 동의어가 처리 안 되거나 오타 때문에 빈 결과가 나오는 경우가 많다는 것을 확인했습니다. 그래서 우선순위가 높은 문제부터 개선 대상으로 정했습니다. 검색 개선은 전체를 한 번에 바꾸는 것이 아니라, 데이터로 어디서 가장 많이 어긋나는지를 좁혀 그곳부터 푸는 것이 효율적이라고 배웠습니다.
추천 기획에서 제가 부딪힌 어려움은 데이터가 없는 신규 사용자에게 무엇을 추천할지였습니다. 행동 기록이 쌓인 사용자는 추천이 쉽지만, 막 들어온 사용자는 근거가 없었습니다. 저 혼자 푸는 대신, 데이터를 다루는 동료에게 비슷한 사례를 물어 처음에는 인기 상품이나 카테고리 기반으로 보여주고, 행동이 쌓이면 점차 개인화로 넘어가는 방식을 함께 잡았습니다. 또 이 처리를 한 번 정하고 끝내지 않고, 어느 시점부터 개인화로 전환할지를 기준으로 문서에 남겨 다음에 비슷한 기능을 만들 때 참고할 수 있게 했습니다. 추천은 데이터가 충분할 때만 잘 되는 것이 아니라, 데이터가 없는 초기를 어떻게 메우느냐까지 설계해야 한다는 것을 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 CJ올리브영 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.