여연찌

SQL 로 언더바(_)를 문자 취급하고 싶을 때

여연찌 — Thu, 12 Dec 2024 16:51:01 +0900

정답

\%_%

' \ ' 를 사용해서 _ 언더바를 문자로 취급하도록 이스케이프 처리한다.

잘못된 예시

NOT LIKE '%_%'

데이터베이스가 _ 를 문자 그대로 인식하지 않고 와일드카드로 인식할 수 있다.

그렇기 때문에 이를 방지해서 \ 를 사용해줘야 함

+ 와일드 카드로 사용되는 _ 는 ?

단일 문자, 즉 한 문자를 나타낸다.

예를 들어 'A_C' 를 사용한다면 'ABC', 'AEC' 과 같이 한 문자가 들어갈 경우 찾아내고

'AC', 'ABCD' 와는 매칭 되지 않는다.

!= '%\_%'

!= 는 정확히 일치하지 않는 값을 제외하는 것이기 때문에 정확히 '%_%' 인 경우만 제외하게 된다.

그렇기 때문에 와일드카드 검색을 하고 싶다면 NOT LIKE 를 사용해야 한다

[데벨챌] 그로스 해킹 독서 리뷰 3주차

여연찌 — Wed, 20 Nov 2024 14:37:33 +0900

데벨챌 3주차는

4장의 지표 ~ 6장 그로스 조직과 업무 프로세스 까지 분량이다.

역시나 흥미로운 내용들이 많았고 이전에 했던 업무나 프로젝트 내용들을 복기하며 다시 정리하기에 좋았다.

지표 를 활용하기 전 진행해야 할 과정이 있다.

1. 속성에 따라 분류하기

스톡(Stock, 특정한 찰나에 관찰할 수 있는 누적된 값)

플로(Flow, 일정한 시간 동안의 변화량을 나타내는 지표)

2. 구체적인 조작적 정의(객관적이고 측정 가능한 기준으로 기술한 정의)

모호한 지표일 경우 혹은 모든 구성원이 동의하지 않았을 경우 서로 다른 기준으로 정의했을 수 있다.

3. 허무 지표에 빠지지 않기

실제 서비스의 성공/실패와는 상관없는 지표를 할 경우 발전되지 않을 수 있다.

예를 들어 누적 다운로드 일 경우 지표가 높아졌으나 가입 전환이나 충성 고객 전환이 되지 않을 수 있다.

4. 전체 관점에서의 최적화

지표 개선을 위한 행동이 부분이 아닌 전체 관점에서 최적화가 되어야 한다.

5. 심슨 패러독스

쪼개진 데이터에서 성립하는 관계가 합쳐진 데이터에서는 반대로 나타나는 현상을 뜻 함

전체 데이터에서는 잘 보이지 않는 특성이 쪼개진 상태에서는 드러나는 경우가 있다.

6. 대푯값 사용 시 주의

아웃라이어를 보정하기 위한 평균은 옳지 않을 수 있으므로, EDA 과정을 충분히 거쳐야 한다.

7. 생존자 편향 피하기

OMTM(One Metric That Matters), 북극성지표

성장을 목표로 하는 지표

현재 우리 서비스의 상태나 목표, 서비스 성장 단계 등의 요소를 종합적으로 고려하여 설정

매출을 OMTM 으로 정하는 것은 부적절하다.

- 매출이 늘어나고 줄어드는 것은 서비스의 성장과 항상 일치하지 않는다.

- 어떤 원인에 의해 결과적으로 드러나는 성적표이므로 후행지표이다.

OMTM 은 이를 바탕으로 의사결정을 하고 행동할 수 있는 지표로 정의해야 한다.

KPI(Key Performance Index)

평가를 위해 활용하는 지표

팀이나 부서별로 서로 다른 목표를 설정할 수 있으며 달성되는 것과 서비스가 성공하는 것은 별개이다.

모든 부서가 KPI 를 달성했어도 서비스는 성장하지 않았을 수 있다.

OKR(Objectives & Key Results)

3~5개의 목표와 목표당 3~5개 정도의 핵심 결과로 구성됨

A/B 테스트 주의사항

- 과거의 A/B 테스트 경험을 지나치게 신뢰하는 것

잘 설계한 테스트를 통해 의미 있는 결과가 나왔다고 해서 앞으로도 계속 그 결과가 유효할 것이다 라고 보장할 수는 없다.

