신규 고객 맞춤형 프로모션 제안

인구통계학적 데이터를 통해 고객세그멘테이션 진행 (성별, 수입, 나이) 

KMeans 알고리즘을 사용하였고, 훈련데이터는 약 12000행, 평가할 데이터는 3000행을 따로 떼어놓음

 

엘보우 차트서 3을 팔꿈치로 보고 k = 3 으로 설정

 

아래는 훈련데이터의 3D그래프

 

훈련데이터로 만든 KMeans 객체로 평가 데이터 역시 클러스터링 해준다.

 

다음 그렇게 나뉘어진 고객들의 거래빈도, 거래금액, 보상, 프로모션 열람율과 완료율을 총 5가지 변수를 살펴본다.

 

 

차례대로 훈련데이터와 평가데이터의 페어플롯과 3D 그래프이다 (보상, 거래빈도, 거래금액)

왼쪽: 훈련데이터, 오른쪽: 평가데이터

왼쪽: 훈련데이터, 오른쪽: 평가데이터

 

그래프로 확인이 어렵다면 수치로 확인해보자

 

훈련데이터, 평가데이터 기술통계값

 

0번 그룹

	열람율	완료율	획득보상	거래횟수	거래금액
훈련데이터	70.39%	47.79%	8.09	10.01	81.09
평가데이터	72.64%	48.58%	8.35	10.22	81.28

 

1번 그룹

	열람율	완료율	획득보상	거래횟수	거래금액
훈련데이터	77.43%	61.99%	11.04	8.07	120.75
평가데이터	77.78%	62.67%	9.02	4.85	149.80

 

2번 그룹

	열람율	완료율	획득보상	거래횟수	거래금액
훈련데이터	77.02%	73.67%	13.51	7.77	150.39
평가데이터	76.85%	74.03%	9.10	4.43	140.24

 

 

전체적으로 열람율과 완료율에서 오차가 적고, 0번 그룹의 경우 나머지 변수들에서도 오류가 적음을 알 수 있다.

단, 1번 그룹과 2번 그룹의 획득보상, 거래횟수 등에서 차이를 보이는 점은 아쉬움이 남는다.

 

정리 및 결론

각 기존 고객의 인구통계학적 데이터(훈련데이터)로 그룹화한 고객군별로,

열람율, 완료율, 획득보상, 거래횟수, 거래금액의 특징에 맞게 페르소나를 부여하여 맞춤 프로모션 제안 전략을 세우고,

신규고객의 가입정보를 토대로 똑같이 그룹화를 진행에 각 고객군별로 맞춤 프로모션을 제안한다.

 

피드백

다른 평가지표를 사용하거나 지도학습으로 이를 해결할 수 있는지 찾아보자.