PM(프로덕트 매니저) 면접 준비 예시

허들러스에서 가입 후 첫 결제까지의 이탈을 줄이는 과제를 맡았을 때, 먼저 인터뷰 14회와 사용성 테스트 9세션에서 입력 부담과 단계별 망설임을 확인했습니다. 저는 필드를 줄여도 결제에 필요한 정보는 남기면 전환이 개선될 것이라고 가설을 세웠습니다. 개편 전후를 가입 완료자 기준으로 비교하고, 가입 후 7일 안에 첫 결제한 비율을 핵심 지표로 삼았습니다. 같은 유입 채널을 기준으로 각각 8주간 관찰해 6.1%에서 11.4%로 상승한 것을 확인했습니다. 화면 세 개와 온보딩 단계를 7개에서 4개로 바꾼 결과였습니다. 전환 변화뿐 아니라 유입 구성도 함께 봐야 한다는 점을 배웠습니다.

허들러스에서 결제 실패 사유 23종이 서로 다른 이름으로 관리돼 원인별 대응을 정하기 어려웠습니다. 저는 실패 로그와 고객 문의를 대조해 사용자가 취할 다음 행동이 같은 사유끼리 묶고, 일시적 오류, 결제 정보 오류, 한도 문제 등 5개 그룹으로 재분류했습니다. 일시적 오류에는 재시도를, 정보 오류에는 카드 변경을 우선 안내하도록 복구 흐름을 설계했습니다. 출시 전후 각 3개월의 월평균을 비교해 실패 뒤 7일 내 복구율은 22%에서 51%로, 결제 문의는 월 480건에서 190건으로 바뀌었습니다. 원인 분류가 실행 가능한 행동으로 이어져야 복구 경험이 개선된다는 점을 배웠습니다.

허들러스에서 결제 실패 후 다음 행동을 모르는 사용자가 많아 재시도와 카드 변경 안내의 효과를 확인하는 실험을 운영했습니다. 저는 안내를 실패 사유에 맞춰 구분하면 기존 공통 안내보다 7일 내 결제 복구율이 높아질 것이라고 가설을 세웠습니다. 실패 사용자를 무작위로 나눠 기존 안내와 새 흐름을 비교하고, 복구율을 성공 지표로, 고객센터 문의와 중복 결제를 가드레일로 정했습니다. 표본은 각 군 2천 명을 목표로 삼고, 오류나 문의가 급증하면 중단하도록 기준을 문서화했습니다. 복구율이 22%에서 51%로 올라 새 흐름을 확대했습니다. 유의차가 없던 실험도 남겨 다음 판단에 활용했습니다.

허들러스에서 해지 사유가 개별 항목으로 흩어져 개선 우선순위를 정하기 어려웠습니다. 저는 설문 응답 2,340건과 인터뷰 18건을 가격, 사용 빈도, 기능 부족의 세 축으로 분류하고, 응답 빈도와 개선 가능성, 예상 사용자 영향을 기준으로 과제 6건을 정리했습니다. 그중 여러 사용자군에 적용 가능하고 빠르게 검증할 수 있는 4건을 먼저 릴리즈했습니다. 반영 전 3개월과 반영 후 3개월의 월 해지율을 같은 기준으로 비교해 4.8%에서 3.5%로 낮아진 것을 확인했습니다. 동시기 변화도 함께 살피며 결과를 과제별 효과로 과장하지 않았습니다. 해지 이유를 실행 가능한 과제로 연결하는 것이 중요하다고 배웠습니다.

허들러스에서 온보딩 이탈을 분석할 때 저는 가입 단계별 완료율과 다음 단계 이동률을 확인해 어느 구간에서 사용자가 멈추는지 질문을 세웠습니다. SQL로 가입 이벤트를 주별로 집계하고, 기기 유형과 유입 채널별로 나눠 특정 화면에서 이탈이 높아지는 양상을 확인했습니다. 이후 해당 화면의 입력 항목과 사용자의 이해도를 인터뷰와 사용성 테스트로 살폈고, 불필요한 항목을 줄이는 개편으로 연결했습니다. 개편 뒤 7일 내 첫 결제 전환율은 6.1%에서 11.4%로 상승했습니다. 숫자를 쿼리로 확인한 뒤 사용자 맥락과 함께 해석해야 올바른 제품 결정을 할 수 있다는 점을 배웠습니다.

첫 달에는 무료 체험 시작부터 첫 결제까지의 퍼널을 이벤트 정의와 분모, 관찰 기간부터 맞추겠습니다. 체험 시작, 가입 정보 입력, 결제 수단 등록, 결제 시도, 성공으로 단계를 나누고 단계별 이탈률을 보겠습니다. 이어 유입 경로, 기기, 신규·재방문 사용자별 차이를 확인해 세 곳의 큰 이탈 구간을 우선 정리하겠습니다. 저는 허들러스에서 입력 필드를 19개에서 8개로 줄이고 단계를 7개에서 4개로 바꿔 7일 내 첫 결제 전환율을 6.1%에서 11.4%로 높였습니다. 온리브랩에서도 수치만으로 원인을 단정하지 않고 로그와 사용자 조사로 원인을 검증하겠습니다.

