멋사 AI SCHOOL 8기 - 20230306 TIL

JiWOn·2023년 3월 6일

멋쟁이 사자처럼 AI School 8기

목록 보기

13/17

💻오늘의 수업은?

비즈니스 데이터 분석해보기

리텐션(시간 코호트) 분석
RFM 분석

📝수업 내용 정리

리텐션

💬 chat GPT
리텐션은 기업이나 조직에서 제품이나 서비스를 이용한 고객이 계속해서 그 제품이나 서비스를 이용하고 더 많은 구매를 하도록 유도하는 것을 말합니다. 즉, 고객이 제품이나 서비스에 대한 만족도를 높이고, 장기적으로 이용을 지속하도록 유도하는 전략입니다.

리텐션은 기업이나 조직이 매출을 증가시키는 데 중요한 역할을 합니다. 새로운 고객을 유치하는 것보다 기존 고객을 유지하는 것이 보다 경제적이기 때문입니다. 이를 위해 기업은 고객 만족도를 높이기 위한 다양한 방법을 사용하고, 그들의 의견을 수렴하고, 그들의 요구사항을 충족시키기 위해 노력합니다.

리텐션은 고객만족도와 밀접한 관련이 있습니다. 만족하지 않은 고객은 제품이나 서비스를 이용하지 않을 뿐 아니라, 다른 사람들에게도 그들의 불만을 전파할 수 있기 때문입니다. 따라서, 고객 만족도를 높이고, 그들의 요구사항을 충족시키는 것이 리텐션을 증가시키는 가장 중요한 요소 중 하나입니다.

MAU

💬 chat GPT
MAU는 월간 활성 사용자 (Monthly Active Users)의 약어로, 특정 서비스나 앱을 월간 기준으로 사용하는 활성 사용자 수를 의미합니다. MAU는 기업이나 조직에서 제공하는 디지털 서비스나 앱이 얼마나 많은 사용자에게 인기가 있는지, 얼마나 자주 사용되고 있는지를 파악하는 데 사용됩니다.

MAU는 주로 모바일 앱이나 소셜 미디어 서비스에서 자주 사용되는 지표입니다. 이는 모바일 기기가 인기를 얻으면서 모바일 앱 사용량이 증가하면서 유행하게 되었습니다. 모바일 앱에서는 MAU 수를 측정하여 사용자 유지 및 개발 방향을 결정합니다.

MAU는 기업이나 조직이 사용자 활동과 관련된 데이터를 수집하고, 이를 분석하여 제품 개선 및 마케팅 전략을 수립하는 데에도 사용됩니다. 이는 고객 충성도를 증가시키고, 마케팅 효율성을 높이는 데 도움이 됩니다.

MAU는 사용자 활동과 관련된 데이터 중 하나이며, 다른 지표와 함께 사용되어야 합니다. MAU 수치는 상대적인 지표이기 때문에, 매출, 이탈률, ARPU 등 다른 지표와 함께 분석해야 전반적인 제품 또는 서비스의 성과를 정확하게 평가할 수 있습니다.

코호트 분석

💬 chat GPT
코호트 분석은 동일한 시간대 또는 이벤트를 경험한 고객 집단을 찾아 이들이 제품을 사용하는 패턴과 행동을 이해하고 분석하는 기법입니다.

코호트란 통계학에서 "동질적인 집단"을 의미하는데, 코호트 분석에서는 일정 기간 동안 공통된 특성을 갖는 고객들을 한 그룹으로 묶어 분석합니다. 이 그룹은 일반적으로 같은 기간에 새로 가입한 고객, 같은 지역에서 거주하는 고객, 같은 나이대의 고객 등의 특성을 갖습니다.

코호트 분석은 고객이나 사용자의 유지율, 이탈률, 매출액 등을 추적하고 이들이 특정 이벤트에 어떻게 반응하는지를 파악할 수 있습니다. 예를 들어, 코호트 분석을 통해 새로운 사용자 그룹이 어떻게 제품을 사용하는지, 어떤 기능을 자주 사용하는지, 어떤 요인이 이탈률을 증가시키는지 등을 파악할 수 있습니다.

코호트 분석은 기업이나 조직에서 제품 개선 및 마케팅 전략 수립 등에 활용됩니다. 코호트 분석 결과를 토대로 고객 경험을 개선하고, 고객 만족도를 높이며, 이탈률을 감소시키는 등의 전략을 수립할 수 있습니다. 또한, 코호트 분석은 매출 예측 및 시장 동향 예측에도 유용하게 사용됩니다.