어제의 최적화는 오늘의 레거시일 수 있다

- 국지적 최적화의 함정

A와 B라는 조건 중 B가 더 좋다는 점을 알려줄 수는 있지만 B가 모든 경우에서 가장 좋은 최적의 조건이라는 것을 말하지는 않는다.

그로스 해킹 팀의 목표

1. 핵심 지표를 개선하는 것

2. 회사에 성장 DNA 를 전파하는 조직이 돼야 한다는 점

생각해보면 최종 프로젝트 때 OKR 방식을 썼다고 할 수 있겠다.

Objectives: 회사의 성장기 진입

Key Results: 1. 매출 성장률 2. 고객 증가율

그로스 해킹에 대한 프로세스를 잘 모르고 프로젝트를 진행했지만 알고보니 여기에 나온 모든 과정을 착실히 밟았다는 점이 너무 신기했다.

또, 당연스럽게 그로스 해킹을 하려면 꽤 규모가 커야 하고 굉장히 많은 준비를 하고 많은 스킬셋을 다뤄야한다는 착각이 있었는데 작은 회사에서도 충분히 가능하다는 점을 알게되었다.

KPI 에 너무 매몰되지 말고 OMTM 을 바라보자!

[데벨챌] 그로스 해킹 독서 리뷰 2주차

여연찌 — Mon, 18 Nov 2024 17:51:51 +0900

이번 2주차에서는 AARRR 의 고객유치 Acquisition 에 이어

활성화Activation 리텐션Retention 수익화Revenue 추천Referral 까지 읽어보았다.

활성화 (Activation)

고객 유치를 통해 데려온 사용자가 우리 서비스의 핵심 가치를 경험하게 만드는 것

퍼널의 전환율을 높이는 방법

1. 개인화

사용자 개개인의 맥락에 맞는 정보를 보여준다면 전환율을 높일 수 있다.

2. UI/UX 개선

주요 화면의 디자인을 변경항거나 구성요소를 바꾸는 것은 전환율을 변화시킨다.

디자인이 큰 폭으로 변경된다면 변경 전과 변경 후의 효과를 측정하고 검증해야 한다.

3. 적절한 개입

CRM 채널인 메일, 푸시, 인앱 메싱지 등을 적절히 활용하면 전환율을 높일 수 있다.

전체 회원을 대상으로 보내는 논타기팅 푸시나 이메일은 굉장히 보수적으로 판단하고 보내야 한다.

전환율을 높이는 것보다 퍼널에 속한 각 단계의 수를 줄이거나, 퍼널 자체를 재설계 하는 것도 새로운 대안이 될 수 있다.

리텐션 (Retention)

사용자가 다시 방문을 하는 것

리텐션을 측정하는 방법

1. 클래식 리텐션

특정일에 이벤트를 발생시킨 유저의 비율을 계산한다.

2. 범위 리텐션

특정 기간에 이벤트를 발생시킨 유저의 비율을 계산한다.

3. 롤링 리텐션

더 이상 해당 이벤트가 발생하지 않는 비율은 얼마인가? 를 살펴봄으로써 계산한다.

단순히 리텐션 지표만 보지 말고 전반적인 사용자 경험을 고려해야 한다.

반복적인 활용은 리텐션 지표는 올라갈 수 있어도 그만큼 사용자에게 피로도를 유발할 수 있다.

수익화 (Revenue)

사업의 수익화

수익화 관련 주요 지표

ARPU(인당 평균 매출)

사용자 한 명이 평균적으로 발생시키는 매출

ARPPU(결제자 인당 평균 매출)

결제자 한 명이 평균적으로 발생시키는 매출

LTV(고객 생애 가치)

한 명의 사용자가 진입하는 순간부터 이탈하는 순간까지의 전체 활동 기간에 누적해서 발생시키는 수익

LTR(고객 생애 매출)

고객 한 명에 대한 기대 매출

사용자를 다양한 방식으로 그루핑하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는 것이 중요하다.

