이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
캡스톤 프로젝트에서 앱 내 사용자 이탈 지점 데이터를 분석해 온보딩 플로우를 개선한 경험이 있습니다. 로그 데이터를 보니 특정 단계에서 이탈률이 유독 높았고, 그 화면에서 사용자가 어디를 주로 터치하는지 히트맵으로 확인해봤습니다. 동시에 사용자 5명을 대상으로 간단한 인터뷰를 진행해 이탈 원인에 대한 가설을 세웠습니다. 데이터는 무엇이 문제인지를 알려줬고, 인터뷰는 왜 그런지를 이해하게 해줬습니다. 가설에 따라 해당 화면의 안내 문구와 버튼 위치를 변경한 뒤 A/B 테스트를 돌렸고, 이탈률이 약 22% 감소했습니다. 이 경험에서 정량 데이터와 정성 인터뷰를 함께 써야 진짜 원인을 찾을 수 있다는 것을 배웠습니다. 앞으로도 서비스 개선을 할 때 정량 데이터와 정성 인터뷰를 함께 쓰는 방식을 유지하겠습니다.
숫자는 무엇이 문제인지를 알려주고, 대화는 왜 그런지를 알려줍니다. 좋은 개선은 데이터와 사람이 함께 말할 때 나옵니다.
데이터 기반 서비스 개선 경험 중 기억에 남는 것은 사용자 인터뷰와 데이터를 함께 활용해 온보딩 플로우를 개선한 프로젝트입니다. 정량 데이터만 봤을 때는 특정 단계에서 이탈이 많다는 것을 알 수 있었지만, 왜 이탈하는지는 로그만으로 알 수 없었습니다. 그래서 실제 사용자 5명을 대상으로 화면 공유 인터뷰를 진행해 어떤 지점에서 막히는지를 직접 관찰했습니다. 인터뷰 결과, 이탈의 원인은 기능 자체가 아니라 안내 문구의 맥락이 불명확해서 다음 단계를 모르는 경우였습니다. 이 인사이트를 바탕으로 팀원과 UI 텍스트와 플로우를 수정했고, 저는 인터뷰 설계와 결과 정리를 담당했습니다. 개선 후 2주간 이탈률이 18% 감소했고, 이 결과를 지표로 남겼습니다.
정량 데이터는 어디서를 보여주지만, 왜는 정성 리서치가 채워줘야 한다는 것을 이 경험에서 배웠습니다.
데이터 기반 서비스 개선 경험으로, A/B 테스트를 설계하고 UI 개선 효과를 검증한 프로젝트가 기억에 남습니다. 서비스 내 특정 CTA 버튼의 클릭률이 낮다는 것을 로그 데이터로 확인했고, 버튼 문구와 위치가 원인일 수 있다는 가설을 세웠습니다. 리서치 결과를 바탕으로 두 가지 대안 버전을 만들었고, 각각 30%씩의 사용자에게 노출해 클릭률을 비교했습니다.
팀 내에서 데이터 분석을 담당하면서 실험 설계와 결과 해석을 주도했습니다. 통계적으로 유의미한 차이가 나오기까지 1주일을 기다린 뒤 결과를 확인했는데, B 버전에서 클릭률이 23% 높게 나왔습니다. 이 결과를 팀에 공유하고 B 버전으로 배포를 결정했습니다.
개선 아이디어는 많아도 검증 없이 배포하면 실제 효과를 알 수 없다는 것이고, 데이터 기반 의사결정의 핵심은 검증 가능한 실험을 설계하는 것이라는 점을 이 경험에서 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 마켓컬리 프로덕트 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.