데이터 분석 포트폴리오

김성민

결과를 내기 전에믿을 수 있는 결과인지부터 검증합니다.

숫자를 부풀리지 않고, 실제 결정에 쓸 수 있는 형태로 정리합니다.

프로젝트 4개 보기
2.80배담고도 사지 않은 장바구니 금액, 매출 대비
25일구매는 있는데 장바구니 이벤트가 기록되지 않은 기간
56%상위 20% 검토로 찾은 반대 안건
5.3배분담률 20% 이상인 지역과 교통 사막의 1인당 혜택 차이, 추정
도구
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.
장바구니 금액 구간별 구매 전환율장바구니 세션 100만 개, 파란색은 금액 10 미만
이탈 후 경과일별 복귀율과 회수 구매율장바구니 이탈 77.9만 건
복귀율 (다시 방문)회수 구매율 (다시 구매)
1부 분석 과정 자세히 보기

2부 · 제안을 검증할 실험 설계와 가격 변경 효과 A/A 테스트, 표본 설계, 이중차분(DiD)

장바구니 개선안을 실험하면 결과를 믿을 수 있을까? 가격 혜택은 실제로 얼마나 통할까?

분석 결과할인은 조회와 구매를 즉시 끌어올리지만 효과는 첫 며칠에 몰리고 2주면 대부분 사라졌습니다. 변경 전 추세를 확인하지 않았다면 할인 효과(구매 +71%)를 실제(+44%)보다 크게 보고했을 것입니다.

3.0%
A/A 테스트 200번 중 "유의"가 나온 비율. 기대 범위 안
3주
무료배송 안내 실험 기간. +10% 효과에 고객 24,270명
+96%
가격 인하 당일 조회, 대조군 대비. 2주 뒤에는 +17%
  • 고객 73만 명을 해시로 200번 나눈 A/A 테스트에서 배정 이상 0번, 위양성 3.0%(전환)와 7.0%(매출)로 실험 시스템을 믿을 수 있었습니다. 신규 고객이 많아 CUPED는 표본을 5~15%만 줄였습니다.
  • 배정은 고객, 지표는 세션이라 세션을 독립으로 보면 필요 표본을 20% 적게 잡습니다. 델타 방법으로 고객 단위 분산을 계산해 +10% 목표에 3주로 설계했습니다.
  • 실제로 가격이 바뀐 상품 2,184개를 같은 카테고리의 가격 고정 상품과 비교했습니다. 조회는 평행 추세가 성립했지만, 구매는 할인 전부터 오르던 상품이 많아 2주 합계가 효과를 부풀렸습니다.
제안무료배송 안내 실험은 고객 단위 배정으로 3주 운영합니다. 할인은 효과가 첫 3일에 몰리므로 3일과 7일 할인을 A/B로 비교하고, 가격 인상은 조회가 회복하지 않으니 노출 의존이 낮은 재구매 상품부터 적용합니다.
가격 변경 후 조회, 대조군 대비변경 전 1주 = 100
인하 당일
196
인하 2주 뒤
117
인상 2주 차
56
가격 인하의 구매 효과, 대조군 대비계산 방법별 비교
전후 2주 합계
+71%
추세 보정 후
+44%
2부 분석 과정 자세히 보기

GA4 이벤트 로그 퍼널·리텐션 분석

개인 프로젝트
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.
일별 지표로 찾은 기록 공백회색 영역은 기록이 빠진 기간, 주황 점은 알림 규칙이 반응한 날
유입 매체별 신규 사용자 1인당 30일 매출신규 사용자 16.7만 명, 첫 방문 후 30일
referral
$1.78
직접 방문
$1.29
검색
$1.02
유료 광고
$1.02
분석 과정 자세히 보기

한국투자공사 의결권 위임장 검토 우선순위

KIC AI 에이전트 공모전
데이터 SEC 공시 (KIC 의결권 행사 기록, 보유 종목, 위임장, 주총 결과)

위임장을 다 읽을 시간이 없을 때, 어떤 안건부터 봐야 할까?

분석 결과"작년 반대 기업부터 보기"라는 단순 규칙도 강했습니다. 하지만 검토 범위를 20% 이상으로 넓히면 모델이 반대 안건을 10~16%p 더 찾아, 검토 여유가 있을 때는 모델을 쓰는 게 낫습니다.

  • KIC는 1년에 보수 안건 1,279건에 투표하고, 그중 80%가 4~6월에 몰립니다. 먼저 봐야 할 안건을 고르는 검토 우선순위 모델을 만들었습니다.
  • 작년에 반대한 기업은 올해도 47%가 다시 반대를 받았고, 찬성한 기업은 7%뿐이었습니다. "작년 반대 기업부터 보기"라는 단순 규칙만으로도 꽤 잘 맞았습니다.
  • 상위 10%만 볼 때는 단순 규칙이 조금 낫지만, 20% 이상으로 넓히면 모델이 10~16%p 앞섰습니다.
결과물AI 에이전트 STEWARD는 반대 검토가 필요한 안건을 먼저 올리고, 위임장 근거와 의견서 초안을 정리합니다. 반대 확정은 담당자가 합니다.
검토량별로 찾아낸 KIC 실제 반대 안건 비율2026년 투표 1,183건, 2025년 자료로 학습
검토 비율모델단순 규칙무작위
상위 10%30%33%10%
상위 20%56%46%20%
상위 30%69%53%30%

단순 규칙은 작년에 반대한 기업, 작년 주총 찬성률이 낮은 기업 순으로 검토합니다. 굵은 글씨는 각 검토 비율에서 가장 높은 값입니다.

분석 과정 자세히 보기

교통 사막: K-패스 혜택이 닿지 않는 지역

AI와 함께하는 교통문제 해결을 위한 데이터 분석 공모전
데이터 전국 229개 시군구 공공데이터 (인구총조사 2020 등)도구 Python (GradientBoosting, SHAP, K-means), Tableau

대중교통 환급 제도(K-패스)의 혜택은 지역마다 고르게 돌아갈까?

분석 결과인구 17.4%가 사는 교통 사막에 환급은 약 4.8%만 돌아가는 것으로 추정됩니다. 같은 제도라도 대중교통이 없는 곳에는 닿지 않으므로, 원인이 다른 세 유형에 서로 다른 지원이 필요합니다.

111곳
대중교통 분담률 10% 미만 시군구
17.4%
그 지역에 사는 인구 비중
4.8%
그 지역에 돌아가는 환급액 비중. 1인당 환급액이 같다고 가정한 추정
  • 분담률을 꽤 정확하게 맞히는 모델을 만들어 SHAP으로 풀어 보니 인구밀도의 영향이 가장 컸고, 다음이 자가용 보유와 도시철도역이었습니다.
  • 분담률이 낮은 이유가 비슷한 지역끼리 묶어 교통 사막을 3개 유형으로 나눴습니다. 농산어촌 이동고립형 67곳, 도농복합 자동차의존형 32곳, 지방도시 자동차고착형 12곳입니다.
  • 2020년 자료로 만든 결과를 2026년 실제 K-패스 이용자 수와 비교하니, 인구 1천 명당 기준 상관이 0.86이었습니다.
제안이동고립형에는 연 176억 원 규모의 미리 지급하는 이동 크레딧을, 자동차 의존 지역에는 연 49억 원 규모의 대중교통 전환 보너스를 제안했습니다.
교통 사막 유형 지도시군구별 유형 (2020년 행정구역)
전국 시군구를 교통 사막 3개 유형과 비해당 지역으로 칠한 지도
분석 과정 자세히 보기