서비스를 출시하는 시점에 수익 모델이 포함되지 않는 경우에도 어느 시기에 어떤 방식으로 수익화할 것인가에 대한 로드맵은 명확하게 존재해야 한다.

추천 (Referral)

기존 사용자의 추천이나 입소문을 통해 새로운 사용자를 데려오는 것

친구 초대를 비롯한 바이럴 경로의 효과를 높이려면 무엇을 먼저 개선할지를 명확히 정의한 후 그곳에 집중하는 것이 좋다.

1. 추천 액션에 참여하는 사용자의 비율 높이기

2. 한 사람이 평균적으로 초대하는 친구의 수 늘리기

3. 초대받은 친구가 가입으로 전환되는 비율 높이기

추천과 관련된 사용 플로는 신규 사용자 경험(NUX)과 연계된다는 점을 고려해야 한다.

즉, 활성화 단계가 잘 구축돼 있어야 한다.

그로스 해킹 을 독서하며 이전에는 막연히 진행했었던 업무들을 이런 개념과 같이 정리하여 체계적으로 다루었으면 더 좋았겠다 하는 생각이 들었다.

또, AARRR 이라는 개념이 머릿속에 막연히 저장이 되어있었고, 잘 생각해보니 최종 프로젝트 때 했던 모든 과정들이 이 AARRR 기준으로 진행이 되었다는 것이 생각났다.

우리의 목적은 신규 유입을 늘리고, 기존의 매출 또한 떨어지지 않는 것 이었다.

그렇다면 AARRR 의 첫번째 단계를 높이기 위한 것이었는데, 그를 위해 신규 회원을 늘리는 것이 매출에 영향을 줄 것인지, 영향을준다면 긍정적일 것인지에 대한 체크가 필요했었다.

첫 구매 후 지속적으로 방문하는지에 대한 리텐션을 체크해보았는데, 굉장히 수치가 높았고 이대로 유지가 된다는 전제하에 신규 회원 유치에 대한 주장을 더 강하게 내세울 수 있었다.

또, 최종 프로젝트에서 다루었던 개념인 LTR!

그 당시 우리 팀은 한정된 데이터를 바탕으로 프로젝트를 진행해야했고,

우리팀이 보유했던 데이터는 고객 획득 비용과 같은 데이터들이 전무했었다.

신규 및 기존 고객들의 기대 매출액의 차이가 필요했고

LTR 비교 결과 기존 고객보다 신규 고객이 약 3배 이상 높게 나타나는 것을 확인했다.

그렇기 때문에 우리 팀이 주제로 잡았던 신규 고객을 유치해야 되는 이유 및 신규 고객을 유치했을 때 나타날 매출 변화에 대해 조금 더 확실하게 주장할 수 있었다.

우리의 주장을 강화할 수 있는 인사이트 들을 바탕으로 목표를 이루기 위해 그 다음 단계인 유치 방안을 고민해보았다.

그 과정에서 다루었던 것은 Referral 단계인 추천 기능도 있었고, Acquisition 단계인 각 채널별로 진행할 액션플랜 도 있었다.

그 당시 진행했던 최종 프로젝트 내용에 대해 궁금하다면,

https://lyj-01.tistory.com/240

[Team Project] 성장기 도약의 KEY가 되는 신규 가입자 유치 전략

프로젝트 명: 성장기 도약의 KEY가 되는 신규 가입자 유치 전략기간: 2024-07-22~08-22활용 데이터: Order, Customer, returns 등 커머스 업계의 전반적인 데이터가 존재하였고, 우리가 진행하고자 하는 커머

lyj-01.tistory.com

(참, 당시 우리팀의 메인 튜터님께서도 링크드인에 게시해주셨었다.

링크드인 페이지 바로가기

LinkedIn 페이지: 성장기 도약의 KEY가 되는 신규가입자 유치전략

[ 테무를 벤치마킹한 데이터 분석 프로젝트 엿보기] 제가 튜터로 참여한 팀스파르타(주) (TeamSparta) 내일배움캠프 데이터 분석 2기 분들이 드디어 지난 8월 23일, 4개월에 걸친 데이터 분석 캠프

kr.linkedin.com

[데벨챌] 그로스 해킹 독서 리뷰 1주차

여연찌 — Sun, 10 Nov 2024 14:06:21 +0900

부트캠프 수료 후 마케터에 흥미를 가지고, 직무 전환을 준비 중이다.

