이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
상담 데이터로 문제를 정의할 때 가장 중요하게 보는 건 반복 패턴입니다. 한 번 들어온 문의보다 같은 주제로 반복되는 문의가 훨씬 많은 정보를 담고 있습니다. 대외활동에서 CS 데이터를 분석했을 때, 특정 기능 관련 문의가 전체의 30%를 차지한다는 걸 발견했고, 그 기능의 UX를 개선하는 방향으로 문제를 정의했습니다. 또 문의 '내용'뿐 아니라 '시점'도 중요합니다.
특정 날짜나 업데이트 이후 문의가 급증하면, 해당 변경 사항이 원인일 가능성이 높습니다. 상담 데이터는 사용자가 직접 말해주는 불편이라, 다른 어떤 데이터보다 제품 개선 방향에 가까운 신호를 담고 있다고 생각합니다. 이 데이터를 가장 먼저 확인하는 습관을 유지하고 있습니다.
상담 데이터에서 제가 또 보는 포인트는 재문의율입니다. 빈도만 보면, 자주 들어오는 문의가 우선처럼 보이지만, 같은 문제로 반복 문의하는 비율이 높으면 근본 원인이 안 풀린 신호였습니다. 그래서 문의 유형 분류, 빈도, 해결 시간, 재문의율을 함께 봤습니다. 빈도 높고 해결 시간 긴 유형이 우선이지만, 재문의율이 높은 건 CS 응대를 늘려도 지표가 안 개선됐습니다. 제품 결함이나 UI 혼란, 정책 불명확 같은 근본 원인을 풀어야 했습니다. 그래서 정량 분석에 실제 상담 내용 샘플 독해나 에이전트 인터뷰 같은 정성 분석을 더해, 숨은 불만까지 봤습니다. 한 지표로는 진짜 문제를 못 짚었습니다.
상담 데이터 분석에서 제가 중요하게 본 건 그게 실제 개선 결정으로 이어졌는지입니다. 분석으로 끝내지 않고, 특정 기능 관련 문의가 30%를 차지한 걸 근거로, 그 기능의 UX를 개선하는 방향으로 문제를 정의했습니다. 또 특정 업데이트 이후 문의가 급증하면, 그 변경이 원인일 가능성이 높아, 거기서 손댈 자리를 찾았습니다. 막연히 '분석했다'가 아니라, 어느 데이터가 어떤 개선으로 이어졌는지 말할 수 있었습니다.
상담 데이터는 사용자가 직접 말해주는 불편이라, 제품 개선에 가장 가까운 신호였습니다. 그래서 이 데이터를 가장 먼저 확인하는 습관을 유지합니다. 분석은 결정에 닿을 때 가치가 있었습니다.
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.