이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
수업 프로젝트에서 미국 아마존 뷰티 카테고리 리뷰 데이터를 분석해서 한국 브랜드의 큐레이션 기획안을 작성했습니다. 소비자 데이터 분석 방법으로는 Python으로 리뷰 텍스트를 스크래핑하고, 형태소 분석으로 자주 등장하는 키워드를 추출했습니다. '가볍다', '발림이 좋다', '자연스러운 마무리' 같은 표현이 한국 제품 리뷰에서 집중적으로 등장한다는 걸 확인했습니다. 기획 역할로는 데이터 분석을 바탕으로 '스킨케어→베이스→포인트 순서로 입문자 큐레이션 번들을 구성하는 것' 을 제안했고, 번들 내 제품 조합은 리뷰 언급 빈도와 가격대를 교차 분석해서 정했습니다. 성과 측정으로는 기획안을 발표했을 때 '입문자 구매 여정을 데이터로 뒷받침한 점' 이 차별점으로 평가받았습니다. 데이터는 '무엇이 팔리는가'보다 '왜 선택받는가'를 설명할 때 더 유용하다는 걸 배웠습니다.
미국 소비자 데이터 기반 상품 큐레이션에서 또 다른 접근으로 리뷰 텍스트 분석과 SNS 트렌드 키워드를 결합해서 소비자가 원하는 성분과 속성을 파악하고 큐레이션 방향을 설정하는 방식을 사용했습니다. 리뷰 데이터에서는 이미 구매한 소비자의 만족·불만 포인트가 나오고, SNS 트렌드에서는 아직 구매하지 않았지만 관심 있는 소비자의 욕구가 나오기 때문에, 두 데이터를 교차하면 시장의 현재와 방향이 함께 보입니다.
리뷰가 "무엇이 좋았는가"를 말해준다면, SNS 트렌드는 "무엇을 원하는가"를 말해줍니다. 리뷰·SNS 트렌드 교차 분석이 리뷰 상위 언급 성분과 SNS 트렌드 키워드를 비교하면서, 두 데이터가 겹치는 교차점을 큐레이션 우선 영역으로 설정하는 방식이고, 이것이 두 소스를 활용한 큐레이션 방법이었습니다.
분석 결과 리뷰에서 자주 등장하는 성분과 SNS 트렌드 상위 키워드가 60% 이상 겹치는 것을 확인하면서, 두 데이터의 교차 영역이 큐레이션 우선순위 설정의 신뢰도를 높이는 방법이라는 것을 파악했습니다. 소비자가 사는 것과 원하는 것의 교차점이 큐레이션의 중심입니다.
미국 소비자 데이터 기반 상품 큐레이션에서 또 다른 방법으로 리뷰 감성 분석과 가격대별 고객 세그먼트를 결합해서, 어떤 가격 구간의 소비자가 어떤 속성에 민감하게 반응하는지를 파악하는 방식을 사용했습니다. 모든 소비자가 동일한 우선순위를 갖지 않기 때문에, 가격대별로 세그먼트를 나누면 고가 소비자가 중시하는 속성과 중저가 소비자가 중시하는 속성이 다르게 나타납니다.
세그먼트별 감성 분석이 큐레이션 타겟을 좁히는 기준이 됩니다. 감성 분석·가격 세그먼트 결합 큐레이션이 리뷰를 긍정·부정으로 분류하고, 가격 구간별 긍정 리뷰의 반복 속성과 부정 리뷰의 불만 포인트를 비교 정리하는 방식이고, 이것이 타겟 세그먼트에 맞는 큐레이션 방향 설정의 방법이었습니다.
분석 결과 고가 구간 소비자는 성분 효능을 긍정 키워드로 자주 언급한 반면, 중저가 구간 소비자는 가격 대비 효과를 긍정으로 언급하는 패턴이 달랐고, 이것이 큐레이션 메시지의 방향 분기점이 됐습니다. 같은 제품도 타겟 세그먼트에 따라 강조하는 속성이 달라져야 합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 마켓컬리 디지털·퍼포먼스 마케팅 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.