데이터에서 전략까지: 통계를 통해 신뢰할 수 있는 마케팅 결정을 내리는 방법

통계는 복잡한 문제를 해결하고 처음으로 데이터나 패턴을 관찰할 때 발생하는 질문에 답할 수 있는 강력한 도구입니다. 이에 대한 예는 슈퍼마켓에서 고객의 성격을 분석하는 것입니다. 이 그룹은 다른 그룹과 정말 다른가요? 어느 정도? 그들의 경험과 판매를 향상시키기 위해 이 그룹에 더 집중해야 할까요? 그들은 올바른 결정을 내리는 데 핵심입니다.

시각화는 데이터를 빠르게 이해하는 데 도움이 되지만 항상 100% 신뢰할 수 있는 것은 아닙니다. 그룹 간에는 뚜렷한 차이가 관찰되었지만 이러한 차이는 통계적으로 유의미하지 않을 수도 있습니다

여기서 통계가 활용됩니다. 통계는 데이터를 더 깊이 분석하는 데 도움이 될 뿐만 아니라 가정을 검증할 수 있는 자신감도 줍니다. 데이터 과학자 또는 의사 결정 전문가로서 우리는 잘못된 분석으로 인해 잘못된 결정을 내릴 수 있으며 결과적으로 시간과 비용이 손실될 수 있다는 점을 인식해야 합니다. 따라서 우리의 결론은 통계적 증거에 의해 뒷받침되는 근거가 충분한 것이 중요합니다.

분석 결과가 회사 내 효과적인 변화, 고객 경험 개선, 궁극적으로 판매 및 운영에 긍정적인 영향으로 반영되는 것을 볼 때 진정한 만족이 찾아옵니다. 그 과정에 참여하게 되어 정말 기분이 좋습니다!

---

슈퍼마켓 고객의 성격 분석 기사에서 개발할 이 기술을 개발하는 데 도움이 되도록 Kaggle 데이터 세트 고객 성격 분석을 사용합니다: https://www.kaggle.com/datasets / imakash3011/고객-성격-분석

이 분석에서는 데이터에서 가치 있는 정보를 추출할 목적으로 슈퍼마켓 고객의 행동을 탐색합니다. 우리는 다음 질문에 답하려고 노력할 것입니다:

• 교육별 총 지출에 큰 차이가 있나요?
• 자녀 수에 따라 총 지출에 큰 차이가 있나요?
• 결혼 여부에 따라 총 지출에 큰 차이가 있나요?

이 분석은 훨씬 더 확장될 수 있지만 설명력이 뛰어난 이 세 가지 질문에 대한 답변에 중점을 두겠습니다. 기사 전반에 걸쳐 이러한 질문을 해결할 수 있는 방법과 동일한 접근 방식을 통해 더 많은 질문에 답할 수 있는 방법을 알려 드리겠습니다.

이 기사에서는 Kolmogorov-Smirnov 테스트, Levene 테스트와 같은 통계 분석과 ANOVA 또는 크루스칼-월리스. 이 이름들이 낯설게 들릴 수도 있지만 걱정하지 마세요. 이해하기 쉽도록 간단하게 설명해 드리겠습니다.

다음으로, 이러한 통계 분석을 효과적으로 수행하기 위해 Python 코드와 따라야 할 단계를 보여 드리겠습니다.

1. 시작하기

필요한 Python 라이브러리를 가져옵니다.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import os

이제 .csv 파일을 업로드하는 두 가지 방법을 선택할 수 있습니다. 파일을 직접 가져오거나 다운로드 버튼에서 바로 Kaggle 링크를 가져올 수 있습니다.

#pip install kagglehub
import kagglehub

# Download latest version
path = kagglehub.dataset_download("imakash3011/customer-personality-analysis")

print("Path to dataset files:", path)

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import os

#pip install kagglehub
import kagglehub

# Download latest version
path = kagglehub.dataset_download("imakash3011/customer-personality-analysis")

print("Path to dataset files:", path)

#Obtenemos el nombre del archivo
nombre_archivo = os.listdir(path)[0]
nombre_archivo

