EDA 분석
- 일변량 EDA(Univariate EDA) : 하나의 컬럼에 대해서만 분석
- 구매건에 대한 제품의 가격이 어떻게 분포되어 있는지, 평균 가격, 제일 비싼 가격, 저렴한 가격 등등 확인
- 다변량 EDA(Multivariate EDA) : 두 개 이상의 컬럼을 종합해서 인사이트 종합
- 판매 물건의 가격과 배송비 사이의 관계, 카테고리별 평균 가격, 등등
1. Customers (olist_customers_dataset.csv) EDA
| 컬럼 이름 | 데이터 타입 | 설명 |
|---|---|---|
| customer_id | VARCHAR | 고객 고유 식별자 |
| customer_unique_id | VARCHAR | 고객의 고유 ID |
| customer_zip_code_prefix | INT | 고객의 우편번호 앞부분 |
| customer_city | VARCHAR | 고객의 도시 정보 |
| customer_state | VARCHAR | 고객의 주 정보 |
일변량 EDA(Univariate EDA)
다변량 EDA(Multivariate EDA)
1. 도시별 고객 수와 주별 고객 수의 관계
- 상위 10개 도시만을 먼저 뽑앗을 떄, SP 주의 갯수가 가장 많이 포함 되어있는 것을 확인할 수 있다.
- São Paulo와 Rio de Janeiro 의 고객 수가 가장 많은 주요 도시이며, 이들 도시는 브라질에서 매우 중요한 시장임을 알 수 있음.
- 각 주에서 특정 도시에 고객이 집중 되는 경향
2. 고객의 주문 횟수와 지역(주, 도시)간의 상관관계
- 주별 고객 수와 평균 주문 횟수 간의 상관관계 : 주별로 고객 수가 많아지더라도 평균 주문 횟수에는 큰 변확가 없다. 고객 수가 적은 주와 많은 주 모두 평균 주문 횟수가 대체로 비슷한 범위 내에 분포
- 특정 주에서 총 주문 수가 많다 하더라도 고객들이 여러 번 반복해서 구매하는 경향은 상대적으로 고정되어 있음을 의미. 따라서 고객 수가 많은 주에 집중하는 전략보다는 개별 고객의 재구매를 유도하는 것이 중요하다
- 추가적인 마케팅 활동을 통해 특정 주의 고객들로부터 더 높은 재구매율을 유도하는 전략 고려
3. 고객의 구매 행동 분석(RFM 분석) *** 나중에 고려해보길..
R(Recency,얼마나 최근) : 고객이 마지막으로 주문한 시점 데이터를 통해 얼마나 자주 구매 했는지 분석. 이 데이터를 통해 마케팅 활동을 개선 가능
F(Frequency, 얼마나 자주) : 고유 고객 id를 기준으로 고객의 주문 횟수를 분석. 구매 빈도에 따른 고객 세그먼트(충성 고객, 이탈 고객 등) 식별
M(Monetary, 얼마나 많이) : 다른 테이블과 결합하여 고객별 평균 주문 금액 분석 가능
2. Orders (olist_orders_dataset.csv) EDA
| 컬럼 이름 | 데이터 타입 | 설명 |
|---|---|---|
| order_id | VARCHAR | 주문 고유 식별자 |
| customer_id | VARCHAR | 고객 테이블과 연결되는 고객 식별자 |
| order_status | VARCHAR | 주문 상태 (배송 완료, 결제 완료 등) |
| order_purchase_timestamp | TIMESTAMP | 고객이 주문한 시간 |
| order_delivered_carrier_date | TIMESTAMP | 운송사가 배송을 시작한 시간 |
| order_delivered_customer_date | TIMESTAMP | 고객에게 최종 배송된 날짜 |
| order_estimated_delivery_date | TIMESTAMP | 예상 배송 날짜 |
일변량 EDA(Univariate EDA)
다변량 EDA(Multivariate EDA)
3. Order Items (olist_order_items_dataset.csv) EDA
| 컬럼 이름 | 데이터 타입 | 설명 |
|---|---|---|
| order_id | VARCHAR | 주문 고유 식별자 |
| order_item_id | INT | 주문 내에서의 각 상품의 식별자 |
| product_id | VARCHAR | 상품 고유 식별자 |
| seller_id | VARCHAR | 판매자 고유 식별자 |
| shipping_limit_date | TIMESTAMP | 판매자가 상품을 발송해야 하는 마감일 |
| price | FLOAT | 상품의 판매가 |
| freight_value | FLOAT | 상품의 배송비 |
일변량 EDA(Univariate EDA)
1. 가격의 분포
- 가격컬럼에 대한 히스토그램을 그려 상품 가격분포를 확인.
