이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
인턴 프로젝트에서 배너 광고 클릭률이 낮은 구간을 분석하는 작업을 맡았습니다. 처음엔 소재 문제라고 생각했는데, 로그를 파고들어보니 특정 시간대에 노출 자체가 집중돼 있었습니다. 노출 분산 없이 클릭률만 보면 오해가 생기는 구조였습니다. 저는 노출·클릭·전환 세 단계를 퍼널로 나눠 각 단계의 이탈 원인을 구분했고, 시간대별 노출 비중을 조정하는 안을 제안했습니다. 테스트 결과 동일 예산에서 클릭률이 18% 상승했습니다. 데이터로 결정할 때 지표 정의가 분석보다 먼저라는 걸 그때 실감했습니다. 이후엔 분석 전에 반드시 '이 숫자가 무엇을 측정하는가'부터 확인합니다. 앞으로도 데이터 분석을 할 때 지표 정의가 분석보다 먼저라는 원칙을 유지하겠습니다. 어떤 숫자를 보느냐보다 무엇을 측정하는 숫자인지를 먼저 확인하는 습관이 분석의 신뢰도를 만든다고 생각합니다.
좋은 분석은 올바른 질문에서 시작됩니다.어.
팀 프로젝트에서 콘텐츠 추천 알고리즘 개선 작업에 참여했습니다. 초기 안은 인기 점수 기반이었는데, 실제 클릭 로그를 파보니 장르 선호도가 강한 사용자일수록 인기 순위보다 과거 이력이 더 강한 예측 변수였습니다. 저는 이 차이를 시각화해 팀에 공유하고 A/B 테스트 설계를 제안했습니다. 대조군과 실험군을 10%씩 나눠 2주간 CTR과 체류 시간을 함께 측정했고, 이력 기반 추천이 체류 시간 기준 12% 높은 반응을 보였습니다. 이 데이터를 기반으로 팀 전체가 알고리즘 방향을 바꾸는 결정을 내렸습니다. 그 과정에서 저는 의사결정 전에 테스트 설계를 문서화하고 이해관계자와 먼저 공유하는 습관을 들였습니다. 데이터가 설득을 대신하려면 수집 방법 자체가 투명해야 한다는 걸 그때 체감했습니다.
데이터 기반 의사결정에서 가장 힘들었던 지점은 지표가 실제를 반영하는지 확인하는 과정이었습니다. 추천 성과를 CTR 하나로 보고 있었는데, 어느 순간 클릭 후 즉시 이탈하는 비율이 높다는 걸 발견했습니다. CTR은 올랐지만 실질적인 콘텐츠 소비는 늘지 않은 상황이었습니다. 저는 팀에 CTR 대신 30초 이상 체류를 핵심 지표로 재정의하자고 제안했고, 이 변경을 데이터로 설명했습니다. 지표를 바꾸자 추천 로직에 대한 우선순위 판단이 달라졌고, 팀의 방향성도 조정됐습니다. 이 경험 이후 저는 분석 전에 '이 숫자가 어떤 행동을 대리하는가'를 먼저 따지는 방식을 씁니다.
좋은 지표를 고르는 것이 분석보다 먼저라는 생각이 그때 생겼습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 ML 엔지니어 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.