이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
학교 캡스톤 프로젝트에서 팀이 만든 앱의 사용자 로그 데이터를 분석하는 역할을 맡았습니다. 로그를 보니 온보딩 3단계에서 이탈률이 다른 구간보다 두드러지게 높았습니다. 처음엔 그냥 그러려니 했는데, 팀원이 왜 그런지 추적해보자고 해서 단계별 소요 시간도 같이 봤습니다. 해당 구간에서 입력 폼이 너무 많다는 걸 발견했고, 팀이 3개 입력 항목을 다음 단계로 분리했더니 이탈률이 눈에 띄게 줄었습니다. 제가 분석을 잘못 봐서 이탈 구간을 2단계로 잘못 짚은 적이 있었는데, 로그 기준 시점이 달랐던 게 원인이었습니다.
데이터 기준을 맞추는 것이 분석보다 먼저라는 걸 그때 배웠습니다.
인턴 때 서비스 팀에서 월간 활성 사용자 지표가 2주 연속 소폭 하락한 걸 발견했습니다. 팀장님이 원인을 추적해보라고 하셔서, 저는 기능별 사용 횟수 데이터를 보조 분석했습니다. 그 결과 특정 기능의 사용 빈도가 다른 기능 대비 절반 이하였고, 해당 기능의 진입 경로가 3단계였다는 걸 확인했습니다. 저는 그 내용을 정리해서 팀장님께 공유했고, 팀이 진입 경로를 1단계로 줄이는 개선을 결정했습니다. 제 분석이 직접 결론으로 이어진 건 아니었지만, 데이터 정리가 논의의 출발점이 됐다는 점이 의미 있었습니다. 보조 역할이었지만 데이터를 직접 보면서 가설을 세우고 공유한 경험은 이후 분석 업무의 출발점이 됐습니다.
학교 수업 프로젝트에서 설문 응답 데이터와 앱 사용 로그를 함께 분석하는 과제를 맡았습니다. 설문에서는 80% 응답자가 기능 A가 유용하다고 했는데, 로그를 보니 실제 사용 빈도는 전체의 15% 수준이었습니다. 이 간격이 흥미로워서 교수님께 여쭸더니 말과 행동의 차이를 직접 보여주는 사례라고 하셨습니다. 그 과제에서 설문 응답을 그대로 믿으면 안 된다는 걸 처음으로 실감했습니다. 분석 결론으로는 기능 A의 발견 가능성이 낮다는 점을 제안했고, 교수님이 방향이 맞다고 하셨습니다. 이후로는 설문 데이터를 볼 때 행동 데이터와 비교하는 과정을 빠뜨리지 않으려 합니다. 두 데이터의 간격이 오히려 더 중요한 인사이트를 담고 있었습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 사업기획 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.