이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터로 비즈니스 결과를 낸 사례를 말씀드리면, 팀 프로젝트에서 소형 이커머스 데이터를 분석해 반품률이 높은 카테고리를 특정하는 작업을 했습니다. 반품 이유 텍스트 데이터를 분류하니 '예상과 다름'이 전체 반품의 47%를 차지했고, 이는 상품 이미지와 실제 색상 차이에서 비롯된 것으로 좁혀졌습니다. 이 결과를 바탕으로 상품 등록 가이드에 색상 기준 사진 필수 첨부를 추가하자고 제안했고, 시뮬레이션 결과 해당 카테고리 반품률이 약 20% 개선될 것으로 추정됐습니다. 앞으로도 데이터로 결과를 낼 때 지표를 개선하는 것이 아니라 문제를 해결하는 것을 목표로 하는 방식을 유지하겠습니다.
숫자는 도구이고, 목적은 비즈니스입니다.
인턴 기간 중 월별 활성 사용자가 꾸준히 줄어드는데 원인을 특정하지 못하는 상태가 석 달 이상 이어지고 있었습니다. 저는 로그인 이후 화면 이동 로그를 단계별로 분해해서 어느 지점에서 세션이 끊기는지를 먼저 보자고 제안했습니다. 분석 결과 특정 기능 진입 후 30초 이내 이탈이 전체 이탈의 38%를 차지했고, 그 화면의 평균 응답 지연이 다른 페이지보다 2.4초 길다는 사실과 겹쳐 확인됐습니다. 이 내용을 수치와 함께 팀에 공유했고, 개발팀이 API 호출 구조를 조정한 이후 해당 화면 이탈률이 다음 달 기준 22% 낮아졌습니다. 직접 코드를 손댄 것이 아니라 데이터로 문제 범위를 좁혀 담당자가 정확한 지점에 집중하게 돕는 역할을 한 것이었습니다. 분석 결과가 실제 의사결정을 바꾼다는 경험을 그때 처음으로 제대로 했습니다.
팀 프로젝트에서 이메일 캠페인의 오픈율은 높은데 실제 구매로 이어지는 비율이 낮다는 문제를 맡았습니다. 오픈율과 전환율 데이터를 메시지 유형, 발송 시간, 사용자 세그먼트 세 축으로 교차 분석했습니다. 결과를 보니 기존 구매 이력이 있는 사용자에게 보낸 재고 한정 메시지의 전환율이 다른 유형 대비 3.1배 높다는 패턴이 나왔습니다. 이를 반영해 세그먼트별로 메시지를 분리하는 방식으로 다음 캠페인을 다시 설계했고, 전체 전환율이 이전 캠페인 대비 41% 상승했습니다. 데이터를 보기 전까지는 어떤 문구가 좋은가를 고민하고 있었는데, 분석 이후에는 누구에게 보내는가가 더 결정적이라는 사실이 보였습니다.
메시지보다 수신자가 먼저라는 원칙이 그 프로젝트에서 생겼습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 구매·SCM 일반 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.