이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
UX 수업에서 알림 시스템을 설계하는 과제를 했을 때, 알림 피로도가 개인화보다 더 먼저 해결해야 할 문제라는 걸 인식하게 됐습니다. 개인화는 사용자가 원하는 정보를 더 잘 보내는 것이지만, 필터링은 원하지 않는 알림을 줄이는 것이라 접근이 달랐습니다. 저는 먼저 사용자 행동 데이터로 알림 반응률을 보고, 특정 시간대나 콘텐츠 유형에서 오픈율이 낮은 패턴을 찾는 방식으로 필터링 기준을 도출했습니다. 개인화는 최근 활동이나 관심 카테고리 기반으로 우선순위를 조정하는 간단한 규칙부터 시작하는 게 현실적이라고 봤습니다. 실시간 AI 추천보다 명확한 규칙 기반 필터링이 사용자 신뢰를 더 빨리 쌓는다는 관점에서 접근했습니다.
사용자 행동 데이터에서 시작해 규칙을 만들고, 그 규칙이 효과 있는지 리텐션과 알림 오픈율로 검증하는 흐름이 가장 현실적이라고 봅니다.
알림 설계에서 개인화를 먼저 생각하기 쉽지만, 사용자가 먼저 느끼는 문제는 피로도라는 것을 UX 과제를 하면서 이해했습니다. 원하는 알림을 더 잘 보내는 것보다 원하지 않는 알림을 줄이는 것이 신뢰를 빠르게 만든다는 것을 설문 분석에서 확인했습니다.
알림을 끈 사용자의 이유를 보면 대부분 너무 많다는 것이었고, 관련성 없다는 것이 그 다음이었습니다. 그 순서를 보면 개인화보다 빈도 제어가 먼저라는 것이 자연스럽게 보였습니다. 필터링 기준을 먼저 명확히 한 다음 그 위에 개인화를 얹는 구조가 사용자 신뢰를 지키는 순서라고 생각합니다. 알림을 아예 끄는 행동은 되돌리기 어렵기 때문에 피로도 관리가 가장 먼저인 이유이기도 합니다.
알림 개인화 설계에서 처음부터 AI 추천을 쓰는 것보다 규칙 기반 필터링으로 시작하는 것이 더 현실적인 이유가 있습니다. AI 추천은 충분한 데이터가 쌓여야 작동하고, 왜 그 알림을 보냈는지 사용자에게 설명하기 어렵습니다. 규칙 기반 필터링은 오픈율이 낮은 시간대나 카테고리를 먼저 제거하는 방식이라 이유가 명확하고 조정도 빠릅니다. 그 위에 개인화를 얹는 단계에서도, 가장 최근 활동을 기반으로 관심 카테고리를 정의하는 단순한 규칙이 초기에는 복잡한 모델보다 실제 반응률에서 나을 수 있습니다.
리텐션과 알림 오픈율로 검증하면서 규칙을 조금씩 정밀화하는 방식이 작동하는 것을 확인하는 현실적인 경로라고 생각합니다. 설명 가능한 시스템이 먼저 신뢰를 만든다는 관점에서 이 접근을 선호합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 당근마켓 프로덕트 디자이너 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.