[본캠프 25일차] 부록: [chap 2] 기초 프로젝트 준비②

 

 

---

 

[본캠프 24일차] 부록: [chap 2] 기초 프로젝트 준비①

 

(출처: 내 티스토리 "[본캠프 24일차] 부록: [chap 2] 기초 프로젝트 준비①")

어제에 이어서(오늘은 월요일인데도 어제에 이어서라니... 흑) 오늘은 구매 건수에 따른 고객의 특성을 파악해보기로 한다.

---

---

구매 건수에 따른 고객군 분석하기

transactions 테이블의 기본적인 고객 데이터에 관한 정보 짚고 넘어가기

# 이전 데이터 분석으로 알아놓은 부분이지만 오늘 살펴볼 부분과 관련 있는 것들을 한 곳에 모아봄

# 구매 고객 수 세기
구매_회원_수 = tra['customer_id'].nunique() # transactions 테이블의 회원 수 집계
전체_회원_수 = cus['customer_id'].nunique() # customers 테이블의 회원 수 집계
print(f'전체 회원 수: {전체_회원_수}, 구매 회원 수: {구매_회원_수} 구매 회원이 차지하는 비율은 {(구매_회원_수/전체_회원_수)*100}%')

# 고객당 구매 건수(customer_id별로 거래일자가 등장한 횟수 집계)
purchase_cnt = pd.DataFrame(tra.groupby('customer_id')['t_dat'].count())

• transactions 테이블은 2019년(2019-01-01~2019-12-31)의 거래 내역을 담은 데이터
• transactions 테이블에 집계된 고객 수는 458,235명 (이는 customers 테이블의 전체 회원 중 43.7%)
• transactions 테이블은 한 행이 [구매 고객 ID]+[구매 제품 ID]+[해당 제품의 가격] 이렇게 고객 한 명에, 제품 한 개 구매에 대한 정보가 담겨 있음
  • ( = 즉, 하루에 여러 개의 제품을 구매했든, 여러 번의 구매를 했든 구매한 제품 내역이 한 행 한 행 기록됨)
  • ( = 구매 건수: 2019년 동안 몇 개의 제품을 구매했는지(≠거래 횟수) )

transactions 테이블을 거래일자(t_dat), 그리고 고객 ID(customer_id) 기준으로 오름차순으로 정렬한 모습

하나씩 살펴보다가 transactions 테이블이 가진 특성에 따라 구매 건수와 재구매율을 정확히 정의하고 넘어가야 할 필요성을 느끼게 됐다. 

 

위의 transactions 테이블은 거래일자, 그리고 고객ID 기준으로 오름차순으로 정렬한 모습 중 일부다. 보다시피 날짜 순으로 정렬되고, 날짜가 동일할 경우 고객ID를 기준으로 정렬했다.

앞서 언급했듯이 transactions 테이블은 한 행이 어떤 고객이 어떤 제품 한 개를 구매했는지 담고 있다.

 

그래서 이 점에서 착안해서 처음에 구매 건수를 집계할 때에 customer_id를 기준으로 t_dat을(사실 t_dat이 굳이 아니어도 괜찮음) count()로 집계하면 해당 고객ID에 해당하는 행이 몇 행 있는지 집계해 구매 건수를 계산할 수 있다고 생각했으나,
위의 transactions 테이블에서 고객 아이디가 '0701344…' 해당하는 고객을 보면 2019년 1월 1일에 물건 3개를 구매함으로써 행이 3개 잡히는 모습을 볼 수 있다. 이렇게 되면 구매 건수는 해당 고객ID가 물건을 몇 개 구매했는지를 집계하고 있음을 알 수 있다.

 

이에 재구매율을 계산하려면 구매 건수를 사용할 수 없겠다는 판단이 들었다.
만약 어떤 이가 H&M에서 하루만 거래했음에도 품목 3개를 구매함으로써 구매 건수가 3으로 집계된 것을 가지고 재구매했다고 얘기할 수 없는 것은 당연하기 때문이다. 그래서 t_dat에 시간 데이터는 없는 관계로 customer_id를 기준으로 t_dat(이번엔 t_dat이어야 함)을 nunique()로 집계하면 재방문 횟수로 사용할 수 있겠다 싶었다. 이를 방문 횟수로 정의하여 해당 고객ID가 몇 번 H&M에서 물건을 구매하러 왔는지를 집계하기로 했다. 

그냥... 내가 바보였어.....

 

해당 고객의 총 구매 제품 수와 총 방문 횟수

# 구매 건수 집계 (구매 건수: 해당 고객이 2019년 동안 구매한 제품의 수)
trapt_buycnt = tra.pivot_table(index='customer_id', values='t_dat', aggfunc='count')
trapt_buycnt.rename(columns={'t_dat':'total_article_cnt'}, inplace=True)
# 방문 횟수 집계 (방문 횟수: 해당 고객이 2019년 동안 방문한 횟수) *거래일이 중복값 없이 집계
trapt_visitcnt = tra.pivot_table(index='customer_id', values='t_dat', aggfunc='nunique')
trapt_visitcnt.rename(columns={'t_dat':'visit_cnt'}, inplace=True)
trapt_cnt = pd.merge(trapt_buycnt, trapt_visitcnt, how='left', left_on='customer_id', right_on='customer_id')

• ['total_article_cnt']: 해당 customer_id가 2019년 동안 제품을 총 몇 개 샀는가
• ['visit_cnt']: 해당 customer_id가 2019년 동안 총 몇 번 우리 매장을/쇼핑몰을 방문했는가 (온/오프 구분 안 하고 집계)

(좌) 1인 최대 구매 제품 수는 60개 / (우) 1인 최대 방문 횟수는 41회

 

#고객의 방문 횟수에 따른 해당 고객의 객단가(AOV) 계산하기

# 고객ID별, 거래일자별 총 소비금액 계산하기
amount_iddate = pd.DataFrame(tra_final.groupby(['customer_id', 't_dat'])['price3_KRW'].sum())
amount_iddate = amount_iddate.reset_index()
amount_iddate.rename(columns={'price3_KRW':'total_sum'}, inplace=True)
# 고객ID별 방문횟수 집계
visitcnt_id = pd.DataFrame(amount_iddate.groupby('customer_id')['t_dat'].nunique())
visitcnt_id = visitcnt_id.reset_index()
visitcnt_id.rename(columns={'t_dat':'visit_cnt'})
# 고객ID별 총 소비금액 계산하기
amount_id = pd.DataFrame(amount_iddate.groupby('customer_id')['total_sum'].sum())
amount_id = amount_id.reset_index()
# 고객ID별 객단가 계산 (총 소비금액 / 방문횟수)
aov_id = pd.merge(amount_id, visitcnt_id, how='left', left_on='customer_id', right_on='customer_id')
aov_id['AOV'] = aov_id['total_sum']/aov_id['t_dat']

customer_id별 AOV(객단가)를 구한 모습

...

.....

이제 저 테이블을 갖고 방문 횟수별로 피벗 테이블로 총 판매액, 고객 수, 일인 평균 소비 금액(총 판매액/고객 수), 객단가의 중앙값(..필요 없나? 잘 모르겠음) 등을 구매봤어야 하는데 너무 머리가 아파서 잠시 퍼져있었다.

 

그랬는데 오늘 오후에 고객 세그먼트에 있어서 자료 조사를 하면서 좀 더 방향을 잡아보려다가... 그냥 우선 자려고. 하.

250325 고객 세그먼트, 그것은 어떻게 하는 것인가...