14. Segmentation

14.1. Segmentation

14.1.1. Customer(고객) Segmentation

• 기준: 지리적 위치, 나이, 성별, 소득, 관심사, 구매 기록 등

• 목적: 특정 고객 그룹을 식별하여 그룹별로 다른 마케팅 전략, 광고, 가격 정책 등을 수행하여 고객들에게 더 큰 가치를 제공하고 이익을 극대화

• 예시: “미혼 남성, 25-34세, 수도권 거주자”와 같이 고객을 결혼 여부, 나이, 지리적 위치에 따라 분류하고, 해당 고객 그룹에게 혜택을 제공하거나 특정 광고를 전달합니다.

14.1.2. Market(시장) Segmentation

• 기준: 고객의 특성, 시장의 특성 및 경쟁 상황(시장 크기, 경쟁사의 입지 등)

• 목적: 각 부분 시장에 대한 특성을 파악하고, 이에 따라 마케팅 전략을 조정하여 시장에서의 경쟁력 확보

• 예시: “커피 시장”, “탄산음료 시장”, “과일·채소류 음료 시장”과 같이 시장을 음료 종류에 따라 부분 시장으로 분류하고, 각 시장에 따른 마케팅 전략을 적용합니다.

14.2. RFM 분석

1. Recency (거래의 최근성): 고객이 마지막으로 거래를 한 날짜를 나타냅니다. 고객의 활발성을 나타내며, 최근 구매한 고객은 더 활발한 고객으로 간주합니다.

2. Frequency (거래의 빈도): 특정 기간 동안 고객이 거래를 얼마나 자주 하는지를 나타냅니다. 고객의 충성도를 나타내며, 자주 구매하는 고객은 브랜드나 제품에 높은 충성도를 가질 가능성이 높습니다.

3. Monetary (거래의 규모): 고객이 얼마나 많은 금액을 지출했는지를 나타냅니다. 고객의 가치를 나타내며, 많은 금액을 지출하는 고객은 기업에 더 큰 가치를 제공할 가능성이 높습니다.

1. 고객 이탈 방지: 이탈 위험 고객을 식별하고, 이탈을 방지하기 위한 조치를 취합니다.
예) 자주 구매했지만, 최근에는 구매하지 않은 고객이 이탈할 위험이 있습니다.

2. 최고 고객 식별: 많은 지출을 하는 고가치 고객을 식별하고, 효과적으로 타겟팅합니다.
예) 최고 고객에게 개별화된 혜택을 제공하여 충성도를 높이고 매출을 증가시킬 수 있습니다.

3. 잠재 고객 식별: 새로운 고객을 확보하고, 이를 통해 새로운 시장을 개척합니다.
예) 지출은 많지만, 자주 구매하지 않는 고객에게 적절한 혜택을 제공하여 정기적인 구매를 유도할 수 있습니다.

• Recency: Recency는 고객의 최근 활동을 나타내는 지표로, 데이터셋의 date(세션 날짜) 컬럼의 값이 20170801까지 기록이 있으므로 해당 날짜를 기준으로 가장 최근 결제가 이루어진 날짜와의 차이 중에서 최솟값을 나타냅니다. 즉, 고객이 얼마나 최근에 결제한 것인지를 나타내며, 값이 작을수록 더 최근에 결제했다는 것을 나타냅니다.

• Frequency: Frequency는 고객이 구매한 빈도를 나타내는 지표로, 각 고객의 활동 날짜를 기록한 데이터에서 중복을 제외한 고유한 날짜의 수를 계산합니다. 이로써 각 고객의 세션 날짜 중에서 얼마나 다양한 날에 활동했는지를 나타냅니다.

• Monetary: Monetary는 고객이 총 구매한 금액을 나타내는 지표로, 각 고객의 총 구매 금액을 합산한 값을 나타냅니다.

WITH customer_data AS (
  SELECT
		    fullVisitorId AS customer_id
      , DATE_DIFF(DATE '2017-08-01', PARSE_DATE('%Y%m%d', date), DAY) AS recency
		  , COUNT(DISTINCT PARSE_DATE('%Y%m%d', date)) AS frequency
		  , SUM(totals.totalTransactionRevenue) AS monetary
  FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
  WHERE totals.transactions IS NOT NULL
  GROUP BY customer_id, recency
)

SELECT
		  customer_id,
		  MIN(recency) AS recency
		, SUM(frequency) AS frequency
		, SUM(monetary) AS monetary
FROM customer_data
GROUP BY customer_id
ORDER BY frequency DESC;

• Recency
• 최근 결제 날짜가 ‘2017-08-01’을 기준으로 30일 이내인 사용자를 ‘recent’로 분류
• 그렇지 않은 사용자를 ‘past’로 분류

