Netflix 면접 질문

Netflix 면접의 초점

일반적인 Netflix 면접 질문

• 사용자 시청 이벤트(userId, timestamp, genre) 목록이 주어졌을 때, 지난 30일 동안 사용자별 상위 3개 장르를 반환하는 함수를 작성하세요.
  좋은 답변이 다루는 것

  • 시간 윈도우 필터링 (현재 시각 기준 30일)
  • 사용자-장르별 카운팅 (dict of dict)
  • Top 3 추출 (heapq.nlargest 또는 정렬)
  • 시간 복잡도 O(n log k), 공간 복잡도 O(u * g)

  샘플 답변 보기

  문제: 사용자 시청 이벤트(userId, timestamp, genre) 목록이 주어졌을 때, 지난 30일 동안 각 사용자별로 가장 많이 시청한 상위 3개 장르를 반환하는 함수를 작성해야 합니다. 핵심은 시간 윈도우를 적용하고 사용자별로 장르 빈도를 집계한 후 상위 k개를 효율적으로 추출하는 것입니다. 시간 복잡도는 이벤트 수 n에 대해 O(n)으로 집계하고, 사용자당 장르 수 m에 대해 O(m log k)로 상위 k를 추출하므로 전체적으로 O(n log k)입니다. k=3이므로 O(n)에 가깝습니다. 공간 복잡도는 사용자 수 u와 고유 장르 수 g에 대해 O(u * g)입니다. 다음은 Python 구현입니다.

  from collections import defaultdict
  import heapq
  from datetime import datetime, timedelta
  
  def top3_genres_last_30_days(events):
      # 현재 시각 (실제로는 파라미터로 받거나 고정)
      now = datetime.now()
      cutoff = now - timedelta(days=30)
      
      # 사용자별 장르 카운트
      user_genre_counts = defaultdict(lambda: defaultdict(int))
      for uid, ts, genre in events:
          # timestamp가 datetime 객체라고 가정
          if ts >= cutoff:
              user_genre_counts[uid][genre] += 1
      
      result = {}
      for uid, counts in user_genre_counts.items():
          # 상위 3개 장르 추출 (빈도 내림차순)
          top3 = heapq.nlargest(3, counts.items(), key=lambda x: x[1])
          result[uid] = [genre for genre, _ in top3]
      return result

• Netflix에서 다음 시청할 타이틀을 추천하는 시스템을 설계하세요. 개인화, 확장성, 지연 시간 제약을 고려하세요.
  좋은 답변이 다루는 것

  • 오프라인/온라인 분리 (사전 계산된 임베딩, 실시간 추론)
  • 후보 생성 (공동 시청, 유사 콘텐츠, 인기도)
  • 랭킹 모델 (CTR 예측, DeepFM 등)
  • 지연 시간 최적화 (캐싱, 근사 최근접 이웃, 프리픽스 트리)
  • 확장성 (샤딩, 클러스터, 비동기 파이프라인)

  샘플 답변 보기

  개인화된 다음 시청 추천 시스템은 오프라인과 온라인의 조합으로 설계합니다. 오프라인에서는 사용자와 아이템의 임베딩(컨텐츠 기반, 협업 필터링)을 주기적으로 계산하고, 각 사용자에 대해 후보 세트(예: 유사 아이템, 시청 완료한 시리즈의 다음 에피소드, 인기 콘텐츠)를 미리 생성합니다. 온라인에서는 사용자의 실시간 인터랙션(예: 시청 시작, 일시 정지)을 고려하여 후보를 동적으로 업데이트하고, 경량 랭킹 모델(예: GRU4Rec)로 점수를 계산해 상위 N개를 반환합니다. 확장성을 위해 마이크로서비스 아키텍처를 사용하고, 각 단계별로 캐시(Redis, CDN)를 도입합니다. 지연 시간은 100ms 이내를 목표로 하며, 근사 최근접 이웃(Annoy, Faiss)으로 유사도 검색을 최적화하고, 프리픽스 트리로 실시간 검색을 지원합니다. A/B 테스트로 성능을 검증하고, 모니터링을 통해 정확도와 지연 시간을 지속적으로 개선합니다.

