데이터 애널리스트 면접 질문

답변 구조 — 필터링 → 조인 → 집계 → 정렬 → 행 제한

취소 및 환불된 주문을 포함할지 확인하고 보통 완료 주문만 대상으로 합니다. 주문을 날짜와 상태로 필터링하고 고객별로 그룹화해 매출 합계를 구한 뒤 내림차순 상위 5개를 선택합니다. 날짜 기준과 세분성이 중요합니다. 매출이 주문 항목 테이블에 있다면 먼저 집계해 조인으로 부풀지 않게 합니다. 5위 동률을 모두 포함하려면 LIMIT 대신 순위 함수를 사용합니다. 마지막으로 대상 매출 합계, 건수, 중복을 검증합니다.

답변 구조 — 코호트 정의 → 재방문 정의 → LEFT JOIN → 집계

먼저 유지율을 가입 후 정확히 7일 차 활동으로 볼지 첫 7일 중 한 번이라도 활동한 것으로 볼지 정의합니다. 7일 차라면 1월 가입자의 user_id와 signup_date를 CTE에 두고 7일 차 유효 이벤트를 LEFT JOIN합니다. LEFT JOIN을 사용하면 돌아오지 않은 사용자도 남습니다. 분모는 관측 가능한 대상 사용자, 분자는 이벤트가 있는 고유 사용자입니다. 7일의 관측 기간이 아직 지나지 않은 사용자는 분모에서 제외합니다. 유입 채널, 기기, 지역, 가입 주차별로도 나눌 수 있습니다.

답변 구조 — 사용자별 구매에 순번 부여

유효하고 완료된 구매만 필터링한 뒤 row_number() over (partition by user_id order by purchase_at, order_id)로 번호를 부여하고 2번 행을 선택합니다. 같은 시각의 구매가 있어도 order_id로 순서를 고유하게 만듭니다. 모든 사용자를 표시하려면 결과를 사용자 테이블에 LEFT JOIN해 두 번째 구매가 없는 사람은 null로 둡니다. 큰 테이블에서는 user_id와 구매 시각 인덱스가 유용합니다.

답변 구조 — 사용자마다 각 단계의 최초 시각을 하나씩 유지

조건부 집계로 사용자당 한 행을 만들고 각 단계의 최초 시각을 가져와 반복 이벤트를 중복 계산하지 않습니다. 순서가 필수라면 인증은 가입 후, 온보딩은 인증 후, 구매는 온보딩 후에 일어나도록 조건을 둡니다. 단계 간 전환율과 전체 전환율을 계산하며 각 분자는 다음 단계의 고유 사용자, 분모는 이전 단계의 고유 사용자입니다. 기기, 유입 채널, 지역, 코호트별로 나누면 이탈 지점을 찾을 수 있습니다. 중복, 단계 건너뛰기, 시간대, 테스트 계정, 지연 이벤트도 확인합니다.

답변 구조 — 검증 → 세분화 → 퍼널 → 외부 요인 → 제안

먼저 계측 변경, 처리 지연, 시간대, 봇 제외, 앱 업데이트를 확인하고 원시 데이터와도 비교합니다. 다음으로 플랫폼, 버전, 지역, 유입 채널, 사용 기간, 요금제, 기기, 유입원별로 나눕니다. 앱 실행, 로그인, 탐색, 핵심 행동 중 어디가 줄었는지 확인합니다. 실행은 같고 활동이 줄었다면 제품 내부, 실행 자체가 줄었다면 알림, 유입, 계절성, 장애, 외부 요인이 후보입니다. 업데이트 후 오류가 원인이면 롤백합니다. 데이터 지연이라면 잘못된 긴급성을 만들지 않고 한계를 알립니다.

답변 구조 — 목표 → 주요 지표 → 선행 지표 → 가드레일 → 세그먼트

목표가 발견, 사용, 구매, 유지, 객단가 중 무엇인지 확인합니다. 주요 지표는 클릭만이 아니라 가치를 나타내야 합니다. 전자상거래라면 활성 사용자당 추천을 통한 구매가 될 수 있습니다. 노출, 클릭률, 장바구니 추가, 전환율, 세션 매출, 범위, 다양성을 선행 지표로 보고 반품, 환불, 무관한 클릭, 지연, 문의, 자기잠식을 가드레일로 둡니다. 신규 및 기존 사용자, 카테고리, 기기, 노출 위치별로 나눕니다. 단기에는 A/B 테스트, 장기에는 유지와 재구매로 가치를 확인합니다.

