RFM 분석(Recency, Frequency, Monetary value)란 무엇인가?RFM 분석은 고객의 행동을 기반으로 고객 가치를 평가하고 세분화하기 위한 마케팅 분석 기법입니다. 이 기법은 다음 세 가지 요소를 바탕으로 고객을 분류합니다:Recency (최종 구매 시점): 고객이 마지막으로 구매한 시점이 얼마나 최근인지를 의미합니다. 최근에 구매한 고객일수록 브랜드와의 관계가 더 활발하다고 판단할 수 있습니다.Frequency (구매 빈도): 고객이 일정 기간 동안 얼마나 자주 구매했는지를 나타냅니다. 자주 구매하는 고객일수록 더 충성도가 높은 것으로 간주됩니다.Monetary value (구매 금액): 고객이 일정 기간 동안 지출한 총 금액을 의미합니다. 이 요소는 고객이 얼마나 가치 있는지,..
코드잇스프린트 #스프린트데이터분석1기 #취업까지달린다코드잇스프린트
코호트(Cohort)정의: 코호트는 특정 시점이나 공통된 특징을 공유하는 사용자 집단을 말합니다. 예를 들어, 특정 날짜에 가입한 사용자들, 특정 캠페인에서 유입된 사용자들, 혹은 특정 행동(예: 첫 구매)을 한 사용자들이 하나의 코호트가 됩니다.사용 목적: 코호트 분석은 시간이 지남에 따라 특정 사용자 집단의 행동 변화를 추적하는 데 사용됩니다. 이를 통해 사용자 유지율, 활동성, 구매 패턴 등을 분석하고, 특정 시점의 사용자 행동이 어떻게 변화하는지 파악할 수 있습니다.예시: 2024년 1월에 가입한 사용자 코호트를 분석하여, 1개월 후, 3개월 후, 6개월 후의 리텐션(유지율)을 비교합니다. 이를 통해 특정 시점에 가입한 사용자들의 장기적인 행동 패턴을 이해할 수 있습니다. 세그먼트(Segment)..
AARRR 프레임워크AARRR 프레임워크는 스타트업 및 제품 관리에서 자주 사용되는 고객 라이프사이클 관리 모델입니다. AARRR은 다섯 가지 주요 단계로 구성됩니다:Acquisition (취득): 사용자가 제품이나 서비스를 처음 접하고, 이를 사용하기 시작하는 단계입니다. 이 단계에서는 마케팅 활동, SEO, SNS 캠페인 등을 통해 사용자를 유입시키는 것이 목표입니다.Activation (활성화): 사용자가 제품을 처음 사용하면서 긍정적인 경험을 하는 단계입니다. 예를 들어, 앱을 다운로드하고 첫 로그인을 완료하거나 첫 기능을 사용하는 것 등이 포함됩니다.Retention (유지): 사용자가 계속해서 제품을 사용하도록 만드는 단계입니다. 이 단계는 제품의 지속적인 사용을 촉진하기 위해 사용자의 참여도..
1. Support (지지도)정의:Support는 특정 상품 또는 상품 조합이 전체 거래에서 얼마나 자주 발생하는지를 나타냅니다. 수학적으로는 다음과 같이 정의됩니다: 중요성:Support는 특정 상품이나 상품 조합의 빈도를 측정하여, 이들이 얼마나 중요한지 평가할 수 있게 합니다. Support가 높다는 것은 해당 규칙이 전체 데이터에서 빈번하게 발생함을 의미하며, 비즈니스 전략을 세우는 데 있어 중요한 고려 요소입니다.예시:만약 전체 1,000건의 거래 중 150건에서 빵(A)이 포함되었다면, 빵의 Support는 0.15(15%)입니다. 이 지표는 빵이 고객들에게 얼마나 인기 있는 상품인지를 알려줍니다.2. Confidence (신뢰도)정의:Confidence는 특정 상품을 구매한 고객이 다른 특정..
