AARRR Funnel 기반 이커머스 고객 행동 분석 프로젝트

jul ee·2025년 4월 29일

AARRR matplotlib pandas projects python seaborn 데이터사이언티스트 모두의연구소 통계

데이터 성장기

목록 보기

76/139

📋 AARRR Funnel 기반 이커머스 고객 행동 분석

본 프로젝트는 E-commerce 데이터를 기반으로

고객 행동을 AARRR 프레임워크에 따라 분석하고, 각 단계별 지표를 정의하여 실제 고객 흐름과 전환을 수치적으로 파악한다.

분석 과정은 Pandas, Matplotlib, Seaborn을 활용한 Python 기반 분석으로 진행되었으며, 고객 유입부터 수익 창출까지의 흐름을 시각화하고 지표화함으로써 마케팅 및 고객 관리 전략 수립의 기반을 마련하는 것을 목표로 한다.

🛠️ Tech Stack: Python (pandas, numpy, matplotlib, seaborn), Jupyter Notebook

📂 데이터 출처
UCI Machine Learning Repository (Online Retail Dataset): 2009년 12월 1일부터 2011년 12월 9일까지, 영국 기반 온라인 리테일 기업의 거래 데이터를 수집한 데이터셋

프로젝트 목적

E-commerce 고객의 전체 여정을 AARRR 단계로 나누어 각 단계별 전환율 및 지표를 정량적으로 측정한다.
수집된 데이터를 바탕으로 충성 고객과 이탈 고객의 특성을 구분하고, 리텐션 및 수익 전략에 필요한 인사이트를 도출한다.
데이터 기반 의사결정을 위해 각 지표 간의 연관성을 탐색하고 시각화한다.

주요 피처 및 파생 피처

주요 피처	설명	파생 피처	설명
`InvoiceNo`	거래 번호	`Total`	총 구매 금액 = Quantity × UnitPrice
`StockCode`	상품 코드	`InvoiceMonth`	월 단위로 변환된 구매 시점
`Description`	상품 설명	`OrderQuarter`	분기 단위로 변환된 구매 시점
`Quantity`	구매 수량	`CohortQuarter`	고객의 첫 구매 분기
`InvoiceDate`	구매 일시	`CohortIndex`	첫 구매 이후 경과 분기 수
`UnitPrice`	단가	`Customer Lifespan (days)`	마지막 구매일 – 첫 구매일 + 1일
`Customer ID`	고객 식별 ID	`AverageAmount`	평균 구매 금액
`Country`	국가명	`AvgFrequency`	구매 빈도 (일 단위)
-	-	`CLV`	고객 생애 가치 (평균금액 × 빈도 × 유지기간)

분석 프로세스

AARRR은 고객의 Acquisition → Activation → Retention → Revenue → Referral의 5단계를 정의한 프레임워크이며, 퍼널 구조로 해석하여 각 단계별 전환율 분석에 활용할 수 있다.

AARRR 프레임워크의 다섯 번째 단계인 Referral(추천)은 본 데이터셋 특성상 직접적으로 측정할 수 있는 변수가 존재하지 않아 Acquisition, Activation, Retention, Revenue 네 가지 단계에 집중하여 분석을 수행하였다.

	단계	분석 내용	주요 로직
1	데이터 로드 및 전처리	파생 변수 생성 및 결측치 제거	`dropna()`, `Quantity * UnitPrice`, `dt.to_period()` 등
↓
2	Acquisition	고객 최초 유입 시점 파악	`min(InvoiceDate)` by Customer
↓
3	Activation	첫 구매 후 £50 이상 지출 여부	구매금액 기준 필터링 및 활성화율 계산
↓
4	Retention (1)	분기별 재구매율 분석	코호트 분석 (Cohort Index 기반)
↓
5	Retention (2)	평균 구매 수량 분석	`groupby` + `mean` + 히트맵 시각화
↓
6	Revenue (1)	월별 고객당 평균 수익 (ARPU)	`groupby` + `mean` + Line plot
↓
7	Revenue (2)	고객 생애가치 (CLV) 계산	평균 구매금액 × 빈도 × 유지기간

핵심 결과 분석

[1] Acquisition

목적: 고객 최초 유입 시점을 파악하여 마케팅 시기와 유입 집중 구간 확인
결과: 전체 고객 수 5,942명, 유입은 런칭 시점과 연말 시즌에 집중됨 (2009-12, 2010-10/11, 2011-09/10)

[2] Activation

목적: 일정 금액(£50) 이상 지출 고객을 기준으로 초기 만족도 및 활성화 고객 비율 측정
결과: 첫 구매 후 £50 이상 지출 고객 5,777명, 활성화율 97.22%

✓ 세그먼트 결과:

£50~£100: 150명 (2.6%)
£100~£500: 1,829명 (31.7%)
£500~£1000: 1,107명 (19.2%)
£1000 이상: 2,691명 (46.6%) → 활성화된 고객군 내에서도 구매력에 따라 추가적인 타겟팅과 차별화된 전략을 고려할 수 있다.

