이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
인턴 때 월별 사용자 행동 로그를 분석하면서 특정 기능의 사용률이 낮은데도 해당 기능을 쓴 사용자의 재방문율이 2.3배 높다는 것을 발견했습니다. 기능 자체는 문제없이 작동하고 있었는데 진입 경로가 너무 깊어서 발견되지 못하고 있었던 것이었습니다. 이 발견을 정리해 PM에게 "이 기능의 홈화면 노출을 늘리면 재방문율 개선 효과가 있을 것"이라고 제안했고, 테스트 결과 재방문율이 18% 개선됐습니다. 성장 기회를 데이터에서 찾는 방법은 평균보다 분포를 보는 것이라고 생각합니다. 전체 평균이 나빠도 좋은 특정 세그먼트가 있다면 그 패턴에 성장의 단서가 있습니다.
"왜 이 사용자들은 다른가?"를 질문하는 것이 성장 기회를 발견하는 출발점이라는 것을 그 경험에서 배웠습니다. 앞으로도 데이터에서 기회를 찾을 때 평균보다 세그먼트 간 차이를 먼저 보는 방식을 유지하겠습니다. 좋은 패턴을 찾아 증폭하는 것이 성장 분석의 핵심이라고 생각합니다.
캡스톤 프로젝트에서 온라인 쇼핑 데이터를 3개월치 분석하면서 구매 전환율이 시간대에 따라 크게 다르다는 것을 발견했습니다. 전체 평균만 보면 차이가 없어 보이는데, 요일과 시간대를 교차해 보니 특정 시간대 방문자의 전환율이 전체 평균의 2배 이상이었습니다. 처음에는 우연인지 확신하기 어려워 3주치 데이터를 추가해 `재확인`했습니다.
해당 시간대 방문자는 검색어 없이 직접 URL로 들어오는 비율이 높아 재방문 고객일 가능성이 크다는 가설을 세웠습니다. 팀에 공유했더니 PM 역할 팀원이 그 시간대 알림 푸시를 집중 배치하는 실험을 설계해 줬고, 저는 결과 측정 기준을 정리했습니다. 그 경험에서 '언제 보느냐'가 '무엇을 보느냐'만큼 성장 기회 발견에 중요하다는 것을 배웠습니다.
졸업 프로젝트에서 학습 앱의 월별 체류 시간 데이터를 분석하다가 6개월간 지표가 꾸준히 오르는 것을 발견했습니다. 처음에는 기능 개선의 효과라고 결론을 내릴 뻔 했는데, 팀원 한 명이 '신규 사용자와 기존 사용자를 분리해서 봤냐'고 질문했습니다. 나눠 보니 기존 사용자의 체류 시간은 오르는데 신규 사용자의 초기 이탈률이 눈에 띄게 높았습니다. 전체 지표가 좋아도 특정 집단에서는 반대 방향이 나오고 있었던 것이었습니다. 팀은 `온보딩` 경험을 개선하는 방향으로 전환했고, 3개월 후 신규 사용자 이탈이 낮아지는 결과를 확인했습니다. 그 경험에서 데이터는 혼자 보면 평균에 갇히고, 팀원의 다른 시각이 세그먼트를 열어준다는 것을 배웠습니다. 지금도 분석 결과를 내기 전에 '어떤 집단을 나눠서 봤는가'를 먼저 확인합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 SCM·공급망 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.