이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
학부 연구실에서 추천 알고리즘 실험을 여러 차례 반복한 경험이 있습니다. 처음 세운 가설은 클릭 수 기반 가중치가 효과적이라는 것이었는데, 실험 결과 체류 시간 기반이 더 좋은 성과를 냈습니다. 이후 체류 시간 + 스크롤 깊이를 함께 쓰는 복합 지표를 만들었고, 기존 대비 클릭률이 약 12% 향상됐습니다. 가설이 틀려도 데이터가 방향을 가르쳐 준다는 걸 체감했습니다. 실험에서 얻은 예상 밖의 결과가 오히려 더 좋은 개선으로 이어지는 경우가 많았습니다. 가설 설계 단계에서 측정 방법을 먼저 정하지 않으면 실험 결과가 애매해진다는 것도 배웠습니다. 이후에는 실험을 시작하기 전에 성공 기준과 지표를 먼저 문서화하는 습관이 생겼습니다. 팀원들과 기준을 공유하면 결과 해석 시 의견 충돌도 줄어든다는 걸 직접 경험했습니다.
가설 기반 실험으로 개선한 경험은 사용자 데이터에서 패턴을 발견하고 그것이 원인인지 확인하는 과정에서 시작됐습니다. 특정 기능의 이탈률이 높다는 것을 데이터로 확인하고, 원인으로 두 가지 가설을 세웠습니다. 첫 번째는 UI 복잡도, 두 번째는 로딩 지연이었습니다.
A/B 실험으로 UI를 단순화한 버전과 기존 버전을 비교했고, 이탈률이 17% 줄었습니다. 로딩 가설은 실험 후 유의미한 차이가 없어 기각했습니다. 가설이 틀렸다는 것도 실험의 결과입니다. 데이터 패턴 → 가설 수립 → A/B 실험 → 기각 또는 채택이 사이클입니다.
틀린 가설을 기각하는 것도 실험의 성과입니다. UI 단순화로 이탈률 17% 감소를 확인했습니다.
가설을 실험할 때 정량 데이터만으로 방향을 잡으면 왜 그런지를 놓치는 경우가 있습니다. 그래서 지표 이상을 발견하면 소수의 사용자에게 인터뷰를 해서 정성 데이터와 교차합니다. 지표에서 특정 단계 이탈이 높았는데, 인터뷰에서는 해당 단계의 설명 문구가 이해되지 않는다는 의견이 나왔습니다. 그 가설을 바탕으로 문구를 수정한 버전을 테스트했고, 단계 완료율이 올랐습니다. 정량이 무엇을 볼지를 알려주고, 정성이 왜를 알려줍니다.
정량이 방향을 알려주고 정성이 이유를 알려줍니다. 인터뷰가 가설의 신뢰도를 높이는 방법입니다. 두 가지를 교차하면 실험 성공률이 올라갑니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 당근마켓 프론트엔드 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.