이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
패션 상품 기획 수업에서 구글 트렌드와 인스타그램 해시태그 분석, 그리고 경쟁사 가격 데이터를 결합해서 신규 라인업을 제안하는 프로젝트를 진행했습니다. 주로 Python과 Excel로 데이터를 정리했고, 판매 데이터 패턴과 검색 트렌드를 시계열로 비교하는 방식으로 분석했습니다. 분석 과정에서 특정 컬러가 검색량은 높은데 실제 구매 데이터와 차이가 나는 현상을 발견했는데, "검색 관심"과 "구매 의향"이 다르다는 걸 수치로 확인한 첫 경험이었습니다. 이 결과를 반영해 트렌드 대응 상품과 안정적인 판매 상품을 분리 기획했고, 발표에서 교수님이 "데이터와 기획 방향의 연결이 명확하다"는 피드백을 주셨습니다. 아직 실무에서 써본 건 아니지만, 분석 도구를 쓰는 것보다 어떤 질문에 답하려고 데이터를 보는가를 먼저 정하는 게 중요하다는 걸 그때 배웠습니다.
패션 상품 기획에서 셀스루율과 재고 회전율을 중심으로 분석한 경험이 있습니다. 수업 프로젝트에서 지난 시즌 판매 데이터를 받았을 때, 처음엔 매출액만 봤는데 재고가 많이 남은 품목이 오히려 초기 판매가 높았던 경우가 있었습니다. 이유를 파고들어 보니 트렌드 반응 속도와 발주 타이밍이 어긋난 것이 원인이었습니다. 그 이후로는 매출이 아니라 셀스루율을 기준으로 품목을 평가하고, 재고 회전이 빠른 카테고리에 기획 자원을 먼저 배분하는 방향으로 분석 방식을 바꿨습니다. Excel과 Python으로 품목별 주차별 판매 곡선을 시각화해서 시즌 초반 반응이 빠른 상품과 후반에 수요가 올라오는 상품을 분리했습니다. 교수님 피드백에서 기획 수량보다 입고 타이밍이 먼저다라는 지적을 받았는데, 데이터를 보고도 놓치기 쉬운 부분이라는 걸 그때 처음 알았습니다.
패션 단독 상품 기획에서 트렌드 데이터를 실제 발주 결정과 연결하는 것이 가장 어려운 부분이었습니다. 검색 트렌드가 올라간다고 해서 무조건 수요가 따라오는 건 아니었고, 트렌드 관심이 구매로 전환되는 카테고리와 그렇지 않은 카테고리가 확연히 달랐습니다. 소셜 언급량·검색 트렌드·과거 유사 시즌 판매 데이터를 함께 놓고 세 지표가 동시에 올라가는 품목만 기획 우선순위로 올리는 필터를 만들었습니다. Python으로 시계열 비교 차트를 만들어 세 지표의 피크 시점이 항상 일치하지 않는다는 걸 시각화로 확인했습니다. 발주 타이밍은 트렌드 피크보다 3~4주 앞서 상품이 매장에 있어야 한다는 기준을 세웠고, 이 기준으로 기획한 라인이 발표에서 가장 높은 점수를 받았습니다. 패션 데이터 분석은 지금 뭐가 팔리는가가 아니라 3주 뒤 무엇이 팔릴 것인가를 예측하는 문제라는 시각이 그때 생겼습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 카카오 MD·상품기획 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.