- 대다수의 값들이 1000 이하에 집중되어 있고, 극소수의 값들이 2000이상으로 나타남
- 사분위수 : Q1(39.9), Q3(134.9),IQR = Q3 - Q1 = 95
- 이상치 하한값 : Q1 - 1.5 * IQR = 음수이므로 의미 없음
- 이상치 상한값 : Q3 + 1.5 * IQR = 277.40
- 따라서 277.40 이상은 모두 이상치
2. 배송비의 분포
- 배송비의 분포. 높거나 낮은 값을 가지고 있는 경우를 찾고, 평균 배송비가 얼마인지 확인
- 평균 배송비는 18.56. 대부분의 배송비는 0-20에서 분포. 평균보다 낮은 값에 위치해 있음.
- 일부 고가의 배송비가 평균을 끌어 올리는 역할을 할 수 있기에 이상치 제거는 스킵
3. 주문 상품 수량의 빈도
- order_item_id 의 고유값 개수를 확인하여 각 주문에서 몇 개의 아이템이 포함되었는지 분석. 예를 들어, 대부분의 주문이 한 개의 상품으로 이루어졌는지, 아니면 여러 상품이 포함된 주문이 있는지 확인
- 대다수의 주문이 한 개의 상품으로 이루어지고, 상품 수량이 많은 주문은 매우 드물다.
- 평균 주문 상품 수는 1.2개로 일부 주문에서 여러 개의 상품이 포함된 경우가 있지만, 그 수는 소수에 불과
4. 판매자별 주문 수 분석
- seller_id 의 빈도수를 분석하여, 가장 많이 주문을 처리한 판매자가 누구인지 확인할 수 있다. 상위 판매자들이 전체 주문의 몇 퍼센트를 차지하는지 알아봄
다변량 EDA(Multivariate EDA)
상관관게
- 가격과 배송비는 약한 상관관계(0.34), 가격이 높을수록 배송비 증가
- order_item_id 와 다른 변수들 간의 상관관계는 매우 약함. 주문 당 아이템 수와 가격, 배송비 사이에 뚜렷한 상관관계 없음
- 가격과 배송비의 산점도 : 가격이 높을수록 배송비 높아짐(일정 수준 이상의 가격에서는 배송비 변화 x)
- 히스토그램 : 각 변수의 분포를 나타내는데, 특히 배송비와 가격은 오른쪽으로 긴 꼬리 가진 비대칭 분포
6. Order Payments (olist_order_payments_dataset.csv) EDA
| 컬럼 이름 | 데이터 타입 | 설명 |
|---|---|---|
| order_id | VARCHAR | 주문 고유 식별자 |
| payment_sequential | INT | 각 주문의 결제 순서 숫자 |
| payment_type | VARCHAR | 결제 방식 (신용카드, 현금 등) |
| payment_installments | INT | 할부 개월 수 |
| payment_value | FLOAT | 결제 금액 |
log_payment_value 컬럼은 기존 결제 금액(payment_value) 에 로그 변환을 적용한 값이다. 로그 변환은 비대칭적인 분포나 극단적인 값(이상치)를 처리하고, 데이터의 분포를 더 균형있게 만들기 위해서 사용한다.
