경영정보학과 학술제 - MZ 세대를 겨냥한 아동복 추천시스템

jwKim·2023년 1월 28일
0

😁 프로젝트 리뷰

목록 보기
3/8

[ 사용된 기술 및 패키지 ]

  • python
    • pandas / numpy
    • matplotlib
    • wordcloud

[ 담당 업무 ]

  • 데이터 수집
  • EDA & 전처리
  • 토픽모델링 결과 해석

1. 프로젝트 개요

해당 프로젝트는 경영정보학과 연합 학술제로 명지대, 동국대, 국민대가 함께 진행했다. 주제는 'MZ세대를 겨냥한 초개인화 경영전략'이다.

우리 팀은 MZ 세대가 개인의 개성이 강하고 개인화된 세대라고 생각했다. 그리고 경영전략을 적용할 산업은 코로나 시대로 접어들면서 내리막을 걷고 있는 하향산업들로 선정하여 MZ 세대에 대한 요구와 경영전략 수립이라는 요구를 동시에 만족했다.

MZ 세대는 2023년 기준 20대 중반 ~ 30대 중반인 밀레니엄 세대(M세대)와 10대 중반 ~ 20대 중반인 Z세대를 동시에 지칭하는 단어이다. 우리는 M세대가 육아에 힘을 쏟는 나이임을 기반으로 하향산업인 아동복 시장에 새로운 경영 전략으로써 추천시스템을 도입하고자 한다.



2. 프로젝트 배경

온라인 시장이 빠른 속도로 성장 중이다. 통계청 자료에 따르면 2017년 1분기 대비 2021년 3분기 온라인 시장은 2배가 넘게 성장했다.

MZ세대는 온라인 쇼핑을 더욱 친숙하게 여기고 실용적, 가치 지향적 소비를 하는 경향이 있다. 온라인 쇼핑을 통해 가치있는 물건을 발견하는 것이 MZ세대는 합리적이고 만족스러운 소비라고 생각한다. 또한 MZ세대가 사회에 진출하며 경제력을 갖게 되었으므로 MZ세대가 주요 소비층으로 부상하고 있기 때문에 온라인으로의 전환은 불가피하다.

따라서 우리 팀은 현재까지도 오프라인 판매에 머물러 있는 산업을 하향산업으로 규정하고 이를 온라인 판매로 전환함과 동시에 MZ세대의 소비 트렌드를 반영한 서비스를 만드려 했다.



3. 분석

3-1. 하향 산업 선정을 위한 RFM 분석

서울시 열린 데이터 광장에서 수집한 5년간의 상권 데이터를 기반으로 각 산업마다 RFM 분석을 진행한다. RFM 분석은 개인 소비자를 분류하는 방법으로 구매 지속성, 구매 빈도, 구매력 세 부분에서 판단하는 방법이다.

  • Recency : 얼마나 최근에 구매가 이루어 졌는가?
  • Frequency : 얼마나 빈번하게 구매가 이루어 졌는가?
  • Monetary : 구매한 금액은 얼마나 큰가?

우리는 개인 소비자를 판단하는 RFM 분석을 하향산업을 찾기 위해 각 산업 별로 적용해보았다. RFM 결과는 1~5 클래스로 분류를 했으며 1번 클래스가 상향산업, 5번 클래스가 하향산업으로 맵핑했다.
위의 사진은 하향산업을 뜻하는 5번 클래스의 매출 비율이다. 부동산 중개업, 여행사, 중고차판매업 등의 산업이 보이는데 해당 산업들은 이미 직방, 다방, 헤이딜러 등 온라인으로 전향이 된 산업들이다. 따라서 우리는 오프라인에서 부진한 산업 중 온라인으로 전향이 되지 않은 '유아의류' 산업을 온라인으로 전환하여 경쟁력을 갖추려 한다.

3-2. 토픽 모델링

유아의류와 관련된 뉴스기사, 네이버 블로그 글을 크롤링하여 텍스트 분석 및 크롤링을 했다.

또한 크롤링한 데이터를 기반으로 토픽 모델링을 진행했다.
소재 관련된 토픽으로는 원단이나 품질 관련된 내용이 눈에 띈다.
시간 관련 토픽으로는 서비스의 신속성에 대한 니즈를 확인할 수 있었다.
카테고리 관련된 토픽으로는 다양한 아동복 종류에 대한 니즈를 확인했다.

따라서 우리는 의류 품질, 고객 리드타임, 다양한 종류의 의류에 초점을 맞춰 경영전략을 세울 필요가 있다.



4. 결론

소비자의 니즈는 다양한 종류의 의류에 대해 소재를 확인하며, 빠르게 옷을 구매하는 것이다. 따라서 MZ세대 소비자라는 특성과 아동복 소비자들의 특성을 모두 종합하여 추천시스템을 사용한 온라인 쇼핑 플랫폼을 구축했다.

우리 플랫폼에서 평점 데이터를 누적하여 품질을 보장하고, 고객의 취향을 반영한 제품을 추천하고 온라인으로 쇼핑하므로 구매 시간을 단축할 수 있다.(첫 번째 사진은 초기 화면, 두 번째 사진은 초기에 넣은 요소들로 취향을 분석해 제품을 추천해주는 화면)

고객이 input으로 넣는 취향 데이터를 벡터화하여 등록된 상품들과 코사인 유사도를 구하고, 상위 10개 아이템을 추천해주는 식으로 동작한다.



5. 느낀점

5-1. 부족함 & 대안

당시 코딩 실력이 그리 좋지 않아 추천시스템이 무엇인지, 추천시스템은 어떻게 동작하는지, 웹 페이지 제작 등 서비스 구축에 전반적인 어려움을 겪었다.(추천시스템은 그간 해온 코딩과는 전혀 다른 세상이었다.)

다만, 프로젝트 방향이 추천시스템을 탑재한 웹페이지 제작으로 잡힌 후 나는 내가 할 수 있는 일을 찾기 시작했다. 데이터 수집, EDA, 전처리, 경영전략 방향성 제시 등과 같이 그 안에서 내가 잘 할 수 있는 부분을 담당했다.

지금 드는 생각이지만, 이번 프로젝트에서 모든 사람이 추천시스템을 만들 필요가 없었다. 오히려 할 수 있는 일을 찾아 하는 자세가 프로젝트 마무리에 도움이 되지 않았나 싶다.

5-2. 데이터와 친해지기

이번 프로젝트를 진행하며 수 많은 데이터를 봤다. 프로젝트 방향이 잡히기 전에는 다양한 분야의 데이터를 수집과 분석했다. 예를 들면 서울시 교통량 데이터, 인구별 소득 데이터, 오프라인 매출 데이터 등이 있다.

프로젝트 방향이 잡힌 후에도 하나의 주제를 관통하는 많은 데이터를 봤다. 분석한 데이터는 오프라인 매출 데이터, 아동복에 대한 전반적인 의견, 토픽 결과 등이다.

매 단계에서 느낀 것은, 하나의 프로젝트를 진행하며 데이터를 정말 많이 봐야하고, 매 순간 데이터와 친해져야 한다는 것이었다. 같은 데이터여도 얼마나 진득하게 앉아서 살펴보는지에 따라 보이는 깊이가 달랐다. 그리고 프로젝트 기한이 있으므로 데이터와 친해지는 시간은 넉넉하지 않았다. 앞으로 어떤 데이터를 만나던 특징을 빠르게 파악하고 깊은 통찰을 얻을 수 있는 역량을 키워야겠다.

0개의 댓글