🖇 RFM 기반 고객 세그먼테이션
🖇 K-Means 클러스터링 기반 고객 세그먼테이션
🖇 무엇이 더 나은 고객 세분화를 제공하는가?
지금까지 이커머스 데이터를 기반으로 고객의 구매 행동을 다각도로 분석해 보았다.
✓ SQL을 활용한 RFM 분석을 통해 고객의 최근 구매일, 구매 빈도, 구매 금액을 정량적으로 계산하고 점수를 부여해 등급화했다.
✓ 이어서 Python 기반의 추가적인 feature engineering을 통해 고객별 평균 구매 간격, 제품 다양성, 취소율 등의 지표를 도출했다.
✓ 이후에는 이상치 제거, 피처 스케일링, 차원 축소(PCA) 등을 거쳐 데이터를 정제하고,
✓ 마지막으로 K-Means 클러스터링 알고리즘을 활용해 고객을 비지도 학습 방식으로 자동 분류해 보았다.
이처럼 한 프로젝트 내에서 전통적인 규칙 기반 접근 방식(RFM)과 머신러닝 기반의 클러스터링 방식(K-Means)을 모두 적용한 이유는
단일 분석 방법만으로는 고객의 행동을 충분히 설명하기 어렵기 때문이다.
왜 두 가지 방식을 비교해야 할까?
-
RFM 분석은 간단하고 직관적이며 널리 쓰이는 방법이지만, 한정된 피처만 사용하므로 고객 행동의 전체를 반영하기 어렵다.
-
반면 K-Means 클러스터링은 다양한 피처를 포함해 숨어 있는 패턴을 발견할 수 있지만, 해석이 복잡하고 명확한 기준이 부족하다는 단점이 존재한다.
따라서 두 분석 기법을 비교함으로써 각 방식이 가진 강점과 한계를 명확히 이해하고, 어떤 분석 전략이 어떤 비즈니스 상황에서 더 효과적인지에 대한 인사이트를 정리해 보려고 한다.
🖇 RFM 기반 고객 세그먼테이션
RFM 분석은 고객의 행동 데이터를 기반으로 고객을 세 가지 지표로 평가한다.
| 구성 요소 | 설명 |
|---|---|
| Recency (R) | 마지막 구매 이후 경과일 |
| Frequency (F) | 총 구매 횟수 |
| Monetary (M) | 총 구매 금액 |
각 지표에 점수를 매기고, 이를 합산하거나 조합하여 고객 등급을 분류할 수 있다.
RFM 점수 조합 기반 고객 해석
RFM 점수(1~5점)를 합산한 총점을 기준으로 고객 등급을 다음과 같이 분류할 수 있다.
| 총점 | 등급 |
|---|---|
| 15점 | VVIP |
| 12~14점 | VIP |
| 9~11점 | 골드 |
| 5~8점 | 실버 |
| 2~4점 | 브론즈 |
| 1점 | 패밀리 |
이 방식은 간단하고 직관적이며, 실제로 자주 활용되는 분석 기법이다.
RFM 점수를 기준으로 마케팅 전략(할인, 리텐션 유도, 리마케팅 등)을 달리하는 것도 가능하다.
단순 총점만 보는 것이 아니라, 아래처럼 각 요소별 조합으로 고객 행동 특성에 기반한 전략을 수립할 수도 있다.
| R | F | M | 분석 예시 |
|---|---|---|---|
| 1 | 5 | 5 | 잠재 구매력이 매우 높지만 최근 구매 없음 → 리마인드 프로모션 필요 |
| 5 | 5 | 5 | 최고의 충성 고객 → 우선 보상 대상 |
| 2 | 2 | 1 | 저관여 고객 → 이탈 방지 캠페인 대상 |
🖇 K-Means 클러스터링 기반 고객 세그먼테이션
이번 프로젝트에서는 RFM 기반 분류 외에도, 다양한 피처를 바탕으로 K-Means 클러스터링을 수행했다.
recency, frequency, monetary 외에도 다음과 같은 feature들이 활용되다.
purchase_cnt총 구매 거래 횟수item_cnt구매한 총 제품 수량user_total총 지출 금액user_average고객 1회 거래당 평균 지출 금액unique_products고객이 구매한 고유 제품 개수average_interval평균 구매 간격 (일 단위)cancel_rate전체 거래 중 취소된 거래 비율
RFM 분석이 간단하고 실무 적용에 용이한 반면, K-Means 클러스터링은 다음과 같은 강점들을 통해 보다 깊이 있는 고객 이해와 전략 수립을 가능하게 한다.