1. 연관 상품 추천사례: 고객이 장바구니에 넣은 상품들을 분석하여 자주 함께 구매되는 상품을 파악하고, 이 정보를 바탕으로 관련 상품을 추천할 수 있습니다.비즈니스 인사이트: 자주 함께 구매되는 상품을 파악함으로써 고객이 추가로 구매할 가능성이 높은 상품을 추천할 수 있습니다. 이는 추가 매출을 창출할 수 있으며, 고객 경험을 개선하여 재구매율을 높일 수 있습니다. 예를 들어, A라는 상품을 구매한 고객이 B라는 상품도 자주 구매한다면, B 상품을 자동으로 추천할 수 있습니다.2. 상품 진열 및 배치 전략사례: 장바구니 분석을 통해 자주 함께 구매되는 상품 쌍을 식별하고, 오프라인 매장에서 해당 상품들을 가까운 위치에 배치할 수 있습니다. 이는 고객이 더 쉽게 관련 상품을 찾고 구매하도록 도와줍니다.비..
히스토그램의 주요 단점1. 구간의 개수와 경계에 민감함:히스토그램은 데이터를 일정한 구간으로 나누어 각 구간의 빈도를 보여줍니다. 그러나 이 구간의 개수와 경계를 어떻게 설정하느냐에 따라 결과가 크게 달라질 수 있습니다. 빈이 너무 많으면 과적합된 듯한, 잡음이 많은 히스토그램이 되고, 빈이 너무 적으면 중요한 분포의 특징을 놓칠 수 있습니다.2. 연속성을 반영하지 못함:히스토그램은 데이터가 구간별로 끊어져 표현되기 때문에, 데이터의 연속성을 잘 보여주지 못합니다. 연속적인 데이터 분포를 한눈에 파악하기 어려울 수 있습니다.3. 데이터 비교의 어려움:여러 데이터 세트를 비교할 때, 히스토그램은 이를 명확하게 나타내기 어렵습니다. 여러 히스토그램을 한 그래프에 겹쳐서 그리면 시각적 혼란이 발생할 수 있으며..
고유값(Eigenvalue)과 고유벡터(Eigenvector)의 개념고유값과 고유벡터는 선형대수학에서 중요한 개념으로, 특히 행렬과 관련이 깊습니다. 간단히 말해, 어떤 정사각 행렬 A가 있을 때, 이 행렬이 특정 벡터에 곱해질 때 그 벡터의 방향은 변하지 않고 크기만 변합니다. 이때, 벡터의 크기를 변하게 하는 값을 고유값이라고 하고, 그 벡터를 고유벡터라고 합니다.공식적으로는, 벡터 v가 행렬 A에 의해 변환될 때, 변환된 벡터가 원래 벡터 v와 같은 방향을 유지하면서 크기만 변한다면, 이 벡터 v를 고유벡터라고 하고, 이 크기의 변환 비율을 고유값이라고 합니다.이를 수식으로 표현하면, Av = λv로 나타낼 수 있습니다.여기서:A는 행렬 (n x n 정사각 행렬)v는 고유벡터 (n x 1 벡터)λ는..
1. 차원 축소(Dimensionality Reduction)고차원 데이터를 다룰 때, 차원 축소 기법을 사용하면 데이터의 주요 특징을 보존하면서 차원을 줄일 수 있습니다. 대표적인 차원 축소 방법은 다음과 같습니다:PCA(Principal Component Analysis): PCA는 고차원 데이터를 몇 개의 주요 성분(Principal Components)으로 변환하여 차원을 줄입니다. 이를 통해 데이터를 더 낮은 차원에서 표현할 수 있으며, 클러스터링을 수행하기 전에 데이터의 잡음을 줄이고, 계산 비용을 절감할 수 있습니다.t-SNE(t-Distributed Stochastic Neighbor Embedding): t-SNE는 고차원 데이터를 저차원 공간(일반적으로 2D 또는 3D)으로 시각화하기 ..