• Frequency
• 총 결제 횟수가 10회 이상인 사용자를 ‘frequent’로 분류
• 그렇지 않은 사용자를 ‘infrequent’로 분류

• Monetary
• 총 결제 금액이 5000000000 이상인 사용자를 ‘high-spending’으로 분류
• 그렇지 않은 사용자를 ‘low-spending’으로 분류

• H(high): R, F, M이 각각 recent, frequent, high-spending과 같이 높은 상호작용을 보이는 경우

• L(row): R, F, M이 각각 past, infrequent, low-spending과 같이 낮은 상호작용을 보이는 경우

• HHH(b, g): 최근에 자주 구매하고 큰 금액을 지불한 고객으로, 수익성이 높기 때문에 중요하고 가장 가치 있는 고객 그룹입니다. 이 그룹에는 프로모션 및 맞춤형 혜택을 제공하여 충성도를 높일 수 있습니다.

• HHL(f, i): 최근에 자주 구매하지만 상대적으로 적은 금액을 지불하는 고객으로, 회사와 지속적인 상호 작용을 유지하고 있는 중요한 충성 고객 그룹입니다. 추가적인 맞춤형 혜택 및 프로모션을 통해 계속해서 회사와의 관계를 유지하고 활성화하는 것이 중요합니다.

• LLL(m, n): 오랜 기간 동안 구매하지 않고 구매 빈도와 금액 모두 낮은 고객으로, 이탈한 고객을 다시 찾아오거나 재이용하도록 유도하는 것이 중요할 수 있습니다. 이탈 방지 전략을 적용하여 이탈률을 낮출 수 있습니다.

14.3. 코호트 분석

• 사용자들의 앱 활성도는 시간이 지남에 따라 감소하는 추세를 보입니다.

• 사용자가 앱을 최초 실행한 날짜가 늦을수록 앱 활성도가 더 낮은 경향을 보입니다.

1. 고객 이탈 방지: 시간이 지남에 따라 특정 구간에서 얼마나 많은 고객이 돌아오는지 파악할 수 있으므로, 기업은 고객의 이탈 패턴을 식별하여 유지율을 높이기 위한 대책을 마련할 수 있습니다.

2. 제품/서비스 영향 측정: 제품 업데이트 후 유지율이 갑자기 떨어지거나 급증하면 기업에 중요한 피드백을 줄 수 있습니다.

3. 마케팅 효과 측정: 특정 마케팅 캠페인에 노출된 고객 집단의 데이터를 분석하여 캠페인의 효과를 파악하고, 그 결과에 따라 마케팅 전략을 개선할 수 있습니다.

WITH cohort_data AS (
  SELECT
		    fullVisitorId AS user_id
		  , PARSE_DATE('%Y%m%d', date) AS visit_date
  FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
  WHERE _TABLE_SUFFIX BETWEEN '20161001' AND '20161031'
), cohort_first_visit AS (
  SELECT
		    user_id
		  , MIN(visit_date) AS cohort_date
  FROM cohort_data
  GROUP BY user_id
)

SELECT
      cohort_first_visit.cohort_date
    , cohort_data.visit_date
    , COUNT(DISTINCT cohort_data.user_id) AS active_users
FROM cohort_data
JOIN cohort_first_visit
ON cohort_data.user_id = cohort_first_visit.user_id
GROUP BY cohort_first_visit.cohort_date, cohort_data.visit_date
ORDER BY cohort_first_visit.cohort_date, cohort_data.visit_date;

• “cohort_data”에서는 특정 기간의 테이블을 선택하고, 사용자의 ID 및 방문일을 추출합니다.

• ”cohort_first_visit”에서는 사용자의 ID 및 코호트 날짜(최초 방문일)을 추출합니다.

• ”cohort_activity”에서는 사용자의 코호트 날짜(최초 방문일) 및 방문일 별 활성 사용자 수를 추출합니다.

WITH cohort_data AS (
  SELECT
		    fullVisitorId AS user_id
		  , PARSE_DATE('%Y%m%d', date) AS visit_date
  FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
  WHERE _TABLE_SUFFIX BETWEEN '20161001' AND '20161031'
), cohort_first_visit AS (
  SELECT
		    user_id
		  , MIN(visit_date) AS cohort_date
  FROM cohort_data
  GROUP BY user_id
)
SELECT
      cohort_first_visit.cohort_date
    , cohort_data.visit_date
    , COUNT(DISTINCT cohort_data.user_id) AS active_users
FROM cohort_data
JOIN cohort_first_visit
ON cohort_data.user_id = cohort_first_visit.user_id
WHERE cohort_first_visit.cohort_date = cohort_data.visit_date
GROUP BY cohort_first_visit.cohort_date, cohort_data.visit_date
ORDER BY cohort_first_visit.cohort_date;