SQL (BigQuery, DuckDB), Python (pandas, scipy, scikit-learn), Tableau, Looker Studio
방법
가설 검정, 실험 설계, 코호트와 퍼널 분석, 지표 정합성 점검과 이상 탐지, 예측 모델과 해석(SHAP), 군집 분석
화장품 쇼핑몰 장바구니 이탈 분석과 실험 설계
개인 프로젝트
데이터 Kaggle 행동 로그 2,069만 건 (2019.10 – 2020.02)도구 SQL (DuckDB, BigQuery), Python, Tableau
1부 · 이탈 원인과 회수 전략
장바구니에 담고도 사지 않는 고객은 왜 떠나고, 다시 데려올 수 있을까?
분석 결과구매 여부는 장바구니 금액에서 갈렸습니다. 상품 가격대별 전환율은 거의 같았는데, 장바구니 금액이 10 미만이면 6.66%, 10 이상이면 18.31%였습니다. 배송비 부담 때문일 것으로 보고, 무료배송까지 남은 금액을 안내하는 실험을 제안했습니다.
담고도 끝내 사지 않은 금액은 실제 매출의 2.80배였습니다. 세션 단위로 세면 중복이 섞여 3.46배가 나와서, 고객과 상품 단위로 다시 센 보수적인 값을 썼습니다.
상품을 1개만 담은 세션끼리 비교해도 금액이 클수록 전환율이 높았습니다. 상품 개수 효과만으로는 설명되지 않았습니다.
이탈 고객의 절반은 24시간 안에 돌아오지만, 돌아온 고객도 대부분 사지 않았습니다.
BigQuery로 원본부터 다시 계산해 핵심 지표 19개 중 18개가 같게 나왔고, 파티션으로 같은 조회의 스캔량을 80.6% 줄였습니다.
제안금액 10 미만 장바구니에는 무료배송까지 남은 금액을 안내하고, 24시간 안에 돌아오지 않은 고객에게는 리마인드를 보냅니다. 기대 효과는 가정에 따라 매출 +3~12%로 범위가 넓어 실험으로 확인하도록 했고, 담당 직군, 지표, 성공 기준, 기간을 정한 실행 태스크 5개로 나눴습니다.
데이터 Google Merchandise Store GA4 이벤트 430만 건 (2020.11 – 2021.01)도구 SQL (BigQuery), Python, Looker Studio
퍼널과 리텐션 숫자를 그대로 믿어도 될까, 그렇다면 무엇부터 바꿔야 할까?
분석 결과가장 많이 빠지는 곳은 상품 탐색 단계였습니다. 세션의 79%가 상품 상세까지 가지 못했고, 이 비율을 1%p만 올려도 매출이 약 2.3~4.7% 늘어나는 규모입니다. 다만 그 전에 장바구니 25일, 매출 6일이 기록되지 않은 측정부터 고쳐야 했습니다.
25일
구매는 있는데 장바구니 이벤트가 기록되지 않은 기간
3.9%
기록되지 않은 매출 추정 비중 (1/26 이후)
79%
상품 상세까지도 가지 않고 끝난 세션
같은 지표를 쿼리 세 개에서 따로 계산해 맞춰 본 뒤 분석했습니다. 그 과정에서 장바구니와 매출 기록이 끊긴 기간을 찾았고, 구매 이벤트의 16%는 주문번호가 없고 335건은 중복이었습니다.
결제 단계보다 상품 탐색에서 훨씬 많이 빠졌습니다. 모바일과 데스크톱의 구매 전환율은 1.39%와 1.32%로 차이가 없었습니다.
다른 사이트 링크(referral)로 들어온 신규 사용자의 30일 매출은 검색 유입의 1.74배였고, 12월에 처음 온 사용자의 1주 뒤 재방문율은 2.8%로 11월의 절반이었습니다.
제안측정부터 고칩니다. "장바구니 세션이 구매 세션보다 적으면 알림" 같은 논리 규칙과 통계 규칙을 일별 대시보드에 붙여, 이번 기록 공백을 각각 첫날과 이틀째에 잡도록 했습니다. 개선은 모바일 개편보다 상품 탐색에 집중해, 상품 상세 도달률 +1%p를 목표로 2주짜리 A/B 테스트(군당 약 2.7만 세션)를 설계했습니다. 연말 캠페인은 30일 가치로 평가하도록 권고했습니다.