오늘코드todaycode_비즈니스 데이터

출처: NotebookLM 「오늘코드todaycode」 라벨 '비즈니스 데이터' (영상 7개, 중복 제외 7개) · 2026.10.05 생성

비즈니스 데이터 분석 [1/7] 파이썬 비즈니스 데이터 분석 📊Online Retail 🛍️️ 온라인 커머스 🌐 다이소와 유사한 잡화 거래 데이터는 어떤 구성일까? 🤔👜📝📊 🔍

• UCI 머신러닝 리포지토리의 유명한 영국 온라인 소매(Online Retail) 공공 데이터셋(54만 여 건, 8개 컬럼)으로, 선물용 잡화 거래 이력으로 구성되어 있습니다.
• 주요 데이터 변수로는 주문번호(InvoiceNo), 상품코드(StockCode), 상품명(Description), 수량(Quantity), 주문일시(InvoiceDate), 단가(UnitPrice), 고객ID(CustomerID), 국가(Country) 등이 있습니다.
• 주문번호가 'C'로 시작하는 데이터는 구매 취소건(Cancellation)을 의미하며, 수량이나 단가에 마이너스(-) 값이 표기되어 있어 전처리 시 제외나 주의가 필요합니다.
• 고객ID의 결측치가 약 13만 5천 건(전체의 약 24%) 존재하며, 이는 비회원 주문으로 해석할 수 있어 회원 가입 유도 프로모션 설계의 계기가 됩니다.
• 50만 건 이상의 대용량 데이터를 처리할 때는 엑셀이나 일반 CSV보다 열 단위 압축 포맷인 파케이(Parquet) 파일 형태로 판다스에 로드하는 것이 속도 측면에서 훨씬 유리합니다.
• 고객별 구매 금액 및 RFM 분석을 수행하기 위해 수량(Quantity)과 단가(UnitPrice)를 곱한 총 구매금액(TotalPrice) 파생변수를 새로 생성합니다.
• 교차표(pd.crosstab)를 통해 국가별 회원/비회원 구매 비중을 분석할 수 있으며, 최다 거래 국가인 영국을 비롯해 다양한 국가별 거래 특성을 확인합니다.

비즈니스 데이터 분석 [2/7] 📊Online Retail 🛍️ 온라인 커머스 🌐🤔 월별, 일별, 요일별 분석을📝📊 실제 비즈니스에 적용한다면? 👜 🔍

• 수량이 0보다 작거나 단가가 0 이하인 데이터, 고객ID가 없는 데이터 및 중복 행(drop_duplicates)을 제외하여 39만 여 건의 유효 데이터(Valid Data)로 정제합니다.
• pd.to_datetime()을 통해 주문일시를 데이트타임 객체로 변환한 후 연(Year), 월(Month), 일(Day), 요일(Day of Week), 시간(Hour), 연월(ym) 파생변수를 추출합니다.
• 월별 거래 건수를 시각화한 결과, 2011년 9월부터 11월 사이에 거래량이 급격히 증가하며 비즈니스의 성장세를 나타냅니다.
• 요일별 분석 결과 목요일에 주문 건수가 가장 많고, 토요일 거래 데이터는 존재하지 않으며 주말 및 금요일은 상대적으로 주문량이 적은 특성을 보입니다.
• 시간대별 분석을 수행하면 주로 오전 10시와 점심시간대인 낮 12시~1시 사이에 주문 건수 및 매출액이 집중되는 현상이 관찰됩니다.
• 시간대별 및 요일별 교차표(pd.crosstab)를 작성하고 판다스 백그라운드 그라데이션 및 씨본(sns.heatmap) 시각화를 통해 마케팅 및 광고 예산 집행 타겟 시간대를 도출합니다.
• 유튜브 시청 시간대 분석 사례처럼 서비스 이용률이 높은 특정 요일과 시간대에 프로모션 및 광고를 집중하는 전략적 의사결정이 가능합니다.

비즈니스 데이터 분석 [3/7] 📊Online Retail 🛍️️ 온라인 커머스 🌐🤔 📝📊 ARPU MAU?