이전에 SQL 강의를 수료했던 데이터리안에서

마침 그동안 많은 추천을 받았었던 양승화님의 '그로스 해킹(Growth Hacking)' 라는 책으로

데벨챌을 진행한다고 하여 기대되는 마음으로 참여해본다!

적당히 좋아하는 1000명보다 열렬히 사랑하는 100명의 충성 사용자를 확보하자

어쨌든 많은 사람들을 데려오면 되는게 아닐까? 했던

나의 가벼운 생각이 확 깨지는 구절이었다.

리텐션, 전환율,순수 추천 지수(NPS) 를 참고해서

제품 - 시장 적합성이 충분한지, 그렇지 않다면 제품 자체가 의미있는지, 그 문제를 잘 해결하는 제품을 만들었는지 부터 다시 점검해보아야 한다.

이전 회사에서 이벤트를 진행하면 많은 고객이 유입되었지만

그 고객이 꾸준히 사용을 해주는가?

하면 그렇지 않았던 경험이 있다.

지금와서 생각해보니 유입된 고객 혹은 충성 고객들에게

어떻게 서비스에 접속하게 되었는지, 서비스에 대해 만족하고 있는지, 어떠한 점이 가장 만족스럽고 불만족스러운지 등

물어보고 싶은 내용이 굉장히 많다.

사용자의 이야기를 듣자 !

과업 기준이 아닌, 사용자가 서비스를 이용하는 각 퍼널에서의 지표를 선정해야한다

고객 유치 데이터를 분석할 때 중요한 포인트는

가능한 한 많은 트래픽을 식별해서 미식별 트래픽의 비중을 최대한 줄이는 방향

고객 유치를 위해 광고를 한다 = 돈을 써야한다 = 그렇기 때문에 돈을 안쓰고도 많이 들어오는 사람이 최고 !

라고 생각했었다.

하지만 그만큼 추적이 되지 않는다는 것일 수 있고,

그만큼 각 채널별 성과를 판단하지 못한다는 뜻 이었다 .

오가닉 트래픽의 비중이 높으니 다른 채널 비중을 낮추자!

로도 직결될 수 있다는 구절이 꽤나 인상깊었다. (물론 과하게 생각한다면 이지만)

과연 오가닉 트래픽을 좋게만 볼 수 있을까?

AARRR 은 프로젝트를 진행하며 많이 접해보았던 개념이지만

그로스 해킹 독서를 하면 활용법을 제대로 알 수 있을 것 같다는 생각이 들었다.

AARRR 의 첫번째 Acquisition 고객 유치의 목표는

사용자의 유입 채널을 최대한 누락없이 추적하고,

각 채널별 성과를 정확히 판단하는 것 !

그로스 해킹에 대한 용어와 정의에 대해 친절하게 설명이 되어있어

나와 같은 마케터 초심자 에게 적극 추천하는 도서이다.

챌린지에 참여하기 위해 기록을 시작했지만,

기록을 하며 읽다보니 더 깊게 생각하게 되어 다시 한번 기록의 중요성을 새삼 깨달았다.

다음 챌리지도 열심히 참여하고, 좋은 결과로 기억되도록 노력해야겠다.

ROOT 아이템 구하기

여연찌 — Tue, 15 Oct 2024 15:18:08 +0900

ROOT 아이템을 찾아 아이템 ID(ITEM_ID), 아이템 명(ITEM_NAME)을 출력하는 SQL문을 작성해 주세요. 이때, 결과는 아이템 ID를 기준으로 오름차순 정렬해 주세요.

SELECT I.ITEM_ID
     , I.ITEM_NAME
FROM ITEM_INFO I
JOIN ITEM_TREE T
ON I.ITEM_ID = T.ITEM_ID
WHERE PARENT_ITEM_ID IS NULL
ORDER BY 1 ASC;

단, 각 아이템들은 오직 하나의 PARENT 아이템 ID를 가지며, ROOT 아이템의 PARENT 아이템 ID는 NULL 입니다.

ROOT 아이템이 없는 경우는 존재하지 않습니다.

