이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
학부 캡스톤 프로젝트에서 소셜 미디어 광고 성과 분석을 진행할 때 AI 도구를 활용한 경험이 있습니다.
Python의 scikit-learn으로 광고 클릭률 예측 모델을 만들었고, 입력 변수로는 게시 시간대·해시태그 수·이미지 포함 여부를 사용했습니다. 데이터는 인스타그램 Graph API로 수집한 약 2,000개 게시물이었습니다. 모델 결과에서 오전 7~9시 게시물이 평균 클릭률이 높다는 패턴이 나왔고, 이를 기반으로 팀의 콘텐츠 게시 일정을 조정했습니다.
추가로 GPT API를 활용해 광고 문구를 자동 생성해보는 실험도 했습니다. 직접 작성한 문구와 AI 생성 문구의 클릭률을 비교했는데, 문맥이 자연스러운 문구가 수치상으로도 성과가 좋았습니다. 이 경험에서 AI는 아이디어 생성 속도를 높여주지만, 최종 판단은 여전히 사람의 감각이 중요하다는 것을 배웠습니다.
마케팅 공모전 팀 프로젝트에서 GA4 데이터를 BigQuery로 내보내 분석하는 작업을 해봤습니다. GA4에서 직접 제공하는 리포트만으로는 세션과 전환 사이의 경로를 세밀하게 파악하기 어려워서, BigQuery 익스포트를 활용해 이벤트 단위로 쿼리했습니다. 거기서 구매 직전에 반복되는 페이지 방문 패턴을 발견했고, 그 패턴이 있는 세션의 전환율이 그렇지 않은 세션보다 높게 나왔습니다.
AI는 그 패턴 탐색 속도를 높이는 데 활용했습니다. ChatGPT로 SQL 쿼리 초안을 빠르게 만들고, 실제 데이터 결과를 보면서 수정하는 방식이었습니다. Looker Studio로 시각화해서 팀원과 공유했는데, 쿼리 결과와 시각화를 바로 연결할 수 있다는 점이 반복 수정을 빠르게 만들어줬습니다.
분석 도구보다 데이터 흐름을 끊기지 않게 연결하는 것이 실제로 인사이트를 뽑는 데 더 중요했습니다.
팀 과제에서 제품 리뷰 텍스트를 분석해 마케팅 메시지를 보완하는 작업을 해봤습니다. 크롤링으로 수집한 약 1,500개 리뷰를 감성 분석 모델에 통과시켜 긍·부정·중립으로 분류했습니다. 처음에는 VADER 같은 사전 기반 모델을 썼는데, 한국어 슬랭과 신조어가 많은 리뷰에는 정확도가 낮아서 KoELECTRA 기반 파인튜닝 모델로 교체했습니다. 부정 리뷰를 키워드 단위로 클러스터링해보니 배송 지연과 포장 품질에 대한 불만이 제품 품질 불만보다 훨씬 많았습니다. 이 결과를 광고 카피에 반영해서 배송 속도를 강조하는 소재로 교체했고, A/B 테스트에서 클릭률이 소폭 개선됐습니다. 이 경험에서 감성 분석의 가치는 분류 정확도보다 마케팅 액션으로 연결하는 해석 단계에 있다는 것을 배웠습니다.
고객 언어에서 인사이트를 찾는 방식이 데이터 분석의 가장 실용적인 출발점이라고 생각합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 SK텔레콤 데이터·AI 일반 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.