Olist 매출 분석

1. 활용 데이터

1-1. 데이터 : Olist 데이터(출처 : kaggle)

Olist(올리스트)는 브라질의 이커머스 플랫폼으로, 판매자(브랜드)가 상품을 온라인 마켓플레이스에 판매할 수 있도록 유통 솔루션(상품 등록, 물류, 고객 응대 등)을 제공한다.

 

1-2. 데이터 스키마

각 데이터 특성에 따라 주문 아이디(order_id), 고객 아이디(customer_id) 등을 이용해 참조가 가능하다.

 

1-3. 데이터 컬럼 정보

* 열 이름 오타 수정

• products 데이터의 product_name_leng'ht' -> product_name_leng'th'
• products 데이터의 product_description_leng'ht' -> product_description_leng'th'

 

2. 대시보드 설계

2-1. 주제 선정

분석을 수행하기 전 대시보드를 설계하여 어떤 부분을 중점으로 분석할지 방향을 정했다.

우선 데이터가 주로 판매 현황을 다루고 있기에 매출 분석이라는 큰 주제를 잡고, 세부 주제를 아래와 같이 선정했다.

• 제품 카테고리별 매출
• 월별 매출
• 고객 등급별 매출
• 지역별 매출(도표, 맵)

 

2-2. 색상

대시보드의 포인트 컬러는 olist의 로고 색상을 활용하였다.

 

3. 데이터 분석

실제 고객 수 확인

customers 정제 전

customers 데이터 중 customer_id는 주문 당시 구매자에게 발급되는 id로, 같은 customer_unique_id를 가진 고객이라 해도 customer_id를 여러 개를 가질 수 있다.

실제 고객의 수는 96,096명으로 추정할 수 있다.

 

주(state) 매핑

브라질의 27개 주(state)가 약어로 되어 있어 대시보드 상에서 구분이 어려울 것 같아 약어를 풀어 적용했다. 

state_mapping = {
    'SP': 'Sao Paulo',
    'SC': 'Santa Catarina',
    'MG': 'Minas Gerais',
    'PR': 'Parana',
    'RJ': 'Rio de Janeiro',
    'RS': 'Rio Grande do Sul',
    'PA': 'Para',
    'GO': 'Goias',
    'ES': 'Espirito Santo',
    'BA': 'Bahia',
    'MA': 'Maranhao',
    'MS': 'Mato Grosso do Sul',
    'CE': 'Ceara',
    'DF': 'Distrito Federal',
    'RN': 'Rio Grande do Norte',
    'PE': 'Pernambuco',
    'MT': 'Mato Grosso',
    'AM': 'Amazonas',
    'AP': 'Amapa',
    'AL': 'Alagoas',
    'RO': 'Rondonia',
    'PB': 'Paraiba',
    'TO': 'Tocantins',
    'PI': 'Piaui',
    'AC': 'Acre',
    'SE': 'Sergipe',
    'RR': 'Roraima'
}

customers['customer_state'] = customers['customer_state'].map(state_mapping)

 

product_category_name 영문 변환

product_category_name 영어 변환 전

기존 products 데이터에는 product_category_name이 포르투갈어로 되어 있다. 

product_category_name_translation 데이터는 product_category_name이 포르투갈어와 영어가 매핑되어 있어 이를 활용하여 포르투갈어를 영어로 변환했다.

# 딕셔너리로 매핑
category_dict = product_translation.set_index('product_category_name')['product_category_name_english']

# 2번째 인덱스에 추가
products.insert(2, 'product_category_name_english', products['product_category_name'].map(category_dict))

product_category_name 영어 변환 후

 

RFM

RFM이란 고객의 최근 구매 시점(Recency), 구매 빈도(Frequency), 구매 금액(Monetary)를 기반으로 고객을 분류하고 분석하는 고객 가치 분석 기법이다.

• 구매 시점(Recency) :  모든 주문 일자 중 최댓값 - 해당 고객의 마지막 주문 일자(Day)
• 구매 빈도(Frequency) : 고객별 누적 주문 횟수
• 구매 금액(Monetary) : 고객별 주문 총액

 

사용한 데이터는 아래와 같다.

• orders :  주문 ID(order_id), 주문 상태(order_status) 포함
• order_payments : 주문별 결제 내역
• customers : 고객 고유 ID(customer_unique_id), 주문 당시 발급되는 ID(customer_id) 포함

 

데이터 전처리

orders와 order_payments 데이터를 order_id를 기준으로 비교한 결과, orders에는 있지만 order_payments에는 없는 order_id가 존재하여 해당 행을 제외하였다.

 

주문 상태가 '배송 완료(order_status='delivered')'인 주문만 대상에 포함하였다.

 

기존 orders 데이터에는 주문 시 발급된 customer_id만 존재하므로, 고객별 주문 내역을 취합하기 위해 customers와 orders를 조인하여 각 주문을 고객의 고유 식별자(customer_unique_id) 기준으로 재구성하였다.

 

RFM

Recency는 모든 고객의 마지막 구매 시간에서 고객별 마지막 구매 시간을 뺀 일자로 계산하였다.

 

Frequency는 고객별 누적 주문 횟수로 계산하였다.

 

Monetary는 고객별 누적 주문에 대한 총 금액으로 계산하였다.

 

한 번도 주문하지 않은 고객은 RFM 분석 대상에서 제외하였으며, 5점 만점 기준으로 요소별 점수를 할당하기 위해 데이터의 분포를 확인하였다.

1. Recency(구매 시점)

Recency의 경우 상대적으로 고르게 분포되어 점수 할당을 바로 진행하였다.

rfm_score = rfm.copy()
rfm_score['R_score'] = pd.qcut(rfm['Recency'], 5, labels=[5, 4, 3, 2, 1])

값이 낮을수록 최신성이므로 점수를 역순으로 할당하였다.

 

2. Frequency(구매 빈도)

Frequency의 경우 1회 구매 고객이 가장 많았고, 주문 횟수가 많을수록 고객 수는 감소하는 패턴을 확인할 수 있었다.

def score_frequency(freq):
    if freq == 1:
        return 1
    elif freq == 2:
        return 2
    elif freq == 3:
        return 3
    elif freq == 4:
        return 4
    else:
        return 5

rfm_score['F_score'] = rfm['Frequency'].apply(score_frequency)

1, 2, 3, 4, 5번 이상으로 구분하여 점수를 할당하였다.

 

3. Monetary(구매 금액)

Monetary의 경우 점수별 기준값을 정하기 위해 사분위수를 확인하였다.

def score_monetary(mone):
    if mone < 20:
        return 1
    elif mone < 50:
        return 2
    elif mone < 100:
        return 3
    elif mone < 500:
        return 4
    else:
        return 5

rfm_score['M_score'] = rfm['Monetary'].apply(score_monetary)

20 미만, 50 미만, 100 미만, 500 미만, 500 이상으로 구분하여 점수를 할당하였다.

 

고객 등급은 점수 조합에 따라 총 6개로 분류하였다.

• VIP 고객
• 충성 고객
• 잠재 충성 고객
• 신규 고객
• 잠재 이탈 고객
• 이탈 고객

 

4. 결과

특정 지역을 클릭하면 해당 지역에 대한 데이터만 나오도록 지역별 매출(맵)을 필터로 설정하였다.