이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
퍼널 분석을 처음 해봤을 때, 이탈이 특정 단계에 집중된다는 것을 발견했습니다. 회원가입 → 첫 구매 사이에서 70% 이상이 빠졌는데, 이메일 인증 단계에서 포기하는 비율이 유독 높았습니다. 그 데이터를 기반으로 인증 방식 간소화를 제안하였고, 실제로 다음 단계로 넘어가는 비율이 올라갔습니다.
숫자보다 이탈 지점의 맥락을 파악하는 것이 퍼널 분석의 핵심입니다. 어디서 빠지는지를 알아야 무엇을 고칠지 보이기 때문에, 퍼널 분석은 개선의 시작점입니다. 문제의 위치를 특정하는 것이 데이터 분석에서 가장 먼저 해야 할 일입니다. 이탈 이유를 맥락과 함께 보면 더 근본적인 해결책을 제안할 수 있습니다.
코호트 분석에서 가입 시점에 따라 유지율 차이가 크다는 걸 발견했어요. 특정 캠페인 기간에 들어온 유저들이 한 달 뒤 급격히 이탈했는데, 그 집단은 가격 혜택만 보고 들어온 유저였어요. 이 인사이트로 팀에 유저 세그먼트별 온보딩 전략 분리가 필요하다는 걸 제안했어요.
코호트는 유저를 시간 축으로 이해하는 도구라는 걸 그때 배웠습니다. 코호트 분석은 평균에 가려진 차이를 드러내는 도구예요. 세그먼트별 유지율 차이를 보면 어떤 유저를 더 잘 잡아야 하는지 방향이 보입니다. 코호트별 차이를 보면 평균 유지율이 가리고 있던 문제가 드러나요.
어떤 경험이 유지율을 결정하는지 코호트로 보면 전략 방향도 명확해져요.
퍼널과 코호트를 함께 보면 언제·어떤 유저가 왜 빠졌는지를 훨씬 입체적으로 볼 수 있어요. 프로젝트에서 두 분석을 같이 사용했더니, 특정 피처를 경험한 유저가 그렇지 않은 유저보다 유지율이 높다는 걸 발견했어요. 그 피처를 온보딩 초기에 노출하도록 제안했고, 이후 유지율이 개선됐어요. 데이터 분석은 사용자를 이해하는 언어라고 생각합니다.
퍼널과 코호트를 함께 활용하면 어떤 유저가 언제 왜 이탈하는지를 훨씬 정밀하게 볼 수 있어요. 분석은 결국 사용자를 더 잘 이해하는 과정이에요. 두 분석을 함께 쓰는 습관이 사용자를 입체적으로 이해하는 데 가장 효과적이에요.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 에이메드 디지털·퍼포먼스 마케팅 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.