이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트로 사용자 소비 이력 기반 콘텐츠 추천 시스템을 만들었습니다. 데이터 전처리에는 pandas와 scikit-learn을 썼고, 협업 필터링과 콘텐츠 기반 필터링을 앙상블하는 구조로 설계했습니다. 처음에는 단순 코사인 유사도만 썼는데 롱테일 아이템 추천 성능이 낮아서, TF-IDF 벡터와 임베딩을 결합하는 방식으로 바꾼 뒤 NDCG@10이 0.31에서 0.47로 올랐습니다. 실험 추적은 MLflow로 파라미터와 지표를 버전별로 기록해 어떤 시도가 성능에 영향을 줬는지 팀원과 공유할 수 있었습니다. 추천 시스템 특성상 오프라인 지표와 실제 사용자 반응이 다를 수 있다는 점을 깨달아, 실제 서비스에서는 A/B 테스트 설계가 선행되어야 한다는 교훈을 얻었습니다.
추천 시스템을 만들면서 가장 먼저 부딪힌 한계는 신규 사용자에 대한 추천이었습니다. 소비 이력이 없으면 협업 필터링이 작동하지 않아서, 인기 기반 추천으로 대체하는 것이 일반적이지만 그건 개인화라고 부르기 어렵습니다. 이 문제를 다루면서 사용자가 처음 진입할 때 간단한 선호 선택(장르·분위기 등)을 받아 콘텐츠 기반 필터링으로 초기 추천을 제공하는 방식을 실험했습니다. 도구는 scikit-learn의 TF-IDF와 코사인 유사도를 썼습니다. 이력이 쌓이면 협업 필터링 가중치가 자동으로 높아지는 구조로 설계했고, 신규 사용자 첫 세션 클릭률이 의미 있게 올랐습니다. 팀원과는 실험 결과를 MLflow로 공유하면서 어떤 선호 선택 항목이 이후 이력과 가장 잘 연결되는지를 분석했습니다.
이력 없는 사용자가 첫 경험에서 떠나면 이후도 없습니다. 콜드 스타트가 추천 시스템의 첫 관문입니다.
추천 시스템 프로젝트에서 오프라인 지표를 높이는 것과 실제 사용자 만족도 사이에 간극이 있다는 것을 배웠습니다. NDCG 기준으로 모델 성능이 올랐는데, 팀원 몇 명이 직접 써보면서 추천 결과가 비슷한 아이템들로만 구성된다는 점을 지적했습니다. 다양성이 떨어진다는 피드백이었습니다. 지표로는 성능이 좋았지만 사용자가 느끼는 유용성은 다른 차원이었습니다. 이후에는 NDCG 외에 다양성 지표(Intra-List Diversity)도 함께 측정했습니다. 실 서비스에서는 A/B 테스트 없이 오프라인 지표만으로 결론을 내리는 건 위험하다는 걸 이 경험으로 체득했습니다.
지표는 현실의 일부만 반영합니다. 오프라인과 온라인 지표가 함께 있어야 판단이 완성됩니다. 지표를 믿되 사람도 봐야 합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 넥스트증권 프로덕트 매니저 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.