#INTRO
몸살 기운.. 으실으실..
컨디션 조절 잘하기
#코드카타
-
PANDAS
- 정규 표현식 매칭 (str.contains 메서드 사용) :
str.contains()메서드를 사용하여 특정 정규 표현식 패턴과 일치하는지 확인하기# 'DIAB1'로 시작하는 조건 확인 filtered_patients = patients['conditions'].str.contains(r'\bDIAB1', na=False) 정규표현식 (r'\bDIAB1') \b : 단어 경계를 의미하며, DIAB1이 정확히 단어의 시작 부분에 있는지 확인 DIAB1 : 조건이 'DIAB1'로 시작하는 문자열과 일치하는지 확인 na = False : 결측값을 False로 처리하여 필터링 중 오류 방지
- 정규 표현식 매칭 (str.contains 메서드 사용) :
#최종 프로젝트 진행
중간 발표 피드백
오늘 진행한 내용
- 예측 모델 복기
(모델링의 변수 선택과 해석 과정이 올바르게 이루어졌는지 검토하여
모델의 성능과 신뢰도를 높이는 노력)
-
튜터님 피드백
-
예측 모델링 과정에서 기술적으로는 흐름에 문제가 없다.
-
라벨링 되어 있지 않은 데이터를 적용해도
이탈할 것 같은 고객을 예측할 수 있을 것 같아서 전체적인 프로세스가 좋다. -
모델 성능을 높이는 시도를 하려면 Recall 과 Precision 중 어느 곳에 경중을 둘 것인지
고민하고 해당 수치를 높이는 시도를 해볼 수 있을 것 같다.
(하지만 결국 f1_score 를 높이는 게 좋을 수 있을 듯) -
다만, 실제 이탈 고객을 검증하지 못하는 것이 아쉬운 것 같다.
-
실무에서 실제 데이터로 이탈 고객에 대한 검증을 할 수 있다면 좋겠지만,
현 상황에서의 한계점을 인지하되 이탈 고객 예측을 위해 이런 부분까지
시도해봤다는 점을 중점적으로 가져가면 좋을 것 같다. -
추가적으로 XAI(설명가능 인공지능) 중 LIME & SHAP 을 활용해서
머신러닝 모델의 결과를 설명할 수 있으니 시도해보면 좋을 것 같다.
-
-
이탈 고객 재정의
-
RFM 세그멘테이션 중 이탈 고객과 동면 고객, 이탈 우려 고객 등 그룹의 이름이
이탈 그룹을 정의하는 과정에서 복잡하게 설명되는 느낌이 있어서,
RFM 세그먼트를 수정하였다.- 이탈 고객 → 일회성 고객 (Frequency = 1)
동면 고객 (121, 131 추가)
세일 러버 (141, 151 추가) - 동면 고객 ↔ 이탈 우려 고객 (이름 변경)
- 이탈 VIP 고객 → 동면 VIP 고객
- 이탈 고객 → 일회성 고객 (Frequency = 1)
-
바뀐 세그먼트에 따른 교차분석 결과
-
바뀐 세그먼트에 따른
3번 군집 & 이탈 우려 고객 / 4번 군집 & 이탈 우려 고객코호트 리텐션 결과
-
위 과정을 통해 이탈 고객에 대한 재정의를 완료하였고,
훨씬 깔끔한 과정을 통해 이탈 고객을 정의할 수 있었다.
-
- 대시보드 최적화
(이탈 고객 관리 대시보드라는 목적성에 맞는 지표와 기능을 잘 동작할 수 있게 구현하고,
효과적인 시각화를 통해 활용성이 좋은 대시보드를 제작하는 데 노력)
-
BI 대시보드 관련해서는 매출, 고객 관련 대시보드는 어느 정도 완성이 되었으나,
예측 모델링을 활용할 수 있는 주요 대시보드인 이탈 고객 관리 대시보드에 대한 내용들이
다소 중구난방.. 정리가 되지 않았다. -
튜터님의 피드백을 통해 필요한 주요 지표에 대해서는 정리가 되었으나,
(전체 고객 수, 이탈 고위험 고객 수, 활성 고객 수, 채널별 고객 이탈 추이 등)
(보는사람이 간단하게 느낄 수 있도록 (직관적으로 이해할 수 있도록) 제작하면 좋겠다.)이 대시보드를 어떻게 활용하고 무엇을 얻을 수 있는지에 대한 큰 그림이 잘 그려지지 않은 것 같아 내일 레퍼런스들을 찾아보며 이탈 고객 관리 대시보드의 목적과 방향성에 대한 기획 후
모든 내용을 다시 정리하여 제작에 들어갈 예정이다.
#OUTRO
오늘의 한 줄.
오늘은 8시간 잘 거야.
