면접관이 이 한 문장으로 확인하려는 것들. 각 갈래를 알면 답의 뼈대가 잡혀요.
금융 UX 수업 과제에서 투자 콘텐츠 추천 시스템을 설계하였습니다. 어떤 데이터가 필요한지 먼저 생각해보니, 사용자가 어떤 상품을 봤는지, 얼마나 오래 봤는지 같은 행동 데이터가 첫 번째로 필요했습니다. 여기에 투자 성향 설문 결과를 더하면 맥락이 생긴다고 판단하였습니다. 예를 들어 안정형 성향인데 고위험 상품을 자주 보는 사람은 탐색 중인 신호일 수 있습니다. 설계 발표에서 교수님이 "맥락을 고려한 접근"이라고 말씀하셨습니다. 추천은 데이터 하나가 아니라 조합에서 나온다는 것을 배웠습니다.
행동 데이터와 성향 데이터를 교차해서 보면 더 정확한 맥락이 나온다는 것을 설계 과정에서 깨달았습니다.
사이드 프로젝트에서 투자 뉴스 앱에 추천 기능을 붙이는 설계를 했어요. 어떤 데이터를 수집할지 고민했는데, 기사 클릭·읽기 완료·북마크·공유 네 가지 행동을 주목했습니다. 클릭만 보면 관심사가 왜곡될 수 있어서, 읽기 완료율이 높은 카테고리를 핵심 지표로 삼았어요. 동일 카테고리에서 연속으로 완독하는 패턴이 나타나면 집중 관심사로 분류하는 방식을 설계했습니다. 실제 구현은 못 했지만 어떤 데이터가 의미 있는지 구분하는 연습이 됐어요. 수집 데이터보다 어떻게 해석할지가 더 중요하다는 걸 배웠습니다. 수집 데이터보다 어떻게 해석할지가 더 중요하다는 걸 배웠습니다. 데이터는 많아도 해석 기준이 없으면 방향이 흔들린다는 걸 이 경험에서 알게 됐어요.
투자 앱 UX 개선 과제에서 사용자가 콘텐츠 추천을 원하는지부터 확인해야 한다고 생각했어요. 인터뷰에서 직접 검색하는 것을 선호하는 사람과 추천을 기대하는 사람이 나뉘었습니다. 추천을 원하는 사람들은 내 상황에 맞는 것을 먼저 보고 싶다고 했어요. 이 맥락 데이터를 기반으로, 추천 엔진보다 온보딩에서 투자 목표를 물어보고 그에 맞는 콘텐츠를 매핑하는 방식이 현실적이라는 결론을 냈습니다. 데이터 수집 전에 "이 추천이 사용자에게 가치 있는가"를 먼저 확인하는 것이 중요하다는 걸 배웠어요. 데이터 수집 전에 이 추천이 사용자에게 가치 있는가를 먼저 확인하는 것이 중요하다는 걸 배웠어요. 기술보다 사용자 니즈 확인이 먼저라는 원칙이 생겼습니다.
같은 실수가 반복돼요. 이것만 피해도 절반은 갑니다.
진짜 면접은 두 번째 질문부터예요. 이 답 뒤에 따라올 법한 것들.