[Team Project] Amazon Fresh 의 미래, 세그먼트별 수익성 개선 전략 수립

• 프로젝트명: Amazon Fresh 의 미래, 세그먼트별 수익성 개선 전략 수립
• 기간: 2024-07-03~12
• 활용 데이터:

AmazonFoodCategoryDataset.csv

9.51MB

 

정량적인 수치가 많아 다양한 지표로 분석이 가능하며, 실무에 가까운 데이터로 의사결정에 도움이 될 만한 대시보드를 제작해보기 위해 이 데이터를 선정 후 분석하게 되었다.

이번 프로젝트에서는 고객과 상품 각각의 세그먼트별로 나누고 모둔 군집별 마케팅방안을 내보았다. 마지막으로는 영업현황이나 세그먼트에 따른 분류현황을 확인해볼 수 있도록 대시보드를 제작해보았다.

B04_비트쏙쏙(실전_아마존).pdf

9.91MB

 

프로젝트 요약

1. 프로젝트 소개: 트렌드, 고객, 제품별 분석을 통한 수익 증진 방안 및 대시 보드 제작
2. 사용 스킬 & 도구
   프로그래밍 언어: Python, SQL
   분석 도구: Pandas, NumPy, Scikit-learn, Matplotlib, Seaborn, StandardScaler, Yellowbrick, MySQL
   코드 실행 및 결과 시각화: Jupyter Notebook, DBeaver, Tableau
3. 문제 해결 프로세스
   문제 정의: 현황 파악과 고객별, 제품별 세그먼트를 분류하고 그에 따른 수익 증진 방안 제시 
   데이터: Amazon Food Category Dataset(65,000 row | 20 column)
   데이터 전처리: Pandas 를 사용하여 이상치, 결측치 확인 및 Main Table 생성
   데이터 분석: SQL 을 사용한 RFM 분석 과 Scikit-learn 을 사용한 클러스터 분석
   추가 분석: 분석된 세그먼트 별 액션 플랜 제안 및 현황파악을 위한 대시보드 제작
4. 결과 및 성과
   고객별, 제품별로 분류된 집합들의 인사이트 도출
   분류된 집합들의 마진 현황을 쉽게 확인할 수 있도록 대시보드를 제작함

---

1. 프로젝트 목적

• 회사의 영업현황을 보기 위한 대시보드 제작
• 트렌드, 고객, 제품별 분석을 통한 수익 증진 방안 제시

 

2. 분석배경

• Amazon Fresh 는 2017년 4~5월 경 예상치못한 매출 감소 문제에 직면, 2018년 3월까지 기존 영업 방식을 유지한 뒤, 4월부터 대대적인 리뉴얼을 결정하였다.
• 2019년 1월부터 재개장을 하였다.

 

3. EDA & 전처리

• 총 20종의 컬럼과 65,000개의 row 로 구성
• 시계열 분석을 위해 DateKey_ym 컬럼을 새로 생성
• Item 과 Item Number 의 경우 N:N 매칭 상태였기때문에 Item Number&Item 컬럼을 새로 생성
• 2018년3월 과 2019년도 1월의 일부 누락된 일자를 보정하기 위해 동기간 월 데이터를 기반하여 총 1,806건의 데이터를 보강
• Sales Rep 라는 판매사원코드에 관한 컬럼이 있는 것으로 보아 B2B 고객 대상일 수 있다 라는 가설을 생각해보았음

 

• 현황파악
  • 월별 마진액과 판매량

마진액에 비해 판매량의 감소폭은 크지 않으며,

5월의 경우 전체 평균 대비 26% 가량 하락하는 것으로 확인 됨

 

• 요일별 매출액

수요일과 목요일에 극단적으로 매출 및 주문건수가 줄어드는 경향이 있는 것으로 확인됨

ex. 식당 자영업자를 예로 들자면,

'수요가 높은 주말을 대비해 금요일부터 화요일까지의 주문량이 많고, 공백 기간에는 수요가 떨어졌을 수도 있다'

라는 가정에 부합하여 우리 고객군이 B2B 라는 가설을 더욱 신뢰할 수 있었음

 

• 고객분석_RFM
  
  • Recency: 최근 구매일

2019년 12월 31일을 기준으로 가장 마지막 주문일자의 차이를 계산

분포도를 확인하여 1~5등급으로 1차 분류

→ 분류 효율성을 위해 최근 High(최근 구매한 고객), Middle(1달~1년), Low(2018년도를 마지막으로 구매한 고객) 로 최종 분류

 