1) 풍부한 데이터의 사용
RFM 분석은 Recency, Frequency, Monetary라는 3가지 지표만 활용하지만,
K-Means는 고객의 구매 빈도, 평균 구매액, 제품 다양성, 취소율 등 다양한 피처를 동시에 활용할 수 있어 현실적인 고객 행동 분석에 더 유연하다.
💡 특히 실제 기업에서는 고객 행동이 단순히 R, F, M 지표로 환원되지 않는 경우가 많기 때문에, K-Means와 같은 방법이 훨씬 유용하게 작동할 수 있다.
2) 확장성과 유연성
새로운 지표를 추가하거나 기존 피처를 제거하는 것이 유연하고 간단하다. 모델 구조를 유지한 채로 데이터만 변경하여 다른 기간 혹은 다른 지역의 고객 분석에도 재사용할 수 있다.
3) 더 세밀한 고객 세분화
RFM 분석은 보통 4~6개의 등급으로 고객을 분류하지만, K-Means는 특정 특성에 따라 자연스럽게 형성된 그룹을 찾을 수 있어 보다 정밀한 세그먼트 분석이 가능하다.
4) 숨겨진 행동 패턴 탐지
머신러닝 기반 클러스터링은 사람이 사전에 정의하지 못한 패턴을 자동으로 추출해낼 수 있다. 예를 들어, “평균 구매액은 낮지만 특정 상품군만 반복 구매하는 고객”처럼 일반적인 RFM 기준으로는 놓치기 쉬운 집단을 발견할 수 있습니다.
클러스터별 고객 특성 비교 및 전략 도출
K-Means 클러스터링을 통하여 고객을 총 3개의 그룹(cluster)으로 나눌 수 있었다.
사전에 가정하지 않았던 고객 유형이나 행동 패턴을 데이터가 스스로 제안해준다는 점에서 매우 유용하다. 특히 복잡한 구매 행동이 섞인 이커머스 데이터에서는 "어떤 고객이 실제로 어떻게 다르게 행동하고 있는가?"에 대한 힌트를 얻을 수 있다.
그래서 실제로 클러스터링된 결과를 바탕으로
각 그룹별로 어떤 특성 차이가 존재하는지를 요약 통계를 통해 살펴보고 그로부터 유의미한 해석을 시도해 보았다.
group1 = user_data[user_data['cluster'] == 0]
group2 = user_data[user_data['cluster'] == 1]
group3 = user_data[user_data['cluster'] == 2]describe() 함수를 사용해 각 피쳐 별 데이터 포인트 수와 평균, 분산 등의 정보들을 확인할 수 있다.
# 요약 통계 확인
group1.describe()
group2.describe()
group3.describe()
이 과정을 통해 도출된 숫자 하나하나보다 더 중요한 건,
예를 들어 “평균 구매액은 높지만 구매 빈도는 낮은 고객”이라는 군집이 존재한다면 이 고객층은 가격 민감도가 낮은 대신, 상품 선택이 매우 신중한 고객일 가능성이 있다는 점을 생각해 볼 수 있고,
또, “구매 취소율이 높은 군집”이 존재한다면 단순히 이탈 고객으로 분류하기보다, 제품군의 만족도 문제, 배송 경험, 또는 결제 방식에 대한 불편이 있었을 가능성을 떠올려볼 수 있다.
클러스터별 수치를 단순 나열하는 것이 아니라, 해당 수치를 어떤 맥락에서 해석할 수 있을지를 고민하는 과정이 실제 비즈니스 전략으로 이어지는 중요한 분석 단계라는 점을 실감할 수 있었다.
🖇 무엇이 더 나은 고객 세분화를 제공하는가?
그래서 결론은 무엇일까?
RFM 분석은 단순하고 빠르게 고객 가치를 평가할 수 있다는 점에서 기초 세그먼트 전략 수립에 적합하다.
K-Means 클러스터링은 다차원적 데이터를 활용하여 더 풍부하고 유의미한 인사이트를 도출할 수 있어 고도화된 마케팅 전략 설계에 유리하다.
중요한 것은 클러스터링 자체가 아니라, 도출된 그룹을 실제 마케팅이나 CRM 전략으로 연결하는 해석력이라는 것을 알게 되었다.
RFM 분석과 K-Means 클러스터링은 서로 보완적인 관계이다.
정량적 기준을 기준으로 빠르게 고객 가치를 파악할 수 있는 RFM 분석과, 데이터 기반의 숨겨진 군집 구조를 발견하는 K-Means는 함께 사용할 때 가장 강력한 고객 분석 도구가 될 수 있겠다는 인사이트를 얻었다.
해당 프로젝트에서는 단순히 알고리즘을 적용한 데서 그치지 않고,
결과를 실제 마케팅 전략에 연결하는 사고의 흐름까지 확장한 것에도 의미가 있었다.