코호트 분석에는 다양한 유형이 있습니다. 이러한 유형은 주요한 고객 이벤트 또는 행동에 따라 나뉘며, 이러한 이벤트 또는 행동을 기준으로 고객 그룹을 묶습니다. 여기에 몇 가지 예시를 들어보겠습니다.

기간별 코호트 분석 (Time Cohort Analysis): 이 유형의 코호트 분석은 고객 그룹을 동일한 등록 기간에 따라 분류합니다. 그런 다음 각 그룹 내에서 고객의 행동을 추적하고, 시간이 지남에 따라 그 행동이 어떻게 변화하는지를 확인합니다.
행동별 코호트 분석 (Behavioral Cohort Analysis): 이 유형의 코호트 분석은 고객이 특정 행동을 취한 날짜 또는 시간에 따라 고객 그룹을 나눕니다. 예를 들어, 모바일 게임에서 코호트 분석을 수행하면, 고객 그룹을 첫 번째 게임 플레이 날짜에 따라 분류할 수 있습니다. 그런 다음 각 그룹 내에서 고객의 게임 활동을 추적하고, 시간이 지남에 따라 그 활동이 어떻게 변화하는지를 파악합니다.
매출별 코호트 분석 (Revenue Cohort Analysis): 이 유형의 코호트 분석은 고객의 구매 날짜에 따라 고객 그룹을 나눕니다. 각 그룹 내에서 구매액의 총합을 계산하고, 시간이 지남에 따라 그 구매액이 어떻게 변화하는지를 확인합니다.

잔존율 분석

💬 chat GPT
잔존율 분석(Retention Rate Analysis)은 기업이 일정 기간 동안 유지한 고객 수를 파악하는 방법입니다. 즉, 특정 기간에 기업의 고객 중 얼마나 많은 고객이 유지되었는지, 또는 얼마나 많은 고객이 이탈했는지를 측정합니다.

잔존율은 일반적으로 특정 기간 내에서 유지된 고객 수를 해당 기간에 최초로 구매한 고객 수로 나눈 비율로 계산됩니다. 예를 들어, 100명의 고객이 1월에 최초 구매를 하였고, 2월에는 80명, 3월에는 60명이 유지되었다면, 3월의 잔존율은 60%가 됩니다.

잔존율 분석은 기업이 고객 유지에 얼마나 성공하고 있는지를 평가하는 데 유용합니다. 또한 이를 통해 고객 이탈 원인을 파악하고, 이를 개선하여 잔존율을 높일 수 있는 전략을 수립할 수 있습니다.

RFM

RFM은 Recency, Frequency, Monetary의 약자로, 고객 분석을 위한 기법 중 하나입니다. RFM은 기업이 보유한 고객 데이터를 분석하여 고객을 Recency(최근 구매일), Frequency(구매횟수), Monetary(구매액) 세 가지 지표로 분류합니다. 이를 통해 고객의 가치를 평가하고 세분화된 마케팅 전략을 수립할 수 있습니다.

Recency(최근 구매일): 고객이 마지막으로 구매한 날짜를 측정하는 지표입니다. 최근 구매일이 오래된 고객일수록 재구매 가능성이 낮아지기 때문에 이를 통해 재구매 가능성이 높은 고객을 식별할 수 있습니다.
Frequency(구매횟수): 고객이 기업에서 구매한 횟수를 측정하는 지표입니다. 구매횟수가 많을수록 기업과의 관계가 깊어지고 재구매 가능성이 높아집니다. 이를 통해 구매횟수가 많은 고객을 식별하여 마케팅 전략을 구성할 수 있습니다.
Monetary(구매액): 고객이 기업에서 구매한 총 금액을 측정하는 지표입니다. 구매액이 큰 고객일수록 기업에게 더 큰 가치를 제공합니다. 이를 통해 구매액이 높은 고객을 식별하여 이들에게 맞춤형 마케팅 전략을 수립할 수 있습니다.

RFM을 통해 고객을 분류하면 기업은 다양한 세분화된 마케팅 전략을 수립하여 고객과의 관계를 유지하고 발전시킬 수 있습니다.

RFM 모형

RFM 모형은 Recency(최근 구매일), Frequency(구매횟수), Monetary(구매액)이라는 세 가지 지표를 이용하여 고객을 분석하는 방법론입니다. 이 방법론은 고객의 행동과 특성을 파악하여 세분화된 마케팅 전략을 수립하는 데 활용됩니다.

RFM 모형의 분석 방법은 각각의 지표에 대해 고객을 3단계로 분류합니다. 예를 들어, Recency(최근 구매일)에 대한 분석에서는 최근에 구매한 고객, 중간에 구매한 고객, 오래 전에 구매한 고객으로 나누어 분류합니다. 이와 같이 각각의 지표에서 3단계 분류를 수행한 후, 3개의 지표를 결합하여 총 27가지의 세분화된 고객 그룹으로 분류할 수 있습니다.