• 핵심 비즈니스 지표인 ARPU(가입자당 평균 매출) 및 ARPPU(결제 유저당 평균 매출), MAU(월간 활성 사용자 수)의 개념을 이해하고 데이터로 구현합니다.
• 월별(InvoiceYearMonth)로 총 매출액(TotalPrice Sum)을 유니크 결제 고객 수(CustomerID Nunique)로 나누어 월별 ARPPU 추이를 산출합니다.
• 월별 ARPPU 및 총매출액, 유니크 고객 수 시각화 결과 2010년 12월 이후 전반적으로 고객 수와 매출액, 고객당 평균 결제액이 함께 상승하는 우상향 추세를 파악합니다.
• 고객별로 그룹화(groupby('CustomerID'))하여 총 주문 횟수, 평균 구매 금액, 누적 구매 금액의 기술통계량(describe) 및 이상치 분포를 검증합니다.
• 월별 유니크 고객 수(nunique())를 집계하여 이커머스 서비스의 월간 활성 사용자 지표인 MAU(Monthly Active Users) 추이를 도출합니다.
• groupby와 agg 연산자를 활용해 월별 주문 건수, 판매된 중복 제외 상품 종류 수(StockCode Nunique), 평균 단가, 총 매출액 등을 한꺼번에 요약 집계합니다.

비즈니스 데이터 분석 [4/7] 📊Online Retail 🛍️ 온라인 커머스 🌐🤔 투자자가 반한 지표 📝📊 리텐션은 어떻게 구하나? 👜 🔍시간 코호트 분석

• 스타트업 투자 유치(IR) 및 서비스 성장의 핵심 지표인 사용자 잔존율(User Retention)과 시간 코호트(Cohort) 분석의 원리를 다룹니다.
• 각 고객(CustomerID)별 첫 구매일시(transform('min'))를 구하고, 이를 기준으로 첫 구매 연월(First YM) 파생변수를 생성합니다.
• 구매 시점과 첫 구매 시점 간의 월 차이를 계산하여 각 구매 트랜잭션이 첫 구매 후 몇 개월 차(CohortIndex)에 일어났는지 산출합니다.
• 첫 구매 월과 코호트 인덱스를 기준으로 유니크 고객 수를 집계하고, unstack()을 적용해 첫 구매 달 기준 잔존 고객 수 코호트 매트릭스를 구축합니다.
• 첫 달(CohortIndex=1) 신규 유입 고객 수 대비 이후 월별 잔존 고객 비율을 계산하여 코호트 잔존율(Retention Rate) 히트맵을 시각화합니다.
• 잔존율 분석 결과 첫 달 이후 고객 이탈이 발생하지만, 장기적으로 특정 비율의 충성 고객층이 지속적으로 남아 재구매를 이어가는 흐름을 확인합니다.
• 단순 고객 수 잔존율뿐만 아니라 첫 구매 코호트별 매출액(TotalPrice Sum) 리텐션을 함께 시각화하여 초기 유입 고객이 가져다주는 장기적 LTV(고객 생애 가치) 효과를 입증합니다.

비즈니스 데이터 분석 [5/7] 📊Online Retail 🛍️ 온라인 커머스 🌐🤔 고객을 다양한 측면에서 📝📊 입체적으로 보고 싶다면? 👜 🔍RFM 분석

• 고객을 최근성(Recency), 구매빈도(Frequency), 구매금액(Monetary)의 3가지 입체적 축으로 분류하는 RFM 마케팅 분석 기법을 실습합니다.
• 분석 기준일(마지막 거래일 + 1일)을 설정하고 고객별 최근 거래일 차이(Recency), 주문 건수/상품수(Frequency), 총 지출액(Monetary)을 집계합니다.
• 상대평가 방식인 pd.qcut을 사용하여 R, F, M 각각의 지표를 약 20% 비율 단위의 5개 등급(1~5점)으로 나눕니다.
• R, F, M 등급을 결합한 세그먼트 코드(예: '555', '111')와 세 점수를 합산한 RFM 스코어(3~15점) 파생변수를 생성합니다.
• RFM 스코어를 바탕으로 고객군을 실버(Silver), 골드(Gold), 플래티넘(Platinum) 등 3단계 간소화 클래스로 재분류하여 관리 편의성을 높입니다.
• 3차원 산점도(Scatter 3D) 및 페어플롯(pairplot), 상관계수 히트맵을 통해 스코어별 고객 분포와 실제 지표(평균 지출액, 방문 빈도) 간의 비례 관계를 검증합니다.
• RFM 세그먼트에 따라 휴면 고객 불러오기, 우수 고객 전용 혜택 제공, 구매 금액 증대 이벤트 등 차별화된 맞춤형 마케팅 전략을 도출합니다.