답변 구조 — 매출을 트래픽, 전환, 객단가, 구성, 가격, 유지로 분해

트래픽 증가가 전환율 하락보다 컸을 수 있습니다. 가격 인상, 번들 판매, 대형 고객, 고가 제품 구성으로 객단가가 올랐을 수도 있습니다. 방문자가 줄어도 가치가 높은 층으로 바뀌었거나 계측 정의가 변경됐을 가능성도 있습니다. 유입 채널, 제품, 지역, 신규 및 기존 사용자, 고객층, 기기별로 나누고 매출을 세션, 전환, 객단가, 환불, 재구매로 분해합니다. 전환율 분모가 세션, 사용자, 방문자 중 무엇인지도 확인합니다. 매출 증가의 질과 지속 가능성으로 평가합니다.

답변 구조 — 대상자 → 의사결정 → 지표 → 세그먼트 → 알림

먼저 대상자와 의사결정을 확인합니다. 경영진에게는 세부 운영 지표 전체가 아니라 성장, 유지, 수익화, 위험에 대한 요약이 필요합니다. 상단에는 MRR, 순 및 총매출유지율, 신규·확장·축소·해지 MRR, 유료 고객 수, 체험판에서 유료로의 전환율, ARPU, 필요하다면 CAC 회수기간과 목표 대비 실적을 둡니다. 고객 유형, 유입 채널, 요금제, 지역, 규모, 영업 지원 및 셀프서비스별로 나눌 수 있게 합니다. 시계열, 코호트, MRR 브리지, 해지 사유, 목표 차이로 성장 여부와 원인, 위험, 조사할 영역을 보여 줍니다. 정의, 갱신 시각, 필터, 책임자, 임계값도 표시합니다.

답변 구조 — 의사결정 확인 → 위험 설명 → 더 나은 표현 제안

먼저 그 차트가 지원할 의사결정을 확인합니다. 누적 매출이 둔화를 숨기거나, 카테고리가 많은 원형 차트가 차이를 가리거나, 구간을 표시하지 않아 과도한 확신을 줄 수 있다는 위험을 객관적으로 설명합니다. 같은 질문에 답할 수 있는 시계열, 코호트, 퍼널, 분포, 누적 막대, 요인 분해를 제안합니다. 원래 표현이 필요하다면 한계를 명시해 함께 보여 줄 수 있지만 자신의 권고안으로 삼지는 않습니다. 유용성과 분석적 정직성은 함께 지킬 수 있습니다.

답변 구조 — 파악 → 표준화 → 검증 → 문서화

먼저 행과 열, null, 중복, 데이터형, 불가능한 값, 날짜, 이상치를 파악하고 변경하지 않은 원본을 보존합니다. 공백을 제거하고 이름을 통일하며 날짜를 파싱하고 단위를 맞추고 표기 변형을 관리되는 카테고리에 매핑합니다. 중복 제거 전에 사업상 고유 키를 정의합니다. 합계와 건수를 신뢰할 수 있는 정보원에 대조하고 null, 고유값, 범위를 확인합니다. 변환 내용을 기록하고 원본과 정제된 데이터를 분리하며 보이지 않는 수작업을 피합니다.

답변 구조 — 탐색과 통제된 계산의 구분

피벗 테이블은 차원별로 빠르게 탐색, 집계, 요약하는 데 적합합니다. 수식은 코호트, 브리지, 가중 점수, 예외, 대조처럼 맞춤형이고 여러 단계이며 감사 가능한 로직에 적합합니다. 실무에서는 피벗으로 추세를 찾은 뒤 통제된 모델을 만듭니다. 정기 보고서는 깨지기 쉬운 수작업 시트에 의존하지 않고 재현 가능한 SQL 또는 BI 파이프라인으로 옮겨야 합니다.

답변 구조 — 가설 → 무작위 배정 → 지표 → 가드레일 → 결정

가설은 새 디자인이 마찰을 줄여 이후의 부정적 영향 없이 구매 완료를 늘린다는 것입니다. 무작위 배정 단위, 표본, 기간, 노출, 대상 조건, 할당 고정을 확인합니다. 세션 단위로 배정하면 같은 사용자에게 다른 버전이 보일 수 있습니다. 주요 지표는 결제 시작에서 구매 완료로의 전환율입니다. 결제 오류, 소요 시간, 객단가, 추가 구매를 보조 지표로, 환불, 차지백, 문의, 지연, 오류, 불만을 가드레일로 둡니다. 통계적 유의성뿐 아니라 실무적 크기도 봅니다. 의미 있는 개선, 건전한 가드레일, 신뢰할 수 있는 계측, 안정적인 효과가 모두 있을 때만 출시를 권합니다.

