이번 첫 번째 장에서는 코호트의 개념과 분석 방법을 학습합니다. 직접 고객 코호트를 만들고, 핵심 지표를 계산한 뒤 결과를 시각화해 볼 거예요.

코호트 분석 소개

신규 고객은 몇 명인가요?

코호트 분석

일별 획득 코호트 지정

일 단위 시간 오프셋 계산 - 1단계

일(day) 단위 시간 오프셋 계산 - 2부

코호트 지표

고객 유지율

처음부터 유지율 계산하기

평균 가격 계산하기

코호트 분석 시각화

평균 수량 지표 시각화

두 번째 장에서는 고객 세그먼트에 대해 배웁니다. 특히 재구매 시점(Recency), 구매 빈도(Frequency), 구매 금액(Monetary Value)을 살펴보고, 이 개념에 기반한 고객 세그먼트를 만든 뒤 결과를 분석해 봅니다.

Recency, Frequency, Monetary (RFM) 세분화

지출 사분위수 계산하기 (q=4)

RFM 지표 계산하기

가장 큰 Frequency 값

RFM 값 계산하기

RFM 세그먼트 구축하기

Recency와 Frequency로 3개 그룹 계산하기

RFM 점수 계산

RFM 테이블 분석하기

RFM 점수 세그먼트의 평균 값 찾기

사용자 지정 세그먼트 만들기

사용자 지정 세그먼트 분석하기

Recency, Frequency, Monetary Value 분석

세그먼트를 만들었다면 이제 예측을 하고 싶어질 거예요. 하지만 그전에 k-means 클러스터링이 분리도 높고 타당한 세그먼트를 찾을 수 있도록, 실무적인 데이터 준비 방법을 먼저 익혀야 합니다.

데이터 전처리

k-means의 가정

변수의 통계량 계산

왜도(치우침) 변수 다루기

왜도(skew)가 있는 변수 탐지

왜도 처리하기

데이터 중심화와 스케일링

직접 중심화와 스케일링 하기

StandardScaler()로 중심화 및 스케일링하기

전처리 파이프라인

RFM 분포 시각화

RFM 데이터 전처리

정규화된 변수를 시각화하기

클러스터링을 위한 데이터 전처리

마지막 장에서는 3장에서 전처리한 데이터를 활용해, 고객의 Recency, Frequency, Monetary Value를 바탕으로 고객 클러스터를 식별합니다.

k-means 클러스터링의 실전 구현

k-means 실행

원시 데이터에 라벨 할당하기

클러스터 개수 선택하기

제곱오차합 계산하기

제곱오차합 그리기

세그먼트 프로파일링과 해석

스네이크 플롯을 위한 데이터 준비

스네이크 플롯 시각화

각 속성의 상대적 중요도 계산하기

상대적 중요도 히트맵 그리기

엔드 투 엔드 세분화 솔루션

제곱 오차 합 계산 및 시각화

4개 클러스터 솔루션 구축

세그먼트 분석하기

마무리 생각

K-means로 하는 고객 세분화

Chapter 4 datasets

Chapter 3 datasets

Chapter 1 datasets

Chapter 2 datasets

오늘날 가장 성공적인 기업은 고객의 니즈를 미리 파악할 만큼 고객을 깊이 이해하는 기업입니다. 데이터 분석가는 이러한 인사이트를 발굴하고, 더 나은 서비스를 위해 고객을 세분화하는 데 핵심적인 역할을 합니다. 이 강의에서는 온라인 소매업체의 익명화된 고객 거래 데이터셋을 사용해, 실제 업무에 바로 적용할 수 있는 고객 세분화와 행동 분석 기법을 배웁니다. 먼저 코호트 분석으로 고객 트렌드를 파악하고, 이어서 해석하기 쉬운 고객 세그먼트를 만드는 방법을 학습합니다. 나아가 만든 세그먼트를 Machine Learning에 바로 사용할 수 있도록 준비합니다. 마지막으로, 몇 줄의 코드만으로 k-means 클러스터링을 적용해 세그먼트를 한층 강력하게 만들어 봅니다. 이 강의를 마치면 실무형 고객 행동 분석과 세분화 기법을 직접 적용할 수 있게 됩니다.

Supervised Learning with scikit-learn

Python으로 고객 데이터를 세분화하는 기법을 배우세요. RFM 분석 등 다양한 기법을 학습합니다.

k-means 클러스터링의 실전 구현

Create Your Free Account