• Frequency: 구매 빈도

최대 주문횟수별로 퍼센테이지 분류를 하고

분포도를 기준으로 1~5등급으로 1차 분류

→ 분류 효율성을 위해 High, Low 로 최종 분류

 

• Monetary: 구매 금액

총 매출액별로 퍼센테이지 분류를 하고

분포도를 기준으로 1~5등급으로 1차 분류

→ 분류 효율성을 위해 High, Low 로 최종 분류

 

• RFM 분류

신선식품, 소비식품 등을 다루고 있는 식품회사라는 특성과 고객 분포도의 비율을 고려하여

R,F,M 각 특성별 기준으로 최종 8개의 그룹으로 분류됨

→ 총 615명의 고객수의 RFM 분류에 따른 전체 분포는 오른쪽 그림과 같음

 

• RFM분석: 트렌드 분석

고객군별 총 마진액의 트렌드 추이를 분석한 결과 고객분류간에 차이가 있었음

→ C,D 그룹 모두 높은 마진을 내고 있는 그룹이었으나

C 그룹의 경우 리뉴얼을 한 이후 확연히 높아진 마진을 내고 있는 방면에 

D 그룹의 경우 2019년도, 총 마진의 추세가 굉장히 떨어진 것으로 확인됨

 

• 상품 분석
  • ABC 분석

A: 마진 Top 10

B: 상위 마진 52종

C: 일반제품

D: 적자제품

 

→ C 그룹에서 상품 다양성이 가장 높았으며, A,B 그룹에서는 대부분의 마진을 차지하였음

 

• ABC분석_인과분석

A그룹의 4분기 마진 낙폭이 극심함

B,C 그룹은 매 4분기 마진 상승 추세임

A그룹 상품의 마진 추이를 전부 살펴 본 결과,

4분기 판매가 중단되거나 현저히 떨어지는 경향을 보이는 상품 5종 발견

 

→ 가설: 4분기에는 해당 5종과 같은 냉동 등의 즉석식품 보다 신선한 제품을 소비자들이 원할 것이다.

4분기 마진 상승 폭이 높은 모든 상품을 추적한 결과

상승폭이 가장 큰 10개의 상품 중 한개의 상품을 제외한 모든 품목이 과일,채소와 관련된 식품이었음

* 상승폭이 5만달러 이상이었던 제품 29종 중 27종이 B,C 그룹에 속해있고, 대부분이 과일과 채소와 관련된 식품

 

→  마진 이외의 다른 특성도 함께 고려하여 전략을 구상하기 위해 클러스터링 분석 도입

• K-means 클러스터링

 

4개의 군집으로 1차 분류 진행

실루엣 계수 0.45 

라인 플롯 또한 군집마다 특성 분류가 잘 구성되어 있음을 알 수 있음

 

군집별 특성에 따라

0번 군집= 대량 저가 제품

1번 군집= 소량 고가 제품

2,3번군집 = 기타 제품

* 2,3번 군집의 경우 1% 미만의 적은 매출 비중과 뚜렷하지 않는 군집별 특성에 맞춰 축소함

 

→ 매출액이 비슷한 그룹간에도 평균 판매가, 판매량, 주문건수 에서 큰 차이를 보임

 

• 군집별 상위 Top10 품목의 마진 트렌드 확인

특정 분기에서 각 군집의 주력 상품 매출이 감소하는 것이 확인 됨

 

→ 대량 저가 제품에서는 3분기에서 4분기의 낙폭이 큰 것으로 보아, 시즌성을 타는 제품들로 확인 됨

 

• 결론
  • 고객군별 세부 마케팅안

• • 상품군 별 세무 마케팅안

 

• 대시보드 제작

<대시보드 구성>

1. 홈

: 총 매출, 마진, 신규고객, 판매제품, 각 세그먼트별에 따른 마진율 등

→ 영업현황과 각 연도별 정보들도 파악 가능

2. 고객

: RFM 분류에 따른 고객군집별 분포와 총 매출액 및 마진, 기간에 따른 마진추이

→ 필터를 사용하여 매출, 마진액 기준 또는 기간별 정보들 확인 가능

3. 상품

: 클러스터링 분류에 따른 상품군집별 매출, 마진, 평균 판매가, 판매량 등 

→ 상품군집별 주문추이와 Top N 을 사용하여 원하는 순위까지의 상품이름 확인 가능

 

3개의 탭으로 구성

홈탭

고객탭

상품탭

 

 

 

 

---

KPT회고

https://lyj-01.tistory.com/208

KPT 회고 - Amazon Fresh 의 미래, 세그먼트별 수익성 개선 전략 수립