	ID	Year_Birth	Education	Marital_Status	Income	Kidhome	Teenhome	Dt_Customer	Recency	MntWines	MntFruits	MntMeatProducts	MntFishProducts	MntSweetProducts	MntGoldProds	NumDealsPurchases	NumWebPurchases	NumCatalogPurchases	NumStorePurchases	NumWebVisitsMonth	AcceptedCmp3	AcceptedCmp4	AcceptedCmp5	AcceptedCmp1	AcceptedCmp2	Complain	Z_CostContact	Z_Revenue	Response
0	5524	1957	Graduation	Single	58138.0	0	0	04-09-2012	58	635	88	546	172	88	88	3	8	10	4	7	0	0	0	0	0	0	3	11	1
1	2174	1954	Graduation	Single	46344.0	1	1	08-03-2014	38	11	1	6	2	1	6	2	1	1	2	5	0	0	0	0	0	0	3	11	0
2	4141	1965	Graduation	Together	71613.0	0	0	21-08-2013	26	426	49	127	111	21	42	1	8	2	10	4	0	0	0	0	0	0	3	11	0

분석할 데이터 세트에 대한 더 나은 이해를 돕기 위해 각 열의 의미를 표시하겠습니다.

열:

• 사람:

  • ID: 클라이언트의 고유 식별자
  • 연도_생년:고객의 출생 연도
  • 교육:고객의 교육 수준
  • 결혼_상태: 고객의 결혼 상태
  • 소득 : 의뢰인 가구의 연간 소득
  • 어린이집: 의뢰인의 집에 사는 자녀 수
  • 청소년의 집: 의뢰인의 집에 거주하는 청소년 수
  • Dt_Customer: 회사 내 고객 등록 날짜
  • 최근 구매일: 고객이 마지막으로 구매한 이후의 일수입니다.
  • 불만: 최근 2년간 고객이 불만을 제기한 경우 1, 그렇지 않은 경우 0

• 제품:

  • MntWines: 최근 2년간 와인에 지출한 금액
  • MntFruits: 지난 2년간 과일에 지출한 금액
  • MntMeatProducts: 지난 2년간 육류에 지출한 금액
  • MntFishProducts: 지난 2년간 생선에 지출한 금액
  • MntSweetProducts: 지난 2년간 과자에 지출한 금액
  • MntGoldProds: 지난 2년간 금에 지출한 금액

• 프로모션:

  • NumDealsPurchases: 할인된 구매 수
  • AcceptedCmp1: 고객이 첫 번째 캠페인에서 제안을 수락한 경우 1, 그렇지 않은 경우 0.
  • AcceptedCmp2: 고객이 두 번째 캠페인에서 제안을 수락한 경우 1, 그렇지 않은 경우 0.
  • AcceptedCmp3: 고객이 세 번째 캠페인에서 제안을 수락한 경우 1, 그렇지 않은 경우 0.
  • AcceptedCmp4: 고객이 네 번째 캠페인에서 제안을 수락한 경우 1, 그렇지 않은 경우 0.
  • AcceptedCmp5: 고객이 다섯 번째 캠페인에서 제안을 수락한 경우 1, 그렇지 않은 경우 0.
  • 응답: 고객이 마지막 캠페인에서 제안을 수락한 경우 1, 그렇지 않은 경우 0

• 장소:

  • NumWebPurchases: 회사 웹사이트를 통해 이루어진 구매 수
  • NumCatalogPurchases: 카탈로그를 통해 이루어진 구매 수
  • NumStorePurchases: 매장에서 직접 구매한 횟수
  • NumWebVisitsMonth: 지난 달 회사 웹사이트 방문 횟수

예, 많은 열이 있습니다. 그러나 여기서는 너무 많이 확장하지 않도록 몇 개만 사용하겠습니다. 어쨌든 다른 열에도 동일한 단계를 적용할 수 있습니다.

이제 null 데이터가 없는지 확인하겠습니다

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import os

#pip install kagglehub
import kagglehub

# Download latest version
path = kagglehub.dataset_download("imakash3011/customer-personality-analysis")

print("Path to dataset files:", path)

수입 열에 24개의 null 데이터가 있음을 알 수 있지만 이 열은 이 분석에 사용되지 않으므로 사용하려는 경우에는 아무 작업도 수행하지 않습니다. 다음 두 가지 옵션 중 하나를 수행해야 합니다.

• 전체 데이터의 5%를 넘지 않는 경우 누락된 데이터를 대치합니다(권장).
• 널 데이터를 삭제하세요.

2. 분석을 위한 데이터 세트 구성

교육, 자녀, 결혼 여부, 상품 카테고리별 지출 금액 등 관심 있는 컬럼을 보관해 드립니다.

#Obtenemos el nombre del archivo
nombre_archivo = os.listdir(path)[0]
nombre_archivo

모든 상품 카테고리의 비용을 더해 총 비용을 계산합니다.

'marketing_campaign.csv'

위 내용은 데이터에서 전략까지: 통계를 통해 신뢰할 수 있는 마케팅 결정을 내리는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!