• 기술적 접근 방식에 대해 매니저나 동료와 의견이 달랐던 경험에 대해 말씀해 주세요. 어떻게 처리하셨나요?
  좋은 답변이 다루는 것

  • STAR 기법 (상황, 과제, 행동, 결과)
  • 데이터 중심 논의
  • 절충안 탐색
  • 결정 후 집단 몰입 강조

  샘플 답변 보기

  과거 한 프로젝트에서 매니저와 마이크로서비스 적용 여부에 대해 의견 차이가 있었습니다. 매니저는 기존 모놀리식 방식을 선호했고, 저는 미래 확장성을 위해 마이크로서비스를 주장했습니다. 상황을 분석하여 모놀리식의 장점(단순함, 일관성)을 인정하면서도, 특정 모듈의 트래픽이 급증할 경우 마이크로서비스가 이점이 있음을 데이터(예상 부하 테스트)로 제시했습니다. 제안한 절충안은 핵심 비즈니스 로직은 모놀리식으로 유지하고, I/O 집약적인 추천 부분만 별도 서비스로 분리하는 것이었습니다. 매니저도 동의하여 파일럿으로 진행했고, 결과적으로 성공적으로 분리되었습니다. 이 경험으로 데이터 기반 논의와 상호 존중이 중요함을 배웠습니다.

• 스트리밍 세션을 나타내는 겹치는 간격을 병합하는 함수를 구현하세요. 큰 입력 크기에 최적화하세요.
  좋은 답변이 다루는 것

  • 간격 정렬 후 병합 (O(n log n))
  • 인플레이스 병합 또는 새 리스트 생성
  • 겹침 조건: 현재 시작 <= 이전 끝
  • 큰 입력에 최적화: 스트리밍, 외부 정렬 고려

  샘플 답변 보기

  겹치는 간격을 병합하는 함수는 표준적인 알고리즘입니다. 먼저 시작 시간 기준으로 정렬한 후, 리스트를 순회하며 현재 간격이 이전 간격과 겹치는지 확인하고 병합합니다. 겹침 조건은 현재 시작 <= 이전 끝입니다. 시간 복잡도는 정렬에 O(n log n), 병합에 O(n)입니다. 공간 복잡도는 정렬에 O(1) 또는 O(n)이며, 결과 리스트가 필요하므로 O(n)입니다. 큰 입력에 최적화하려면 스트리밍 방식으로 정렬을 수행하거나 외부 정렬을 사용할 수 있습니다. Python 구현은 아래와 같습니다.

  def merge_intervals(intervals):
      if not intervals:
          return []
      # 시작 시간 기준 정렬
      intervals.sort(key=lambda x: x[0])
      merged = [intervals[0]]
      for start, end in intervals[1:]:
          last_start, last_end = merged[-1]
          if start <= last_end:
              # 겹치면 끝을 max로 병합
              merged[-1][1] = max(last_end, end)
          else:
              merged.append([start, end])
      return merged

• Netflix의 글로벌 콘텐츠 전송 네트워크(CDN)를 설계하여 여러 지역에서 낮은 지연 시간 스트리밍을 보장하세요.
  좋은 답변이 다루는 것

  • 엣지 서버 배포 (리전별 오리진 서버)
  • 애니캐스트 라우팅으로 사용자 최근접 서버 연결
  • 계층적 캐싱 (L1: 엣지, L2: 리전, 오리진)
  • 콘텐츠 사전 배치 (인기 콘텐츠, 예측)
  • 부하 분산, 장애 조치, 모니터링

  샘플 답변 보기

  글로벌 CDN 설계에서는 각 리전에 엣지 서버 클러스터를 배치하고, 애니캐스트 라우팅으로 사용자를 가장 가까운 엣지로 연결합니다. 콘텐츠는 계층적으로 캐싱합니다: 엣지 서버는 자주 접근되는 세그먼트를 캐시하고, 미스 시 리전 캐시, 최종적으로 오리진 서버에서 가져옵니다. 인기 콘텐츠는 사전에 엣지에 배치하고, 덜 인기 있는 콘텐츠는 수요 기반으로 캐시합니다. 스트리밍에 최적화하기 위해 HTTP/2, QUIC 프로토콜을 사용하고, 적응형 비트레이트(ABR) 스트리밍을 지원합니다. 확장성을 위해 자동 스케일링과 부하 분산(ELB)을 적용하고, 지역 장애 대비 다른 리전으로 failover합니다. Netflix의 Open Connect 어플라이언스와 유사한 전용 서버를 ISP에 설치하는 전략도 고려할 수 있습니다.

• 직장에서 상당한 위험을 감수했던 상황을 설명해 주세요. 결과는 무엇이었고 무엇을 배웠나요?
  좋은 답변이 다루는 것

  • 명확한 상황 정의 (위험 요소, 잠재적 영향)
  • 완화 계획 수립 (롤백, 모니터링)
  • 이해관계자 소통
  • 결과 평가 및 학습

  샘플 답변 보기

  한 번은 레거시 배치 시스템을 실시간 스트리밍 시스템으로 전환하는 프로젝트에서 큰 위험을 감수했습니다. 기존 시스템이 장애 발생 시 데이터 손실 가능성이 있었고, 전환 기간 동안 서비스 중단이 발생할 수 있었습니다. 저는 단계적 롤아웃 계획을 수립하고, 각 단계마다 완전 롤백 가능하도록 준비했습니다. 팀과 함께 모니터링 대시보드를 구축하고, 주요 이해관계자(영업, 고객 지원)에게 일정과 위험을 사전에 공지했습니다. 첫 번째 단계에서 예상치 못한 메모리 누수가 발견되었지만, 즉시 롤백하여 데이터 손실 없이 복구했습니다. 이후 문제를 수정하고 다시 배포하여 결국 성공했습니다. 이 경험으로 리스크 관리의 중요성과 철저한 준비가 큰 위험을 극복하는 핵심임을 배웠습니다.

