1. 데이터 소개

1) ERD

---

2. 분석 방법

⇨ 결측치 및 이상치 확인 후 제거
⇨ 전체 고객 및 매출 현황 분석

1) 컬럼 식별화

✅ transaction_hm 테이블에 price 컬럼 식별화: 원화로 변경

• price에 590을 곱해서 달러화
• 1466을 곱해서 원화로 변경 해줌

2) 결측치 처리

✅ 각 테이블에 결측치 조회

• detail_desc 컬럼의 경우 부가적인 정보로 보이므로 삭제하지 않고 진행
• fashion_news_frequency에 결측치 1개 존재

✅ 결측치 삭제

• 삭제 전 fashion_news_frequency 컬럼 행열 개수: (1048575, 6)
• 삭제 후 fashion_news_frequency 컬럼 행열 개수: (1048574, 6)

📌 결측치가 많지 않아 customers_hm 테이블에서만 결측치 제거함

3) 테이블 조인

⭐️ 모든 테이블 조인 후 이상치 분석 후 처리함

✅ 모든 테이블 조인 (merge 사용)

• 조인 과정 중 Table shape 변화 생김👇

  👇 transactions 테이블과 articles 테이블 article_id로 inner 조인(테이블명: ta_df) 후 행열 수 변화

  merge 전	merge 후
  transactions.shape (1048575, 5)	ta_df.shape (1058575, 29)
  articles.shape (105542, 25)

  👇 ta_df 테이블과 customers 테이블 customer_id로 inner 조인(테이블명: hm_df) 후 행열 수 변화

  merge 전	merge 후
  ta_df.shape (1058575, 29)	hm_df.shape (812931, 34)
  cus_df.shape (1048574, 6)

📌 모든 테이블 조인 후 전체 데이터의 행이 812,931개로 줄어듬.

4) 이상치 처리

⭐️ Z-score을 통해 가격 및 나이 이상치 제거

z-score는 데이터가 평균에서 얼마나 떨어져 있는지를 표준편차 단위로 나타내는 값입니다. z-score가 ±3을 초과하면, 해당 데이터는 평균에서 너무 멀리 떨어져 이상치로 간주할 수 있습니다.

✅ Z-score을 사용해 이상치 확인 후 제거

💵 가격 이상치 제거

👇 가격 이상치 제거 후 행열 수 변화

가격 이상치 제거 전	가격 이상치 제거 후
hm_df.shape (812931, 34)	hm_df.shape (803238, 35)

⏰ 나이 이상치 제거

👇 나이 이상치 제거 후 행열 수 변화

가격 이상치 제거 전	가격 이상치 제거 후
hm_df.shape (803238, 35)	hm_df.shape (801985, 35)

📌 가격 이상치 먼저 제거 후 나이 이상치 제거 함.
📌 이상치를 모두 제거한 후, 801,985개의 행을 사용하여 분석을 시작했다.

5) 전체 고객 및 매출 현황 분석

✅ 고객 데이터 분석 시각화

✅ 고객 + 매출 데이터 분석 시각화

✅ 상품 분류별 매출 데이터 분석 시각화

📌 EDA를 통해 데이터를 세밀히 분석해 봤다.

---

3. EDA를 통한 세부 목표 선정

💡 목표 선정 이유 및 세부 분석 방향

❓이유 : 패션 뉴스 구독자가 비구독자보다 매출이 낮았다. 📊

▶️ 세부 분석 방향 :

① 유대감 지표 탐색: 고객과의 유대감 수치화 지표 탐색

② 브랜드 충성도 및 RFM 지표 확인: 브랜드 충성도와 RFM 지표로 유대감을 수치화하고, 고객 세분화 분석을 추진

1) 브랜드 충성도에 따른 고객 분류

• 브랜드 충성도에 따라 고객을 충성, 잠재충성, 휴면, 잠재이탈 고객으로 세분화
• 각 그룹별 고객 생애 가치(CLV)를 분석
  - CLV: 고객이 기업과 관계를 유지하는 기간 동안 발생하는 총 수익

✅ 분류 기준

✔️ 기준 컬럼

• 뉴스 구독 여부
• 회원 상태: 활성, 신규, 탈퇴
• 커뮤니케이션 상태: 활성, 비활성
• 구매 주기

✔️ 고객 분류

• 충성 고객: 최근 14일 이내 구매, 활동적인, 기존 회원
• 잠재 충성 고객: 최근 30일 이내 구매, 활동이 잠시 멈춘, 신규 회원
• 잠재 이탈 고객: 30일 이상 구매 없음, 비활동
• 이탈 고객: 탈퇴 회원

✅ 브랜드 충성도 등급별 사용자 수

✅ 정합성 검정

• ANOVA 검정:
  연속형 변수의 평균이 범주형 변수에 따라 차이가 있는지 분석하는 방법

• ANOVA 결과:
  F-statistic = 2930.34
  p-value = 0.00000

📌 고객군 간 CLV 평균 차이가 통계적으로 유의미하다 판단 후 그대로 진행

✅ 이상치 정합성 검정(CLV 그룹별 평균금액 분포 파악)

