당신을 야근에서 구해줄 무기 데이터 리터러시_2

2024.03.19 - [분류 전체보기] - 당신을 야근에서 구해줄 무기 데이터 리터러시

 

매출을 이루는 과정의 퍼널 분석에 집중한다면 어느 페이지에서 고객 이탈이 가장 많이 이루어졌는지를 통해 이탈을 막는 설계로 이어질 수 있습니다. 결국 매출을 위해 내가 할 수 있는 액션이 무엇인지에 따라 매출을 바라보는 방식이 모두 다를 수 밖에 없습니다. 

마케팅을 담당하는 부서라면 광고 집행 비용 대비 매출이 나오는 채널이 어디인지 알고 해당 채널에 집중할지, 아니면 신규 고객이 많지만 광고 집행 비용 대비 매출이 적은 채널에 다른 방식으로 콘텐츠 마케팅을 할지 정 할 수있겠죠. 

 

매출액	구매 고객수	X	고객당 구매액
	상품 카테고리	X	카테고리별 매출
	유입채널	X	유입채널당 매출
	유입 고객 수	X	구매 전환율

※ 매출액을 설명할 수 있는 방법들 

 

고객을 구매 금액이나 빈도에 따라 관리해야 한다. 혹은 고객의 구매 금액이나 빈도에 따라 고객 경험을 관리해야 Lock-in 에 효과적이다. 와 같은 거죠. 대상을 구분하는 것 자체에 가설이 있습니다. 그러므로 대상을 구분하는 자체를 데이터에 의존해서 진행하는 것이 중요합니다. 기존 관점에 갇혀 있으면 전혀 보지 못하는 것을 데이터를 통해 볼 수 있도록 만들어야 합니다. 

 

구매 금액에 따른 고객 분류 

-고객 등급에 따른 혜택 설계 

월 10만원 미만, 월 30만원 미만, 월 50만원 미만 

 

구매 빈도에 따른 고객 분류 

-구매 패턴을 찾을 고객 정의 

일회성 구매 , 2회 이상 구매 

 

구매 취향에 따른 고객 분류 

- 고객 과거 취향별 상품 추천 

간편식 선호 / 축산 선호 / 청과 선호 

가설을 만드는 방법은 간단합니다. 가설을 검증할 수 있는 데이터가 무엇인지 정하는 것입니다. 가설을 세울 데이터의 존재 여부를 알아야 정말 문제를 풀 수 있는지를 알 수 있습니다. 

최근 매출 부진의 원인을 신규 고객과 기존 고객으로 구분한 후, 신규 고객의 매출액 감소라 정하고 분석 했더니 정말 최근 몇 주간 신규 고객 수 자체가 줄어서 매출액이 줄어들었다고 말할수 있으려면 어떤 데이터가 필요할까요? 

아마 고객의 가입일, 구매일, 구매액, 고객번호 일것입니다. 

 

고객번호가 없다면 일단 이 주문을 누가 했는지 아예 구분할 수 없습니다. 가입일이 없다면 신규고객인지 기존 고객인지 구분할 수 없습니다. 물론 이 과저에서 언제 가입한 고객을 신규 고객으로 정희할지 기준을 정해야 합니다. 

신규 고객이 재구매에 도달하는 평균적인 시간 범위로 신규 고객의 기준을 정하거나, 경우에 따라서는 신규 고객의 기준을 몇 가지로 정한 후 테스트 하는 과정도 필요합니다. 시간의 추이를 따른 매출액 등의 변화를 보기 위해 구매일, 구매액 데이터도 필요합니다. 

가설 : 최근 신규 고객 수의 감소가 매출 부진의 원인일 것이다. 

 

※신규 고객을 어떻게 정량적으로 정의 할 것인가? 

 개별 고객이 매일 주문한 금액을 데이터로 확인할 수 있는가 ? 

가입일 기준으로 정하면 언제까지 가입일 지난 고객이 신규 고객일까? 

주문 금액, 지불금액, 실지불 금액중 어떤 변수를 사용 해야 할까 ? 

 

가설 : 최근 일 단위 가입자 수 감소가 주문 금액 정체의 원인일 것이다. 

