데이터 분석 인턴 때 '고객 불만 증가'를 결제 실패 분석 프로젝트로 좁힌 경험
약 90초
문제 구체화(CS 로그 분류) → 데이터 활용(3테이블 조인) → 접근 방식(EDA→가설→A/B) → 결과 예측과 실측 비교
데이터 분석 인턴 때 '고객 불만이 늘었다'는 모호한 이슈를 받은 적이 있습니다. 먼저 불만이 무엇인지 정의하려고 CS 로그를 일주일 치 읽고, 결제 실패·배송 지연·환불 지연 세 갈래로 묶었습니다. 그 중 비중이 60%였던 결제 실패를 첫 타깃으로 잡았습니다.
데이터는 결제 로그·에러 코드·시간대별 트래픽 세 테이블을 조인했습니다. 가설은 '특정 시간대에 PG사 응답이 느려져 타임아웃이 늘어난다'였고, 15초 임계값 기준 실패율을 시간대별로 그려보니 새벽 2~4시에 평소의 3배였습니다.
접근은 EDA → 가설 → A/B 비교 순으로 가볍게 갔고, 결과 예측으로는 '재시도 로직을 넣으면 실패율이 절반은 줄 것'이라고 적었습니다. 실제 배포 후 실패율이 48% 감소해 예측과 가깝게 닫혔습니다.
이 결의 특징
고객 불만 증가라는 모호한 이슈를 CS 로그로 결제 실패·배송 지연·환불 지연 세 갈래로 나누고, 비중 60%인 결제 실패를 첫 타깃으로 좁힌 흔적이 있습니다.
이 결이 통하는 자리
새벽 2~4시 실패율이 평소의 3배였다는 구체 수치와 재시도 로직 배포 후 48% 감소라는 결과가 함께 살아 있을 때 통합니다. EDA에서 가설, A/B까지 이어지는 순서가 붙을 때 면접관이 분석 프로세스를 신뢰하는 결이 보입니다.