1. 분석 배경 및 목표프로모션 효율성을 측정하여 효과가 낮은 프로모션을 제거하고, 효과적인 프로모션에 예산을 집중한다.RFM(Customer Segmentation)을 활용해 주요 고객 세그먼트의 행동 패턴을 분석하여 타겟화된 프로모션 전략을 도출한다. (1) 분석 흐름A. 프로모션 효율성 평가참여율(Offer Completed / View) 계산:각 프로모션별 참여율을 산출하여 효율성을 평가.참여율 공식:거래 금액 기반 추가 평가:참여율이 높은 프로모션의 **총 거래 금액(Total Revenue)**을 확인.참여율이 낮더라도 거래 금액이 높은 프로모션이 있는지 확인.효율성 기준 설정:참여율과 거래 금액 모두 낮은 프로모션 → 제거 후보.참여율은 낮지만 거래 금액이 높은 프로모션 → 분석 필요. B...

직무 소개CRM 마케팅이란 고객 관계 관리(CRM-Customer Relationship Management) 의 약자로 기존 고객을 관리해서 더 많은 가치를 창출하는 마케팅 CRM마케팅이 증가한 이유?대부분의 산업 카테고리가 성숙기에 접어들면서, 고객 1명을 데려오는 고객 획득 비용(CAC)가 높아져 한 번 데려온 고객에게 최대한 많은 가치를 뽑아내는 ‘고객 가치 증대’ 목표를 지향하는 추세 주요 업무1. 고객 데이터 수집 및 관리인구통계, 행동, 선호도 등 고객 정보를 수집 및 업데이트하고 고객 데이터 품질 관리 및 중복 제거, 고객 데이터 보안 및 프라이버시 관리, CRM 시스템 내 고객 데이터 구조화를 담당 2. 고객 세그멘테이션 및 타겟팅 전략 수립고객 데이터 분석을 통한 비슷한 유형의 고객끼리..

A/B 테스트 제대로 이해하기: 5 A/B 테스트에 적정한 표본과 주의 사항 | 요즘IT지금까지 ‘A/B 테스트 제대로 이해하기’ 시리즈를 통해 A/B 테스트의 기본 정보와 가설, 세팅 방법, 그리고 분석 결과 등 여러 정보를 정리했다. 시리즈의 마지막인 이번 글에서는 기획자, PM, 마yozm.wishket.com 1. 아티클 요약 및 주요내용대체 표본, 트래픽의 크기는 매번 다르다. A안과 B안 사이의 차이가 어느 정도 되기를 기대하느냐에 따라 다름.표본이 얼마나 필요한 가? = 두 방안의 결과가 몇 % 정도 차이가 날 것이라고 기대하는가?A안과 B안의 결과 차이가 작더라도 실험 결과가 통계적으로는 유의미 할 수 있고, 표본이 작더라도 A안과 B안의 결과 차이가 크면 마찬가지로 통계적으로 유의미할 수..

문제1. 변동계수 구하기변동계수(coefficient of variation) = 표준편차 / 평균표준 편차를 산술 평균으로 나눈 값 변동 계수는 같은 단위를 가지는 평균값으로 나누어주기 때문에, 측정단위가 서로 다른 자료를 비교하고자 할 때 쓰인다. 변동 계수의 값이 클수록 상대적인 차이가 크다는 것을 의미하며, 상대 표준 편차라고도 부른다. 풀이1. Numpy(1) a와 b의 평균 구하기mean_a = np.mean(com_a)mean_b = np.mean(com_b)print(mean_a, mean_b) (2) 표준 편차 구하기std_a = np.std(com_a, ddof=1) #자유도가 1이다. 표본이기 때문에 자유도 : 자료의 개수 -1std_b = np.std(com_b, ddof=1) (3..

