이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
사용자 인터뷰와 로그 분석을 함께 활용해본 경험이 있습니다. 수업에서 앱 사용 패턴을 분석하는 프로젝트였는데, 정량 데이터만 보면 '무엇이' 일어나는지는 알 수 있지만 '왜'는 보이지 않았습니다. 그래서 5명을 대상으로 사고 소리 내기(think-aloud) 방식의 인터뷰를 진행하였습니다. 퍼널 이탈 지점이 UI 혼란 때문이라는 것을 인터뷰를 통해 파악하였습니다.
정량은 문제를 발견하고, 정성은 원인을 파악합니다. 두 가지를 함께 활용해야 실제로 유의미한 인사이트가 나온다는 것을 그때 배웠습니다. 어느 한 쪽만으로는 부족하였습니다. 인터뷰 데이터가 정량 지표의 맹점을 채워주었습니다. 두 가지를 교차 검증하면서 가설이 더욱 탄탄해졌습니다.
코호트 분석과 사용자 인터뷰를 같이 해봤어요. 서비스 이탈률이 특정 기간 이후 올라가는 게 코호트로 보였는데, 왜 그런지는 데이터만으로 알 수 없었어요. 인터뷰를 통해 '온보딩 후 두 번째 주에 목적이 흐려진다'는 패턴을 발견했어요. 이후 온보딩 플로우를 수정한 가설을 세웠어요.
정량 분석은 방향을 잡아주고, 정성 조사는 이유를 찾아줘요. 두 방법론의 역할 분리가 명확해야 같이 쓸 때 효과가 나와요. 각각 잘 쓰는 것보다 언제 무엇을 쓸지 아는 것이 더 중요하더라고요. 언제 어떤 방법을 쓸지 아는 것 자체가 역량이에요. 목적 없는 방법론은 결과를 흐리게 만들더라고요.
A/B 테스트와 FGI(포커스 그룹 인터뷰)를 함께 써본 경험이 있어요. A/B 테스트로 버튼 색상 변경이 전환율에 영향이 있다는 걸 확인했고, FGI에서는 색상보다 문구가 더 신뢰감을 줬다는 인사이트를 얻었어요. 방향이 맞아서 최종 안에 둘 다 반영했어요.
정량은 통제된 환경에서 비교가 가능하고, 정성은 맥락을 살려요. 두 방법론을 같이 쓰면 가설을 세울 때도, 결과를 해석할 때도 더 단단한 근거가 생겨요. 어느 쪽을 먼저 쓸지도 목적에 따라 달라져요. 익히면 익힐수록 혼합 방법론이 기본값이 됐어요. 두 방법론을 같이 쓰는 게 처음엔 번거로웠지만, 최종 결론의 신뢰도가 달랐어요. 그 차이가 중요해요.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 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.