 

 

상관 분석은 비교적 쉽게 적용할 수 있는 주제라서 초반 데이터 분석에서 많이 하곤 합니다. 가령 하나의 상품을 구매할 때 함께 구매하는 카테고리를 알고 싶거나 전혀 다른 두 채널에서 같은 고객이 서로 비슷하게 이용하는 카테고리를 찾을 때 여러 방법이 있겠지만 탐색적 방법으로 상관관계를 구하기도 합니다. 또 상품의 판매량을 설명하는 변수들을 초반에 간단하게 볼 때도 사용합니다. 

상관 관계 

X 가 증감할 때 Y 가 얼마나 증감하는지를 나타내는 관계. -1과 1 사이의 상관계수를 통해 함께 늘어나는지 오히려 반대로 줄어드는지 설명한다. 보통 0에 가까우면 변수 사이의 관계가 없으며 -1과 1에 가까울수록 상관성이 있다고 할 수 있다. "까마귀 날자 배 떨어진다" 처럼 우연도 해당될 수 있다. 

 

인과관계

먼저 X가 일어날 때 Y가 어떻게 변하는지에 따라 Y에 영향을 주는 X 를 설명하는 관계 관계를 설명할 때 누락된 다른 변수가 없는 상태에서 안정적인 결과가 반복적으로 나타나는 것이 상관성과의 주요 차이이며 회귀식 등 모델을 통해 파악할 수 있다. 

 

최종 목표는 수익 창출 

• 정답이란 건 어딘가 있지만 비즈니스에서는 돈을 잘 버는 방법으로 정답이 바뀔 수 있다는 것을 기억합시다. 사실상 전수 데이터를 다루는 기업 분석에서는 결과적으로 수익을 내는 방향이 그 어떠한 결과보다 강력한 근거가 되기도 합니다. 만약 데이터 분석결과가 마음에 들지 않는다면, 데이터 분석을 반복해서 다른 결과를 도출해 내야 합니다. 현실적으로 조직 내에서 돈이 되지 않는 것을 원리나 논리만으로 주장한다면 종국에는 신뢰마저 잃기 쉽습니다. 

 

가장 대표적인 분야가 전략을 만드는 것 입니다. 머신러닝으로 고객이 고를 다음 상품을 고객에게 추천해줄 수도 있고 고객이 자주 구매하는 제품의 적절한 물류량을 제어할 수도 있습니다. 더 많이 구매할 확률이 있는 고객을 위해 자동으로 쿠폰을 발송하는 것도 가능합니다. 마음만 먹는다면 생필품에 가까운 제품은 얼마든지 수요를 예측해서 데이터가 알아서 결정할 수도 있습니다. 

 

데이터에 대한 활용도 마찬가지 입니다. 모든 것을 데이터가 말해주지는 않습니다. 사람이 당연히 해야 하는 것이 있습니다. 어떤 일을 어떻게 할지 처음에 일 자체를 설계하는 것은 사람의 몫일 확률이 높습니다. 정해진 일을 어떻게 잘할지는 데이터가 해줄 수는 있지만 말입니다. 

 

내부적으로는 데이터를 키우는 작업을 해야 합니다. 매출을 키우는 것과는 다른 일이죠. 고객수를 늘리거나 더 많은 제품 데이터를 확보하는 것도 훌륭한 일입니다. 하지만 데이터의 질을 올릴수도 있습니다. 예를 들면 고객의 취향을 식별할 수 있는 비정형 데이터 활용이 있을 것 입니다.

온라인상에서 쌓이는 고객 데이터가 단순히 구매와 페이지별 방문과 검색 등이라면 제한된 상품을 넘어선 고객의 취향을 얻는 데이터는 더 높은 수준의 인사이트를 얻게 할 수 있습니다. 

대표적인 방법으로 커뮤니티 활성화가 있습니다. 

가장 쉬운 방법은 우리 고객이 누구인지 정의해보는 것입니다. 장바구니 분석처럼 어떤 물건을 구매하는 고객이 어떤 것과 함께 구매하는지를 보고 고객의 취향에 맞는 기획전을 만들고 관련된 프로모션으로 높은 반응율을 끌어내는 것이죠. 

 

peter331and@gmail.com  궁금한 내용이 있다면. 

인과관계에 대해 물어봐야겠다.