• 사용자가 특정 기기에서 버퍼링 문제를 보고합니다. 시작부터 끝까지 문제 해결 과정을 설명해 주세요.
  좋은 답변이 다루는 것

  • 단계적 접근 (문제 격리, 데이터 수집)
  • 클라이언트 측 분석 (디바이스, 네트워크, 플레이어)
  • 서버/CDN 측 분석 (캐시 히트, 지연 시간)
  • 가설 설정 및 검증 (예: 특정 ISP, 비트레이트)
  • 해결책 도출 (캐싱 최적화, ABR 조정)

  샘플 답변 보기

  특정 기기(예: 구형 스마트 TV)에서 버퍼링 문제를 해결하기 위해 다음과 같이 단계별로 접근합니다. 1) 문제 재현: 사용자 보고서, 로그, 디바이스 정보를 수집합니다. 2) 네트워크 확인: 클라이언트의 대역폭, 패킷 손실을 측정하고, CDN 엔드포인트까지의 지연 시간을 추적합니다. 3) CDN 분석: 해당 지역의 엣지 서버 캐시 히트율, 오리진 응답 시간을 확인합니다. 4) ABR 로직: 디바이스가 가장 낮은 비트레이트를 선택하는지, 또는 네트워크 변동에 민감한지 검토합니다. 5) 가설: 구형 기기의 디코딩 성능 부족 또는 CDN 엣지에서의 지연이 원인일 수 있습니다. 6) 해결: 해당 기기에 대해 낮은 비트레이트 스트림을 강제 제공하거나, 디바이스 특성에 맞는 ABR 파라미터를 조정하고, CDN에 프리페치 규칙을 추가합니다. 모든 변경 후 A/B 테스트로 효과를 검증합니다.

• 팀 의사 결정 과정에서 다양한 관점이 듣고 존중받도록 어떻게 보장하나요? 구체적인 예를 들어 주세요.
  좋은 답변이 다루는 것

  • 포용적인 회의 문화 조성
  • 라운드 로빈 의견 수렴
  • 데이터 기반 결정 (데이터로 팩트 체크)
  • 결정 후 피드백 루프 (사후 검토)

  샘플 답변 보기

  팀 의사 결정에서 다양한 관점이 존중받도록 하기 위해 회의 전에 의제와 배경 자료를 공유하고, 모든 팀원이 준비할 시간을 줍니다. 회의 중에는 라운드 로빈 방식으로 각자 의견을 말할 기회를 보장하며, 익명 투표를 도입해 파워 관계의 영향을 최소화합니다. 예를 들어, 새로운 데이터 파이프라인 아키텍처를 결정할 때, 엔지니어, 데이터 과학자, 제품 매니저가 각기 다른 우선순위를 가졌습니다. 저는 모든 옵션의 장단점을 데이터(비용, 지연 시간, 유지보수 복잡성)로 비교한 표를 준비하고, 각자 우선순위를 매기게 했습니다. 최종적으로 가장 균형 잡힌 옵션을 선택했고, 그 결정을 문서화하여 추후 문제 발생 시 근거를 확인할 수 있게 했습니다. 이 과정을 통해 팀의 신뢰와 참여도가 높아졌습니다.

준비 팁

• Netflix 문화 덱을 철저히 공부하고, 특히 솔직함과 판단력과 같은 각 가치를 보여주는 스토리를 준비하세요.
• Netflix 특화 컨텍스트(추천, 스트리밍 파이프라인, 카오스 엔지니어링)로 시스템 디자인을 연습하세요.
• 코딩 라운드의 경우 효율적이고 깔끔한 코드 작성에 집중하고 트레이드오프를 논의하세요. 스트리밍 데이터 시나리오(예: 대규모 로그, 시간 창)를 사용하세요.
• STAR 방법을 사용하여 행동 답변을 준비하고 주인 의식과 영향을 강조하세요. 깊이를 탐구하는 후속 질문을 예상하세요.
• 빠른 질문과 높은 기대에 대비하세요. 침착함을 유지하고, 소리 내어 생각하며, 지적 호기심을 보여주세요.

자주 묻는 질문