마케팅 지표 분석, 고객 세분화, 통계 분석 기반 성과 예측

마케팅 지표 분석

주요 마케팅 성과지표(performance metrics) 분석을 통해 캠페인의 효과를 측정하고 향후 전략 수립에 활용할 인사이트 도출하기.
각 지표를 종합적으로 분석해 트래픽 증가 → 전환율 최적화  → 광고 효율성 개선  → 고객 유지 및 충성도 향상이라는 선순환 구조를 구축해야 한다. 마케팅 목표에 맞는 주요 KPI를 설정하고 지속 모니터링하며 최적화하는 것이 데이터 기반 마케팅의 핵심!
 

트래픽 (Website Traffic) 관련 지표	방문자 수 (visitors)	특정 기간 동안 웹사이트를 방문한 사용자 수
	페이지 뷰 (page views)	방문자가 특정 웹사이트에서 본 페이지 수
	세션 (session)	방문자가 웹사이트에서 머무른 활동 단위
	이탈률 (bounce rate)	방문자가 한 페이지를 본 후 바로 이탈하는 비율
전환 (Conversion) 관련 지표	전환율 (conversion rate)	방문자가 실제 구매, 회원가입 등의 행동을 한 비율	전환 수 / 총 방문자 수 (or 노출수) X 100
	장바구니 이탈율 (cart abandonment rate)	이커머스에서 구매 직전 단계까지 갔다가 결제하지 않고 웹사이트를 이탈한 비율	장바구니 추가 후 결제하지 않은 사용자 수 / 장바구니 추가한 사용자 수 X 100
광고 성과 (Ad Performance) 관련 지표	클릭률 (CTR)	광고 노출 대비 클릭 수 비율 (Click-Through Rate)	클릭수 / 광고 노출수 X 100
	광고비 대비 매출 (ROAS)	광고비 대비 매출 성과 (Return on Ad Spend)	광고를 통한 매출 / 광고비 X 100
	고객 획득 비용 (CAC)	신규 고객 1명을 획득하는 데 소요된 비용	마케팅 비용 총액 / 신규 고객수
고객 유지 (Customer Retention) 관련 지표	고객 유지율 (CRR)	기존 고객이 계속해서 서비스를 이용하는 비율  (Customer Retention Rate)	(기간 종료 시점의 기존 고객 수 - 이탈 고객 수) / (기간 시작 시점의 기존 고객 수) X 100
	반복 구매율 (RPR)	고객이 제품을 한 번 이상 구매하는 비율 (Repeat Purchase Rate)	두 번 이상한 구매한 고객 수 / 총 고객 수 X 100
	순추천고객지수 (NPS) **Net Promoter Score**	고객이 브랜드를 추천할 가능성을 평가하는 지표 0~6점: 비추천 (detractors), 7~8점: 중립 (passive), 9~10점: 추천 (promoters)	Promoters (추천 고객) 비율 - Detractors (비추 고객) 비율
소셜미디어 성과 관련 지표	팔로워 증가율 (Follower Growth Rate)	소셜 미디어 팔로워 수가 증가하는 속도	신규 팔로워 수 / 이전 팔로워 수 X 100
	참여율 (Engagement Rate)	사용자가 콘텐츠에 반응한 비율 (like, comment, share, save 등)	좋아요 + 댓글 + 공유 수 / 팔로워 수 X 100
	도달율 (Reach Rate)	게시물이 얼마나 많은 사용자에게 도달했는지 측정	도달 수 / 팔로워 수 X 100

 

lotteon.csv 데이터로 주요 마케팅 지표 분석 연습하기

 

1. Google Colab에서 CSV 파일 로드, 기본 데이터 확인

 
2. 일별 방문자 수, 페이지뷰 수 추세 분석 (2024년 1월 간)
* matplotlib 한글 폰트 깨짐 해결: !pip install koreanize-matplotlib / import koreanize_matplotlib

 
3. 마케팅 캠페인별 평균 전환율 비교

 
4. 광고비가 증가할수록 ROAS(광고 수익률)가 증가하는지 확인

 
5. 신규 고객 수와 CAC(고객 획득 비용) 간의 관계 분석

 
6. 이탈율과 전환율 간의 상관관계 분석

 
7. 클릭률(CTR)이 높은 캠페인과 낮은 캠페인 비교, 평균 CTR 값 도출

 
8. 마케팅 캠페인별 ROAS 차이 분석

 
9. 장바구니 이탈률이 높은 날짜와 낮은 날짜를 비교해 원인 분석

 
10. 월별 평균 방문자 수 및 전환율 변화 분석

 

고객 세분화(segmentation)를 위한 통계 분석 

세분화(segmentation)는 고객의 특성과 행동패턴을 분석해 비슷한 집단끼리 나누는 전략으로, 맞춤형 마케팅을 위해 필요하다.
고객 세분화에는 다양한 통계 분석 기법이 사용되는데, 대표적으로 기술 통계 분석, K-평균 군집 분석, RFM 분석, 계층적 군집 분석 등이 있다.
 