답변 구조 — 검정력 확인 → 방향 평가 → 비용 고려 → 결정

유의하지 않다는 것은 효과가 없다는 뜻과 같지 않습니다. 표본 크기와 기간이 의미 있는 차이를 탐지할 수 있었는지 확인합니다. 효과 크기와 구간도 봅니다. 이익과 손실을 모두 포함하는 넓은 구간이라면 결론을 낼 수 없고, 0 근처의 좁은 구간이라면 영향이 작다고 볼 수 있습니다. 유지보수 비용, 위험, 전략도 고려합니다. 비용이 높고 측정 가능한 이점이 없는 기능은 출시하지 않아야 합니다. 전략 가치가 높거나 비용이 낮다면 개선 후 다시 측정할 수 있습니다. 설계, 관측 결과, 확신도, 한계, 제안을 구분해 설명합니다.

답변 구조 — 정의 → 정보원 → 조건 → 세분성 → 시점 → 대조

먼저 매출 정의를 비교합니다. 총액인지 환불, 할인, 세금, 차지백 차감 후인지, 주문일·결제일·배송일·청구일 중 무엇을 기준으로 하는지 확인합니다. 다음으로 정보원, 필터, 세분성을 봅니다. 테스트, 취소, 내부 계정, 지역, 주문 항목 조인, 시간대, 갱신 빈도도 차이를 만들 수 있습니다. 신뢰할 수 있는 정보원에서 시작해 차이 요인을 하나씩 더하고 빼는 브리지를 만들어 일치시킵니다. 어느 쪽이 틀렸는지만 밝히지 않고 공통 정의, 책임자, 공식 정보원, 재발 방지책을 정합니다.

답변 구조 — 결측 측정 → 원인 파악 → 처리 선택 → 공개

먼저 필드, 비율, 세그먼트, 기간, 정보원, 플랫폼별로 결측을 정량화합니다. 결측은 무작위가 아닐 수 있습니다. 선택 입력, 계측 오류, 지연, 연동, 개인정보 보호, 대상 아님 중 무엇이 원인인지 조사합니다. 원인에 따라 행을 제외하거나, 근거 있게 대치하거나, 미상 카테고리를 만들거나, 다른 정보원으로 보완하거나, 분석 범위를 제한합니다. 0과 미상은 같지 않습니다. 결측이 확신도에 어떤 영향을 주고 합리적인 가정을 바꿔도 결론이 유지되는지 설명합니다.

답변 구조 — 의사결정 → 분석 → 발견 → 제안 → 영향

출시, 가격, 마케팅, 제품, 운영, 우선순위 결정에 분석이 영향을 준 경험을 고릅니다. 사용한 데이터와 지표, 중요한 세그먼트, 예상 밖의 발견을 도구 세부 사항에 묻히지 않게 설명합니다. 다음으로 제안과 성과를 보여 줍니다. 수익성이 낮은 유입 채널을 찾아 예산을 옮겼거나, 클릭은 늘지만 유지율을 해치는 기능을 중단한 사례 등이 있습니다. 한계, 불확실성, 이해관계자 합의 과정도 포함합니다.

답변 구조 — 긴급성 확인 → 방향 제시 → 한계 설명 → 검증 계획

먼저 의사결정, 기한, 위험을 확인합니다. 되돌릴 수 있고 위험이 낮은 결정이라면 잠정적 방향으로 충분할 수 있지만 매출, 고객, 규제, 전략에 관련되면 품질 기준을 높입니다. 오늘 답할 수 있는 것과 없는 것을 구분하고 필요하면 확신도를 표시한 잠정 추정치를 제공합니다. 동시에 정리, 검증, 대조 절차와 신뢰할 수 있는 답변의 일정을 제시합니다. 빠른 오답이 사실로 굳어지는 것을 막으면서 이해관계자가 움직일 수 있게 합니다.

답변 구조 — 영향 → 긴급성 → 공수 → 의존성 → 조율

의사결정 영향, 긴급성, 공수, 의존성, 가역성으로 우선순위를 정합니다. 내일의 출시 결정에 필요한 분석은 선택적인 대시보드 개선보다 보통 우선합니다. 각 요청의 의사결정과 책임자를 확인하고 반복되는 수작업 보고는 자동화 후보로 둡니다. 요청이 충돌하면 무엇을 언제 제공할 수 있는지, 어떤 결정이 의존하는지, 왜 그 순서를 권하는지 설명합니다. 분석 시간은 요청 수가 아니라 의사결정 품질에 사용해야 합니다.