저는 사용 빈도 부족으로 해지하는 사용자를 구분하기 위해 체험과 결제 이후의 주간 이용 일수, 운동 시작률, 콘텐츠 완료율, 첫 이용까지 걸린 시간을 먼저 보겠습니다. 이용 빈도와 해지 시점의 관계를 사용자군별로 나누고, 설문과 인터뷰로 실제 장벽을 확인하겠습니다. 허들러스에서는 설문 2,340건과 인터뷰 18건을 분석해 해지 사유를 세 축으로 분류하고, 과제 6건 중 4건을 릴리즈해 월 해지율을 4.8%에서 3.5%로 낮췄습니다. 온리브랩에서는 이용 알림이나 짧은 운동 계획처럼 부담이 다른 방안을 검증하고, 재가입은 해지 후 일정 기간 내 재결제율과 환불·문의 증가를 함께 보겠습니다.

전환율은 오르지만 3개월 안의 해지가 늘었다면 먼저 해지가 특정 유입 경로나 체험 사용자군에 집중되는지 확인하겠습니다. 그다음 첫 주 실제 이용 빈도와 콘텐츠 완료율을 보고, 첫 결제 뒤 기대와 이용 경험의 차이가 원인인지 인터뷰로 검증하겠습니다. 원인이 확인되면 온보딩에서 주간 운동 계획을 선택하게 하는 방안을 대조군과 비교하겠습니다. 성공 기준은 첫 결제 전환을 유지하면서 3개월 내 해지를 낮추는 것으로 두고, 고객 불만과 환불을 가드레일로 삼겠습니다. 저는 실험 문서에 지표, 표본 수, 중단 기준을 필수화하고 누적 47건을 운영했습니다. 단기 전환과 초기 유지가 함께 좋아지는지 판단하겠습니다.

가격이나 요금제 자체를 바꾸는 실험을 설계한 경험은 없습니다. 다만 허들러스에서 온보딩과 결제 복구 과제를 맡으며 사용자의 결제 행동과 전환 지표를 개선했습니다. 결제 실패 사유 23종을 5개 그룹으로 나누고 복구 흐름을 바꿔 월 이탈 금액을 3,200만 원에서 1,150만 원으로 줄였습니다. 이 경험을 가격 실험으로 포장하지 않고, 입사 후 첫 1개월 동안 온리브랩의 요금제별 전환, 환불, 유지 데이터를 확인해 가격 가설과 보호 지표를 정리하겠습니다. 이후 데이터 분석가와 가격 변경 범위와 표본 설계를 검토하고, 전환뿐 아니라 초기 유지까지 측정하는 실험안을 만들겠습니다.

구독 LTV를 직접 모델링한 경험은 없습니다. 대신 허들러스에서 해지 사유와 결제 데이터를 연결해 개선 우선순위를 정했고, 해지 과제 4건을 릴리즈한 뒤 월 해지율이 4.8%에서 3.5%로 바뀌는 것을 확인했습니다. 입사 후 첫 1개월에는 온리브랩의 요금제별 결제액, 갱신, 해지, 환불 데이터를 정의하고 코호트별 유지와 매출 흐름을 확인하겠습니다. 3개월 안에는 분석가와 함께 관측 기간과 할인율 등 가정을 명시한 초기 LTV 산정안을 만들고, 채널이나 사용자군별 투자 우선순위를 검토하는 데 활용하겠습니다.

온보딩 개편 당시 화면 세 개를 모두 바꾸자는 방향과 8주 안에 검증 가능한 범위로 한정하자는 요구 사이에 일정 위험이 있었습니다. 저는 단계별 이탈과 입력 부담을 근거로 가입 완료에 직접 영향을 주는 필드 축소와 안내 개선을 우선하고, 시각적 정리처럼 전환과 직접 연결되지 않는 변경은 뒤로 미뤘습니다. 개발팀과 화면별 요구사항, 예외 상황, 검증 항목을 나눠 정리하고 매주 미완료 의존성을 확인했습니다. 그 결과 8주 안에 출시했고 일정 지연은 없었으며, 온보딩 단계는 7개에서 4개로 줄었습니다. 범위를 줄이는 결정은 무엇을 제외했는지와 후속 확인 지표까지 함께 합의해야 한다고 배웠습니다.

새담소프트에서 배포 뒤 회차 평균 7건의 결함이 반복돼 QA 두 명과 테스트 범위를 다시 잡았습니다. 저는 기존 결함 접수 내역을 유형별로 묶어 업무 저장, 권한, 알림처럼 사용자 영향이 크고 재발이 잦은 항목부터 검증하도록 제안했습니다. QA와 함께 재현 조건과 기대 결과를 테스트 케이스로 정리하고, 릴리즈 일정에 맞춰 핵심 흐름과 변경 기능을 우선 확인한 뒤 나머지 회귀 항목을 배치했습니다. 186건의 테스트 케이스를 정리한 뒤 2주 단위 릴리즈 34회를 운영했고, 배포 후 결함은 회차 평균 7건에서 2건으로 줄었습니다. 결함 건수뿐 아니라 영향도와 재발 가능성으로 범위를 정하는 것이 효과적이었습니다.