[3] Retention (유지율)

목적: 분기별 활성 사용자(MAU)를 분석하여 고객 유지 트렌드 분석
결과:
- Q1/2010 유지율 최고: 61.74%
- Q4/2010 초기 유지율 최저: 21.30%
- Q1/2011 초기 유지율 양호(42.26%)이나 이후 유지율 감소

[4] Retention (구매수량)

목적: 고객 재구매 시 평균 구매 수량 변화를 분석하여 적극성 판단
결과:
- Retention은 고객이 존재만 하면 "0 또는 1" 로 남지만, 구매수량은 활동성을 보여주기 때문에 고객이 남아있다고 해서 구매를 활발히 한다는 보장은 없음
- 초기 수량보다 이후 수량 증가한 코호트 다수 존재

[5] Revenue - ARPU

목적: 월별 고객당 평균 수익 변화를 통해 시즌성과 수익성을 분석
결과:
- 최고 ARPU 약 £900+ (2010년 말)
- 평시 ARPU £500~£700 수준
- 이벤트/프로모션 시점과 상관 가능성 높음

[6] Revenue - CLV

목적: 고객별 장기 수익 기여도 측정을 통한 핵심 고객군 도출
결과:
- CLV 최댓값: 557,209.48, CLV 음수 존재
- 5,143명이 CLV 0~5천 구간
- CLV 10만 초과 고객은 단 12명
- 전체 매출의 상당 부분이 소수의 고가 고객에게 집중됨

인사이트

전체 고객의 97%가 초기 활성화 조건을 만족하지만, CLV 기준으로는 상위 1% 고객이 대부분의 수익을 창출한다는 것을 확인하였다.

유지율이 낮은 구간은 초기 유입 이후 경험이 미흡했을 가능성을 생각해 볼 수 있었고, 이를 개선하여 이탈 전환율 감소시키는 것이 필요하다는 것을 알게 되었다.

구매수량 증가는 단순히 유지율이 증가한 것 이상의 적극적인 활동 신호가 될 수 있다는 사실을 알게 되었다.

단발성 또는 낮은 CLV 고객 다수 존재하기 때문에 첫 구매 경험을 개선하고, 고액 지출 고객을 집중적으로 관리하는 전략이 적절하다고 판단할 수 있다.

회고

고객 ID가 포함된 데이터셋으로 고객 식별이 가능했기 때문에 분석 신뢰도를 높일 수 있었으며, 실제 프로젝트에서 활용 가능한 분석 구조를 학습하였다.

AARRR 프레임워크의 단계를 각각 따로가 아니라 하나의 흐름으로 이해하고 관리해야 수익성을 비롯한 비즈니스 성과를 높일 수 있을 것이라는 사실을 체감하였다.

각 단계마다 지표를 수집하고 비교함으로써 흐름을 파악하고 설득력 있는 분석 스토리를 구성하는 훈련이 되었다.
분석의 목적에 따라 각 단계마다 어떤 지표를 유의해서 살펴봐야 할지를 판단하는 것이 여전히 가장 어려운 과제라고 생각한다. 꾸준히 고민하고 공부해 나가야겠다.

또한, 시각화 과정에서 Tableau 등의 시각화 도구의 사용을 자유롭게 사용할 수 있도록 연습하는 것이 필요함을 느꼈다. 자신이 출력한 결과를 한참 들여다보아야 겨우 이해하고 설명할 수 있다면 분석의 신뢰도를 보장할 수 없을 것이다. 데이터에 대한 이해도가 각기 다른 비기술자를 상대로도 분석 결과를 직관적으로 전달할 수 있는 능력이 중요하다는 것을 깨달았다.
시각화 결과를 해석하고, 인사이트를 문서화하는 것을 꾸준하게 실천하면서 설명 역량을 기를 것이다.