비즈니스 데이터 분석 [6/7] 📊Online Retail 🛍️ 온라인 커머스 🌐🤔 RFM 분석을 머신러닝으로? 📝📊 고객 군집화를 위한 👜 🔍비지도학습 클러스터링

• 사람이 정한 규칙 기반 RFM 분석을 넘어, 다차원 변수를 정답 레이블 없이 스스로 그룹화하는 비지도학습(Unsupervised Learning) 군집화 개념을 다룹니다.
• K-평균(K-Means) 알고리즘은 임의의 K개 중심점(Centroid)을 잡고 거리가 가까운 데이터를 할당하며 중심을 재계산하는 과정을 반복합니다.
• 거리 기반 머신러닝 모델의 성능을 높이기 위해 치우친(Skewed) RFM 데이터 분포에 로그 변환(np.log1p)을 취해 정규분포 형태로 완화합니다.
• 특성 간 스케일 차이로 인한 편향을 방지하기 위해 사이킷런의 StandardScaler를 활용해 평균 0, 표준편차 1로 스케일링 전처리를 수행합니다.
• K-Means 알고리즘의 한계점으로 군집 수 K를 직접 지정해야 하고, 지역 최솟값(Local Optimum) 빠짐 및 이상치/비구형 데이터에 민감한 특성을 파악합니다.
• 군집화 전처리 시 스케일링과 분포 정규화가 모델의 군집 형성 결과에 결정적인 영향을 미침을 이해합니다.

파이썬 비즈니스 데이터 분석 [7/7] 📊Online Retail 🛍️ 온라인 커머스 🌐🤔 RFM 분석을 머신러닝으로? 📝📊 고객 군집화를 위한 👜 🔍K-means 클러스터링

• 사이킷런의 KMeans 라이브러리를 활용해 전처리된 RFM 데이터셋에 대한 군집화 모델을 구현하고 결과를 해석합니다.
• 군집 내 오차제곱합(Inertia) 변화를 관찰하여 급격히 꺾이는 지점을 찾는 엘보우 메소드(Elbow Method)로 적정 군집 수 K를 탐색합니다.
• 군집 간 분리도와 군집 내 응집도를 나타내는 실루엣 스코어(Silhouette Score) 및 옐로우브릭(KElbowVisualizer) 시각화로 적정 K값(3~5개)을 검증합니다.
• K-Means로 생성된 군집 레이블과 기존 규칙 기반 RFM 클래스(실버, 골드, 플래티넘) 간 교차표(pd.crosstab)를 작성하여 군집 정합성을 비교합니다.
• 머신러닝 군집화 결과와 RFM 분석 결과가 실버/골드/플래티넘 고객군 구분에 유사하게 대응함을 확인합니다.
• 복잡하고 다차원적인 고객 행동 변수가 존재할 때 머신러닝 비지도 학습을 활용하여 정교한 고객 맞춤형 세그먼테이션 파이프라인을 구축할 수 있음을 입증합니다.

라벨 종합 정리

이 영상 시리즈는 실제 이커머스 거래 데이터를 활용해 결측치·이상치 정제부터 시계열 패턴 분석, 핵심 비즈니스 지표(ARPPU, MAU) 도출, 시간 코호트 리텐션 분석까지 전체 분석 파이프라인을 체계적으로 다룹니다.

고객을 최근성(Recency), 방문빈도(Frequency), 구매금액(Monetary) 관점에서 입체적으로 평가하는 RFM 기법을 구현하고, 이를 규칙 기반 및 머신러닝 비지도학습(K-Means)으로 확장하여 정교한 고객 세그먼테이션을 완성합니다.

데이터 전처리(로그 변환, 스케일링)와 히트맵·시각화를 결합해 투자자 설득용 잔존율 리텐션과 고객 맞춤형 마케팅 전략을 이끌어내는 실무 데이터 분석 역량을 제시합니다.

💡 다음 단계 제안: 필요하시다면 이 요약본을 바탕으로 한 페이지 보고서나 슬라이드 개요로 가공해 드릴 수 있습니다. 원하시는 형태가 있으신가요?