AA/B 테스트: 단일 변수가 다른 두 버전의 콘텐츠를 비교하여 어느 쪽이 더 나은 결과를 산출하는지 확인하는 테스트 방법인공 지능(AI): 인간의 사고나 작업을 시뮬레이션하는 지능형 기계 및 소프트웨어를 개발하는 분야어트리뷰션: 어트리뷰션: 사용자의 전환 완료 경로를 따라 광고, 마지막 클릭 또는 기타 접점을 통한 전환에 대한 크레딧을 할당합니다어트리뷰션 프로젝트: 구글 애널리틱스에서 매크로 및 마이크로 전환을 위한 구성자율 마케팅: 실시간 분석을 사용하여 마케팅 활동 자동화평균 주문 가치(AOV): 개별 주문 금액의 SUM을 주문 수로 나눈 값입니다 B빅데이터: 인사이트를 얻기 위해 매우 큰 데이터 세트에서 체계적으로 정보를 마이닝하고 추출하는 분석 분야버킷 테스트: ( A/B 테스트 참조)예산 지출..

1. 회고  오늘로서 드디어 머신러닝 심화 강의를 다 들었다. 그런데 외계어로 대화하는 듯한 기분이 든다^^ 무슨 말이죠 이게 대체?여태까지 들은 강의 중 가장 재미없는 파트인 것 같다. 마케터가 직접적으로 다루지 않는 범위까지 나와서 그런 것 같은데, 너무 딥하게 들어가는 느낌이다.  가장 기억에 남은 내용은 비지도학습에서 군집화였다. RFM분석에 활용할 수 있는 내용이고, 내가 알고 있던 고객세그멘테이션을 조금 더 통계학적인 관점에서 설명을 들어볼 수 있었다. 아직 코드 구현이 어려운 점들이 있어서, 강의를 돌려보면서 내가 받아들일 수 있는 부분들은 최대한 머리에 넣어보아야 겠다.  일단은 이해가 되었든 안되었든 머신러닝 수업을 다들어서 마음이 한결 가벼워졌다. 이제 이론 수업들은 대부분 들은 것 같..

1. 데이터 분리 과대적합(Overfitting): 데이터를 너무 과도하게 학습한 나머지 해당 문제만 잘 맞추고 새로운 현상은 잘 맞추지 못하는 경우과소 적합: 모형이 지나치게 단순할 때 과대 적합: 모형이 지나치게 복잡할 때학습 데이터(Train Data): 모델을 학습(fit)하기 위한 데이터테스트 데이터(Test Data): 모델을 평가 하기 위한 데이터함수 및 파라미터 설명 sklearn.model_selection.train_test_split파라미터test_size: 테스트 데이터 세트 크기train_size: 학습 데이터 세트 크기shuffle: 데이터 분리 시 섞기random_state: 호출할 때마다 동일한 학습/테스트 데이터를 생성하기 위한 난수 값. 수행할 때 마다 동일한 데이터 세트..

1. 회고  드디어 지옥같던 한 주가 지나갔다. 흐아ㅏ아악 머신러닝! 그리고 파이썬 베이직반에서 챌린지반으로 넘어가서 수업을 듣고 있는데, API로 데이터를 긁어올 수 있다는 게 흥미로웠다. 파이썬으로 할 수 있는 일이 이렇게 무궁무진하다니 더 잘 다뤄서 해낼 수 있는 역량을 넓히고 싶다. 문제는 머신러닝이 나에게 굉장히 받아들이기 어려운 신식 개념으로...익숙해지지 않는다. 뭔가 머신러닝이 주는 어감 때문에 무서워서이지 않을까 싶고, 간단하게 프로그램을 학습시켜서 예측할 수 있도록 만들어내는 걸 짠다고 생각하면 좋을 것 같은데 생소한 개념이라서 와닿지 않는 것 같다. 아직 부족한 통계 지식도 마찬가지고..어제 류근관 교수님의 통계학이랑 양승화님께서 쓰신 그로스 해킹 책을 새로이 구입했다. 공부할 게 많..