RFM 모형을 활용하여 고객을 분석하면, 각각의 그룹에 대해 적절한 마케팅 전략을 수립할 수 있습니다. 예를 들어, 최근 구매일이 오래 전인 고객 그룹에 대해서는 리타게팅을 위한 할인 쿠폰을 제공하거나, 이메일 마케팅을 통해 새로운 상품 소식을 전하면서 재구매를 유도하는 전략을 수립할 수 있습니다. 이와 같이 RFM 모형은 고객의 특성을 파악하고 그에 맞는 세분화된 전략을 수립하는 데 활용됩니다.

qcut?

qcut은 Pandas 라이브러리에서 제공하는 함수 중 하나입니다. 이 함수는 데이터를 동일한 구간으로 나누는 작업을 수행합니다.

RFM 분석은 고객을 세그먼트로 나누기 위해 사용되는 기술 중 하나입니다. 이 때 고객의 구매 이력에 기반하여 고객을 세분화하려면 고객들을 동일한 크기의 그룹으로 나눌 필요가 있습니다. 이를 위해 qcut 함수를 사용하여 RFM 점수를 계산할 수 있습니다.

예를 들어, Recency, Frequency, Monetary (RFM)의 경우 다음과 같이 각각의 변수에 대해 qcut 함수를 적용할 수 있습니다:

import pandas as pd

# Recency
df['Recency_Quartile'] = pd.qcut(df['Recency'], 4, labels = range(1, 5))

# Frequency
df['Frequency_Quartile'] = pd.qcut(df['Frequency'], 4, labels = range(1, 5))

# Monetary
df['Monetary_Quartile'] = pd.qcut(df['Monetary'], 4, labels = range(1, 5))

위 코드에서 pd.qcut 함수를 사용하여 Recency, Frequency, Monetary 변수를 각각 4개의 구간으로 분할하고, 해당 구간을 1에서 4까지의 레이블로 매핑합니다.

이러한 RFM 점수는 고객을 세분화하는 데 사용될 수 있으며, 고객의 유형을 파악하고 마케팅 전략을 구체화하는 데 도움이 될 수 있습니다.

qcut vs cut

qcut과 cut 함수 모두 Pandas 라이브러리에서 제공되는 함수이며, 데이터를 구간으로 분할하는데 사용됩니다. 그러나 두 함수의 차이점은 구간을 분할하는 기준입니다.

cut 함수는 구간을 분할할 때 구간의 경계를 지정하는 방식으로 동작합니다. 즉, 사용자가 직접 구간의 경계를 지정할 수 있습니다. 예를 들어, 0에서 100까지의 값을 4개의 구간으로 분할하고자 할 때, 사용자가 0, 25, 50, 75, 100의 경계 값을 지정할 수 있습니다. 이 때 각각의 값은 해당 경계 값을 기준으로 데이터가 해당하는 구간으로 분류됩니다.

반면에 qcut 함수는 데이터의 분포를 균등하게 나누는 방식으로 동작합니다. 즉, 구간의 크기는 균등하지 않을 수 있습니다. 예를 들어, 0에서 100까지의 값을 4개의 구간으로 분할하고자 할 때, qcut 함수는 데이터의 분포를 균등하게 나누는 방식으로 구간을 생성합니다. 따라서 구간의 경계값은 사용자가 직접 지정하지 않고, 함수 내부에서 계산됩니다.

따라서, cut 함수는 사용자가 직접 경계 값을 지정하여 데이터를 분할하고, qcut 함수는 데이터의 분포를 균등하게 나누는 방식으로 데이터를 분할합니다.

pandas.assign

assign은 Pandas 라이브러리에서 제공하는 함수 중 하나로, 데이터프레임에 새로운 열(column)을 추가할 때 사용됩니다.

RFM 분석에서 assign 함수는 RFM 점수를 계산하고, 해당 점수를 데이터프레임에 새로운 열로 추가하는 데 사용됩니다. 예를 들어, 다음과 같은 코드를 사용하여 Recency, Frequency, Monetary 변수를 이용하여 RFM 점수를 계산하고, 새로운 열로 추가할 수 있습니다

import pandas as pd

# 데이터프레임 생성
df = pd.DataFrame({
        'CustomerID':[1,2,3,4,5],
        'Recency':[10,20,30,40,50],
        'Frequency':[3,6,9,12,15],
        'Monetary':[100,200,300,400,500]
    })

# RFM 점수 계산 및 열 추가
df = df.assign(RFM_Score = df['Recency'] + df['Frequency'] + df['Monetary'])