이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
서비스 문제를 정의할 때 정량 데이터로 어디서 이탈하는지를 먼저 보고, 정성 데이터로 왜 그런지를 파악하는 순서를 선호합니다. 팀 프로젝트에서 회원 가입 이탈률이 높았는데, 퍼널 데이터를 보니 이메일 인증 단계에서 40%가 빠지는 걸 확인했습니다. 이유를 파악하기 위해 사용자 인터뷰 3건을 진행했더니 이메일을 받는 데 시간이 오래 걸린다는 불만이 공통으로 나왔습니다. 두 데이터를 결합하니 어디서·왜·어떻게가 명확해졌고 개선 방향도 빠르게 잡혔습니다. 정량 없이 정성만 있으면 규모를 모르고, 정성 없이 정량만 있으면 이유를 모릅니다.
두 가지를 함께 보는 습관이 설계 품질을 높인다고 봅니다.
정량·정성 데이터로 문제를 정의한 뒤 실제로 개선했을 때 어떤 변화가 생겼는지를 수치로 확인한 경험이 있습니다. 이메일 인증 단계 이탈률이 높은 이유를 인터뷰로 파악하고 인증 대기 화면에 진행 상태를 보여주는 UI를 추가했습니다. 수정 후 같은 단계의 이탈률이 이전보다 낮아지는 것을 퍼널 데이터로 확인했습니다.
삼각검증(Triangulation) — 정량 지표와 정성 인터뷰를 교차해서 문제를 정의하고 개선하는 과정이 실제로 효과가 있었다는 것을 그때 확인했습니다. 인터뷰가 방향을 만들고 수치가 그 방향이 맞았는지를 확인해줬습니다. 데이터 기반 설계는 수집에서 끝나는 것이 아니라 개선 전후 비교로 완성됩니다.
정량·정성 데이터를 어느 것을 먼저 볼지보다 어떤 질문에 답해야 하는지를 먼저 정하는 것이 더 중요하다는 걸 경험으로 배웠습니다. '이탈률이 왜 높은가'라는 질문은 정량 데이터만으로는 답이 안 나오는데, 먼저 퍼널에서 이탈이 어디에서 집중되는지 확인한 뒤 그 지점을 인터뷰 질문의 시작점으로 삼는 방식이 두 데이터의 역할을 명확하게 했습니다.
데이터가 이미 많은 경우, 무엇을 봐야 하는지 모르면 오히려 방향이 흐려지는 경험이 있었습니다. 샘플 편향(Sampling Bias)을 의식하면서 인터뷰 참여자가 실제 사용자 분포를 반영하는지를 확인하는 것도 배웠습니다. 정성 인터뷰 3건이라는 작은 샘플이어도 퍼널 데이터의 이탈 지점과 일치할 때 설계 결정의 근거가 됩니다. 데이터는 질문이 있어야 답이 됩니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 카카오페이 UX/UI 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.