데이터 분석가면접 답변

먼저 비즈니스 질문을 명확히 합니다 — 「판매를 분석해 주세요」처럼 모호한 요청은 범위가 너무 넓습니다. 저는 분석이 어떤 의사결정을 지원할지를 파악하기 위해 질문을 심층적으로 탐색합니다. 그런 다음 데이터 가용성과 품질을 평가하고, 분석 접근법을 설계하며, 구축 전에 이해관계자들과 가정을 검증합니다. 결과는 「핵심(so what)」을 먼저 제시하고, 그 뒤에 증거로 뒷받침합니다. 목표는 데이터 덩어리가 아니라 실행 가능한 인사이트입니다.

저는 모든 파이프라인에 데이터 검증을 구축합니다: 결측(null), 중복, 이상치, 참조 무결성 등을 점검합니다. 분석 전에 데이터 프로파일링을 수행해 분포, 행 수, 기대 값 범위를 파악합니다. 데이터 계보(lineage)와 변환을 문서화하여 다른 사람이 제 작업을 감사할 수 있게 합니다. 이상을 발견하면 진행하기 전에 근본 원인을 조사합니다. 좋은 분석은 기반 데이터만큼만 좋으므로 엔지니어링 팀에 데이터 품질 문제를 제기하는 것을 주저하지 않습니다.

SaaS 제품의 고객 이탈(churn) 패턴을 분석했는데, 온보딩을 14일 내에 완료하지 못한 고객의 이탈률이 3배 높다는 점을 발견했습니다. 이를 코호트 분석과 생존곡선으로 제품팀에 제시했습니다. 제품팀은 온보딩 흐름을 재설계하고 7일째에 사람이 직접 확인하는 체크인을 추가했습니다. 세 달 뒤 90일 유지율이 18% 개선됐습니다. 이런 분석은 비즈니스 운영 방식을 바꿉니다.

SQL은 데이터 추출과 변환을 위한 주요 도구입니다 — 윈도우 함수, CTEs, 쿼리 최적화에 익숙합니다. 더 복잡한 분석과 자동화에는 Python(pandas, NumPy, matplotlib, seaborn)을 사용합니다. 시각화와 리포팅은 스택에 따라 Tableau, Power BI 또는 Looker를 사용합니다. BigQuery, Snowflake, Redshift 등 클라우드 데이터웨어하우스 경험이 있습니다. 저는 질문에 적합한 도구를 선택합니다 — 가장 인상적인 도구가 아니라 적합한 도구를 씁니다.

숫자를 비즈니스 언어로 번역합니다. 예를 들어 R-제곱이 0.87이라는 말 대신 "우리 모델은 수익 변동의 87%를 설명한다"고 말합니다. 인사이트와 권고를 먼저 제시하고, 더 깊이 보려는 사람들을 위해 증거를 제공합니다. 불필요한 차트 요소를 제거한 명확하고 잘 라벨된 시각화를 사용하며, 이야기를 전달하는 내러티브를 만듭니다. 현장에서 나오는 「what if」 질문에도 답할 수 있도록 데이터를 충분히 숙지하고 대비합니다.

모순은 환영합니다 — 종종 가장 가치 있는 인사이트를 드러내기 때문입니다. 먼저 분석 오류가 없는지 재검토합니다. 데이터가 유지된다면 왜 기대와 다른지 조사합니다. 때로는 상류의 데이터 품질 문제일 수 있고, 다른 경우에는 데이터가 기존 가정이 따라잡지 못한 비즈니스 실체를 드러내는 경우도 있습니다. 저는 모순을 투명하게 제시하고 맥락과 추가 조사에 대한 권고를 함께 제공합니다. 기대하는 답에 맞추기 위해 데이터를 조정하지는 않습니다.

랜딩 페이지 최적화부터 가격 실험까지 수십 건의 A/B 테스트를 설계하고 분석해 왔습니다. 사전에 필요한 표본 크기를 계산해 통계력이 부족한(underpowered) 테스트를 피하고, 트래픽을 고려해 실행 기간을 결정하며, 그룹 간 사전 차이를 확인하기 위해 A/A 테스트를 수행합니다. 상황에 따라 t-검정, 카이제곱, 또는 베이지안 방법 등 적절한 통계 검정을 사용하고, 통계적 유의성뿐만 아니라 실무적 유의성도 항상 고려합니다. 또한 언제 A/B 테스트를 하지 말아야 할지도 압니다.

요청을 잠재적 비즈니스 임팩트, 데이터 가용성, 이해관계자의 긴급성으로 점수화합니다. 투명한 백로그를 유지하고 매니저 및 주요 이해관계자들과 정기적으로 우선순위를 논의합니다. 가치가 낮은 요청에는 이의를 제기하거나 질문의 틀을 바꿔 더 유용한 분석을 제안하는 것을 두려워하지 않습니다. 또한 분석 요청을 기다리기보다 가치 있을 분석을 적극적으로 제안합니다 — 요청을 기다리면 가치를 제공할 기회를 놓치게 됩니다.