위의 2줄이 힌트였음!

ROOT 아이템을 찾아야하는데 결국 마지막 뿌리까지 찾아가야 하는 거였고

ROOT 아이템은 PARENT 아이템 ID 가 NULL 이기 때문에 그것만 찾아주면 되는 거였다.

업그레이드 된 아이템 구하기

여연찌 — Fri, 11 Oct 2024 17:27:45 +0900

아이템의 희귀도가 'RARE'인 아이템들의 모든 다음 업그레이드 아이템의 아이템 ID(ITEM_ID), 아이템 명(ITEM_NAME), 아이템의 희귀도(RARITY)를 출력하는 SQL 문을 작성해 주세요. 이때 결과는 아이템 ID를 기준으로 내림차순 정렬주세요.

SELECT I.ITEM_ID
     , I.ITEM_NAME
     , I.RARITY
FROM ITEM_INFO I
JOIN ITEM_TREE T
ON I.ITEM_ID = T.ITEM_ID
WHERE T.PARENT_ITEM_ID IN (SELECT ITEM_ID FROM ITEM_INFO WHERE RARITY = 'RARE')
ORDER BY ITEM_ID DESC;

RARE 아이템 의 다음 업그레이드 아이템을 찾아야 한다.

1. RARE 아이템 찾기

SELECT ITEM_ID 
FROM ITEM_INFO 
WHERE RARITY = 'RARE'

2. 다음 업그레이드 아이템 찾기

WHERE T.PARENT_ITEM_ID IN (SELECT ITEM_ID FROM ITEM_INFO WHERE RARITY = 'RARE')

3. ITEM_ID, ITEM_NAME, RARITY 조회하기

SELECT I.ITEM_ID
     , I.ITEM_NAME
     , I.RARITY
FROM ITEM_INFO I
JOIN ITEM_TREE T
ON I.ITEM_ID = T.ITEM_ID
WHERE T.PARENT_ITEM_ID IN (SELECT ITEM_ID FROM ITEM_INFO WHERE RARITY = 'RARE')
ORDER BY ITEM_ID DESC;

조건에 맞는 사원 정보 조회하기

여연찌 — Thu, 10 Oct 2024 16:00:16 +0900

HR_DEPARTMENT, HR_EMPLOYEES, HR_GRADE 테이블에서 2022년도 한해 평가 점수가 가장 높은 사원 정보를 조회하려 합니다. 2022년도 평가 점수가 가장 높은 사원들의 점수, 사번, 성명, 직책, 이메일을 조회하는 SQL문을 작성해주세요.

2022년도의 평가 점수는 상,하반기 점수의 합을 의미하고, 평가 점수를 나타내는 컬럼의 이름은 SCORE로 해주세요.

WITH a AS (
SELECT EMP_NO
     , SUM(SCORE) SCORE
FROM HR_GRADE
GROUP BY EMP_NO
)
SELECT a.SCORE
     , e.EMP_NO
     , EMP_NAME
     , POSITION
     , EMAIL
FROM HR_EMPLOYEES e
JOIN a ON a.EMP_NO=e.EMP_NO
WHERE SCORE = (SELECT MAX(SCORE) FROM a)

SCORE 에는 상, 하반기 점수가 모두 들어가 있다.

즉, 한 사원의 점수가 여러개 들어가있기 때문에 SUM 으로 합쳐준다.

이 중 가장 높은 사원 정보를 조회해야하기 때문에 MAX 함수를 사용하여 사원을 조회해준다.

연도 별 평균 미세먼지 농도 조회하기

여연찌 — Tue, 8 Oct 2024 13:27:07 +0900

AIR_POLLUTION 테이블에서 수원 지역의 연도 별 평균 미세먼지 오염도와 평균 초미세먼지 오염도를 조회하는 SQL문을 작성해주세요. 이때, 평균 미세먼지 오염도와 평균 초미세먼지 오염도의 컬럼명은 각각 PM10, PM2.5로 해 주시고, 값은 소수 셋째 자리에서 반올림해주세요.
결과는 연도를 기준으로 오름차순 정렬해주세요.

