G-Insight

(G-Market Insight Assistant)

돈이 되는 프로모션과 충성 고객을 찾는 비즈니스 대시보드

1. 프로젝트 개요 (Overview)

• 목표: 대규모 주문 데이터를 분석하여 수익성과 고객 행동을 직관적으로 시각화
• 핵심 가치:
  • "매출만 오르면 좋은가?" -> 순수익(Profit) 중심 분석
  • "누구에게 마케팅하나?" -> 정교한 타겟팅(Targeting)
• 데이터셋: Kaggle Olist E-commerce Dataset
  • 주문, 상품, 고객, 결제, 리뷰 등 9개 테이블 융합

2. 타겟 유저 & Pain Points

3. 핵심 기능 1: 프로모션 수익성 분석기

(Promotion ROI Analyzer)

• 기능: 이벤트 기간 GMV(거래액) 대비 실제 영업이익 시뮬레이션
• 입력: 분석 기간, 예상 마진율, 할인율
• 출력 (Insight):

  "할인율 15% 적용 시 주문량은 2배 증가하나, 영업이익은 -2%로 적자 전환됩니다. **권장 할인율은 10%**입니다."

4. 핵심 기능 2: 고객 세분화 엔진

(RFM Segmentation)

• 고객 행동 점수화 (RFM):
  • Recency: 최근 언제 샀는가?
  • Frequency: 얼마나 자주 샀는가?
  • Monetary: 얼마나 많이 샀는가?
• 활용 방안:
  • VIP 고객: 신규 런칭 우선 홍보 대상
  • 이탈 위험군: 컴백(Return) 쿠폰 발송 대상

5. 핵심 기능 3: 장바구니/연관 분석

(Basket Analysis)

• 기능: 특정 상품 구매자가 '함께' 많이 구매하는 카테고리 분석
• 시각화: Cross-Category Heatmap
• Action Item:
  • "가구 구매자의 30%가 1주일 내 인테리어 소품 구매"
  • 가구 상세페이지 하단에 소품 추천 배너 배치

6. 데이터 구조 (Star Schema)

"단순 Join을 넘어, 비즈니스 인사이트를 위한 데이터 모델링"

• Fact Tables (거래 내역):
  • Orders: 주문 정보, 시간, 상태
  • Order_Items: 상품 가격, 배송비, 수량
• Dimension Tables (속성 정보):
  • Products: 카테고리, 상품 스펙
  • Customers: 고객 위치, Unique ID (통합 분석 핵심)

7. 기술 스택 (Tech Stack)

8. 구현 로드맵 (2주 계획)

Week 1: Data Build

• [x] Olist 데이터셋 분석 및 전처리
• [ ] Star Schema DB 구축 및 적재
• [ ] 핵심 SQL 쿼리 (RFM, ROI) 작성

Week 2: App Develop

• [ ] Pandas & Jupyter 로직 검증
• [ ] Streamlit 대시보드 UI 구현
• [ ] Action Item 추천 알고리즘 탑재 및 배포

9. 차별화 포인트 (Killer Point)

단순 현황판(Dashboard)
행동 제안(Actionable Insight)

[Alert]
"20대 여성 고객 이탈률 5% 증가 감지!"

[Action]
"뷰티 카테고리 무료배송 쿠폰 발송 시, 예상 회복 매출 2,000만원"

Q & A

감사합니다.