이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
대학교 3학년 때 마케팅 동아리에서 기획한 이벤트의 참가자 신청 데이터를 분석한 경험이 있습니다. 이벤트 신청률이 전 회 대비 40% 낮게 나왔는데, 처음엔 홍보 채널 문제라고 단정했습니다. 그런데 채널별 유입 수는 비슷했고, 신청 페이지 이탈률이 유독 높았습니다. 페이지 접속 로그를 보니 신청 완료까지 걸리는 단계가 전 회보다 2단계 더 많았던 것이 원인이었습니다.
분석 도구는 스프레드시트와 GA 기본 기능을 썼고, 복잡한 기법은 사용하지 않았습니다. 그 경험에서 배운 건, 가설을 먼저 세우고 거기에 맞는 데이터를 찾으면 엉뚱한 곳을 보게 된다는 것이었습니다. 이탈률을 보기 전까지 홍보 쪽만 파고 있었으니까요.
결과적으로 신청 단계를 3단계로 줄였고, 다음 이벤트 신청률이 전회 대비 55% 상승했습니다.
졸업 논문 조별 과제에서 설문 응답 데이터 280건을 분석하는 역할을 맡았습니다. 처음에 가설은 연령이 높을수록 서비스 만족도가 낮다는 것이었는데, 분석 결과는 연령과 만족도 사이에 유의미한 상관이 없었습니다. 그때 가설이 틀렸다는 것을 팀에 먼저 보고하는 것이 어색했습니다.
결국 응답자를 사용 빈도로 다시 나눠서 분석했더니, 이용 빈도가 낮은 그룹의 만족도가 일관되게 낮았고, 그 그룹의 공통 불만이 응답 항목에 명확히 나왔습니다. 첫 가설로만 판단했으면 다른 결론을 냈을 것입니다.
분석 도구는 SPSS 기초 기능을 사용했고, 크로스탭과 기초 회귀 분석을 적용했습니다. 이 경험 이후로는 분석 시작 전에 어떤 분류 기준으로 볼 것인지를 먼저 팀과 맞추는 편입니다.
단기 인턴 기간에 고객 서비스 상담 로그 1,200건을 분류하는 작업을 맡았습니다. 목적은 반복적으로 들어오는 문의 유형을 파악해 FAQ를 개선하는 것이었습니다. 처음엔 키워드로 분류했는데 같은 문제를 다른 표현으로 쓴 경우가 많아서 분류가 계속 어긋났습니다.
담당 선배에게 보고했더니 유사 문의는 묶어서 의미 단위로 다시 정리하라고 했고, 직접 15개 유형으로 재분류했습니다. 그 결과 상위 5개 유형이 전체의 62%를 차지한다는 것이 드러났고, 그 유형 중심으로 FAQ 초안을 만들었습니다.
작업 도구는 엑셀과 텍스트 에디터가 전부였지만, 분류 기준을 반복적으로 수정하면서 원인을 좁혀가는 경험 자체는 이 직무와 연결된다고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 무신사 컴플라이언스 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.