TIL(24.08.19.)

---

#INTRO

부트캠프 마지막 주 ! 시작 !

끝까지 화이팅 : )

---

#코드카타

• KATA #113

• PANDAS

  • .melt() 메서드를 활용하여 데이터 재구조화 (PIVOT)

    ' melt() '
    # 'id_vars'로 기준이 되는 열 지정 ('product_id')
    # 'var_name'으로 새로운 열 이름 지정 ('store')
    # 'value_name'으로 값이 되는 열 이름 지정 ('price')
    pivot_prod = products.melt(id_vars=['product_id'], var_name='store', value_name='price')
    

  • .dropna() 메서드로 결측값 ( null ) 제거

    ' dropna() '
    # subset = ['price'] (price 열에서 결측값이 있는 행 제거)
    pivot_prod = df_melted.dropna(subset=['price'])
    

  • .reset_index() 메서드로 인덱스 초기화

    ' reset_index() '
    # drop = True (기존 인덱스 삭제), inplace = True (원본 데이터 대체)
    pivot_prod.reset_index(drop=True, inplace=True)
    

---

#최종 프로젝트 진행

최종 대시보드 제작

.
[ 기본 KPI ] (1번 대시보드)

추가 보완 사항

• 제품군 필터링 위치 조정 + 제품군 드릴 다운과 매출 상위 TOP 3 제품 동작 필터 연동

.

[ 고객 현황 ] (2번 대시보드)

추가 보완 사항

• 세그먼트 필터링 아이콘 수정
• 각 지표 동작 필터 연동

.
[ 이탈 고객 관리 ] (3번 대시보드)

추가 보완 사항

• 위험군별 연령 분포 시각화
• 위험군 + 세그먼트 필터링 고객 리스트
  (고객 ID, 고객별 선호 제품군, 총 구매액, 최근 구매일자)
• 고객 리스트 다운로드 아이콘 생성

---

프로젝트 정리

KEY POINT
프로젝트 배경 (이탈 고객 관리의 중요성)
분석 과정 (RFM, 군집, 이탈 예측 모델링)
결과 (BI 대시보드)

이탈 고객 방지에 대한 노력이 필요한 이유 설득
→ 고객 거래 데이터 기반 RFM 분석, 군집 분석을 통한 고객 분류 + 이탈 고객 정의
→ 이탈 고객 예측 모델링 (분류모델, LGBM)
→ BI 대시보드 (+ 이탈 고객 관리 대시보드) 를 활용한 이탈 고객 방지
→ 이탈 고객 방지를 통해 얻을 수 있는 이익 수치화 (가정)

---

마지막 결론 부분까지 논리타당할 수 있게 대시보드 시연 등 발표 자료 마무리가 중요하다 !

---

#OUTRO

오늘의 한 줄.

내일 잘 마무리 해보자 !