1. 기술 통계 분석

• 평균 (Mean): 고객 1인당 평균 구매 금액, 평균 방문 횟수 등을 분석하는 데 사용된다.
• 중앙값 (Median): 데이터의 중앙값을 계산하여 이상치의 영향을 최소화할 수 있다.
• 표준편차 (Standard Deviation): 고객 간 소비 패턴의 차이를 파악하는 데 도움을 준다.
• 최댓값 및 최솟값 (Max & Min): 가장 높은 구매 금액과 가장 낮은 구매 금액을 확인할 수 있다.

 

2. K-평균 군집 분석 (K-Means Clustering) - 가장 많이 쓰이는 통계 기법

• 유사한 특성을 가진 그룹끼리 묶어 그룹 생성. 그룹 개수(K)는 사전 지정 필요
• 고가 제품 선호 그룹, 할인 제품 선호 그룹 등으로 세그먼트화 가능. 

 

3. RFM 분석 (Recency, Frequency, Monetary Analysis)

• 고객을 3가지 기준으로 평가해 가치 측정 (VIP, 일반, 이탈 가능 고객 등으로 구분)
• 최근성 (Recency): 고객이 마지막으로 구매한 날짜를 기준으로 측정된다.
• 빈도 (Frequency): 일정 기간 동안 고객이 구매한 횟수를 측정한다.
• 금액 (Monetary): 고객이 사용한 총 금액을 기준으로 평가한다.

 

4. 계층적 군집 분석 (Hierarchical Clustering)

• 고객을 계층 구조로 그룹화해 유사도에 따라 점진적으로 병합 (세부적인 등급으로 나눌 수 있음)

 

통계적 분석을 통한 마케팅 성과 예측

다중 회귀분석, 로지스틱 회귀 분석, 군집 분석, 감성 분석 등 통계적 분석 기법을 활용해 고객 반응과 매출 성과 등을 예측할 수 있다. 이러한 데이터 기반 성과 예측 시스템을 통해 마케팅 전략을 최적화하고 예산을 효율적으로 배분할 수 있다.
 

1. 다중 회귀 분석 (Multiple Regression Analysis)

- 회귀분석은 마케팅 요소(광고비, 고객 참여도 등)와 성과(매출, 구매 전환율 등) 간의 관계를 분석하는 대표적인 방법.

단순 회귀분석 (Simple Regression Analysis)	다중 회귀분석 (Multiple Regression Analysis)
하나의 독립변수(X)가 종속변수(Y)에 미치는 영향 분석	여러개의 독립변수(X1, X2...)가 종속변수(Y)에 미치는 영향 분석
ex) 광고비(X)를 100만원 늘렸을 때 매출(Y)이 얼마나 증가할지 예측	ex) 광고비(X1), SNS 반응(X2), 이메일 마케팅(X3)이 매출(Y) 증가에 미치는 영향을 종합적으로 분석

 
- 예제 코드: 다중 회귀 분석을 통한 마케팅 성과 예측 (광고비, 이메일 마케팅 반응률, 고객 리뷰 점수와 매출 간의 관계 분석)

 
 
2. 시계열 분석 (Time Series Analysis)

- 일정 기간 동안의 데이터를 기반으로 미래 성과 예측

이동 평균법 (Moving Average)	ARIMA (AutoRegressive Integrated Moving Average)
과거 일정 기간 동안의 데이터의 평균값을 토대로 미래 값 예측	과거의 패턴과 추세를 분석해 미래 값을 예측하는 시계열 모델
ex) 성수기와 비수기의 매출 패턴을 분석해 적절한 광고 예산 책정	ex) 연말 프로모션의 효과를 예측해 계절별 마케팅 전략 수립

 
- 예제 코드: 이동 평균법과 ARIMA 모델을 통해 다음 달 매출 예측

 

 
3. 로지스틱 회귀 분석 (Logistic Regression Analysis)

- 특정 마케팅 캠페인이 성공할 확률 예측 (ex. 이메일 제목이나 광고 문구에 따라 전환율이 증가하는 패턴 분석)

- 예제 코드: 로지스틱 회귀 분석을 활용해 마케팅 캠페인의 성공 가능성 예측 (고객의 구매 여부를 0 or 1로 예측하는 모델 구축)