• CLV 값 간 관계가 논리적으로 맞는지 확인

• 일반적으로 예상 관계:
  - 충성 고객 > 잠재 충성 고객 > 잠재 이탈 고객 > 이탈 고객

• 그러나 실제 데이터에서는:
  - 이탈 고객의 CLV가 잠재 이탈 고객보다 높음 → 이탈 고객 표본이 110명(현저히 적어 분석 결과에 큰 영향을 끼침)

📌 이탈 고객에 왜 더 많은 비용이 지출됐는지 추가 분석 필요

✅ 브랜드 충성도 등급별 CLV 평균

• 충성 고객 평균 CLV: 1인당 82,139원
• 잠재 충성 고객 평균 CLV: 1인당 79,819원
• 잠재 이탈 고객 평균 CLV: 1인당 49,220원
• 이탈 고객 평균 CLV: 1인당 58,502원

📌 핵심 해석

• F-statistic 값이 크고, p-value가 0에 가까워 고객군 간 CLV 차이가 매우 유의미함
• 고객군 간 CLV 차이가 상당히 크다는 결론 도출

2) RFM을 활용한 고객 등급 분류

• RFM: 최근 구매 시점(Recency), 구매 빈도(Frequency), 구매 금액(Monetary)을 기준으로 고객을 분류하는 방법.

✅ 분석 절차

✅ RFM 분류 기준

• Recency: 최근에 구매했을수록 높은 점수 부여, [1 - recency]로 값을 반전하여 최근 구매일자일수록 점수가 높게 설정
• Frequency: 자주 구매했을수록 높은 점수 부여
• Monetary: 많은 금액을 지출했을수록 높은 점수 부여

⭐️ 점수 산정: 세 요소를 더해 평균을 내고, 평균값 × 100으로 최종 점수 환산

✅ 전체 고객의 RFM 점수 분포

📌 전체 고객의 RFM 점수가 주로 10~40점 사이에 분포하며, 고득점 고객은 소수에 불과하다.

✅ 정합성 검정 및 분포

• ANOVA 검정 결과 (Recency, Frequency, Monetary)

  • Recency
    F-statistic = 1,275,584.16
    p-value = 0.00000
  • Frequency
    F-statistic = 51,534.37
    p-value = 0.00000
  • Monetary
    F-statistic = 39,123.56
    p-value = 0.00000

📌 RFM 특성별로 F-statistic이 크고 p-value가 0에 가까워 고객 등급 간 차이가 유의미하다 판단 후 그대로 진행

✅ 고객군 파악

• A등급 (13,867명, 2.7%): 최우수 고객, 충성도 높음 → 지속적 마케팅으로 유지
• B등급 (151,436명, 29.5%): 우수 고객, 타겟 프로모션으로 A등급 성장 기대
• C등급 (178,305명, 34.7%): 일반 고객, 이탈 가능성 존재 → 리마인드 마케팅 필요
• D등급 (149,659명, 29.1%): 저활성 고객, 거의 이탈 → 재참여 유도 전략 필요
• F등급 (117,692명, 22.9%): 이탈 고객, 브랜드 이탈 → 재활성화 캠페인 시도

📌 A등급은 VIP 고객 유지 전략이, F등급은 재구매 및 재접속 유도 전략이 필요

✅ 월별 파악

• 연말(11~12월) 쇼핑 시즌 효과: 연말 대규모 할인으로 쇼핑 수요 및 고객 등급 상승
• 프로모션 및 마케팅 효과: 연말 프로모션으로 F, D등급 고객 재활성화
• 예산 소진 및 보너스 효과: 보너스 지급 등으로 소비 여력 증가
• 계절적 특성: 겨울 시즌 특수로 패션/리테일 구매 증가

⭐️ 연초에도 연말과 같은 고객 유지 전략이 필요

---

4. 인사이트 도출

1️⃣ 등급별 맞춤 전략

• A등급(VIP 고객): 유지 및 리워드 전략 강화
  → 프리미엄 혜택 제공, VIP 프로모션, 정기구독, 맞춤형 추천 상품 제공 - F 등급 (이탈 위험 고객): 재참여 유도
  → 할인 쿠폰, 리마인드 마케팅, 재구매 유도를 위한 개인화 프로모션 진행

2️⃣ 빠른 재구매 결정을 유도하는 장바구니 쿠폰 제공

• 장바구니에 일정 기간 동안 보관된 상품에 대해 특별 할인 쿠폰 제공
• 즉각적인 구매 전환율 증가 및 재구매 활성화 유도

3️⃣ 계절별 관심 카테고리 기반 신제품 추천 시스템 구축

• 고객의 이전 구매 이력과 관심 카테고리를 분석하여 맞춤형 추천 제공
• 시즌별 트렌드에 맞춘 개인화된 상품 노출로 구매 유도

4️⃣ 구매 적립금 및 멤버십 혜택 강화

• 일정 금액 이상 구매 시 적립금 제공을 통해 장기적 고객 관계 형성
• 회원 등급별 차별화된 혜택(무료배송, 독점 할인 등) 제공

5️⃣ 온라인 수거 서비스 연계 적립 혜택 도입

• 지속 가능한 소비를 유도하기 위해 온라인 수거 서비스 이용 시 추가 적립 서비스 제공
• 친환경 브랜드 이미지 구축 및 고객의 브랜드 재방문 유도

---

5. 전체 PPT