SELECT YEAR(YM) AS YEAR
     , ROUND(AVG(PM_VAL1),2) AS 'PM10'
     , ROUND(AVG(PM_VAL2),2) AS 'PM2.5'
FROM AIR_POLLUTION
WHERE LOCATION2 = '수원'
GROUP BY YEAR(YM)
ORDER BY YEAR(YM);

ROUND 함수 사용법을 익히기에 좋다!

노선별 평균 역 사이 거리 조회하기

여연찌 — Tue, 8 Oct 2024 00:01:33 +0900

SUBWAY_DISTANCE 테이블에서 노선별로 노선, 총 누계 거리, 평균 역 사이 거리를 노선별로 조회하는 SQL문을 작성해주세요.

총 누계거리는 테이블 내 존재하는 역들의 역 사이 거리의 총 합을 뜻합니다. 총 누계 거리와 평균 역 사이 거리의 컬럼명은 각각 TOTAL_DISTANCE, AVERAGE_DISTANCE로 해주시고, 총 누계거리는 소수 둘째자리에서, 평균 역 사이 거리는 소수 셋째 자리에서 반올림 한 뒤 단위(km)를 함께 출력해주세요.
결과는 총 누계 거리를 기준으로 내림차순 정렬해주세요.

SELECT ROUTE
     , CONCAT(ROUND(SUM(D_BETWEEN_DIST), 1),'km') AS TOTAL_DISTANCE
     , CONCAT(ROUND(AVG(D_BETWEEN_DIST), 2),'km') AS AVERAGE_DISTANCE
FROM SUBWAY_DISTANCE
GROUP BY ROUTE
ORDER BY SUM(D_BETWEEN_DIST) DESC

문자열 붙이기

CONCAT ('단어1','단어2')

단어1단어2

비즈니스 용어 정리 및 기술 질문 정리

여연찌 — Wed, 2 Oct 2024 17:02:37 +0900

Today I Learned

비즈니스 용어 정리

데이터 파이프라인

필요한 데이터를 원할때마다 꺼내올 수 있도록 데이터를 쌓아두는 파이프

데이터를 가져오는 과정에서 정제나 전처리가 쉽도록, 데이터 형태를 고쳐주고

필요없는 데이터는 제거하고, 함께 보는게 좋은 데이터들은 합쳐서 저장해주는 등의 목적을 가진다.

데이터 추출

데이터 변경

데이터 결합

데이터 검증

데이터 적재

KPI(핵심 성과 지표)

기업이 목표를 달성하기 위해 관리해야 하는 요소들에 대한 성과지표 중 핵심적인 지표

기업,직무,팀 마다 달성해야하는 KPI 는 다를 수 있다.

* 이커머스 기업의 KPI란 무엇이 있을지?

LTV(고객생애가치), CAC(고객획득비용), 가입자 수, 활성유저 수, 고객 이탈률 등

매출&판매 관련한다면

연간목표매출, 매출 총이익, 평균 객단가 등

고객 관리 관련

신규 구매 고객& 재 구매 고객 비중

재구매 횟수 증가율 등

기술 질문 정리

Python

함수: 특정 기능을 수행하는 것, 매개변수 로 자료를 전달한다.

메서드: 특정 자료형 에서 특정 기능을 수행하는 것. 자료명 뒤에 마침표를 찍어서 사용한다.

라이브러리: Matplotlib 과 같이 패키지의 집합

패키지: Numpy, Pandas 와 같은 특정 기능과 관련되어 있는 여러가지 모듈의 집합

모듈: 함수, 변수, 클래스를 모아둔 것

클래스: 객체(object)를 표현하기 위한 문법

메서드 체이닝: 연속으로 메서드를 호출하는 것

코드를 더 간결하고 가독성 있게 만들 수 있다.

인터프리터와 컴파일러

인터프리터: 파이썬 과 같이 한 문장씩 해석하고 실행하는 것. 컴파일러에 비해 동작시간이 소요될 수 있지만 한문장씩 수행하기 때문에 문제가 있을 시 수정하기 간편하다.

컴파일러: java, C 언어와 같이 처음부터 끝까지 듣고 나서 한꺼번에 바꿔주는 것. 실행되기까지는 시간이 소요되지만 인터프리터에 비해 모든 실행에까지 걸리는 시간은 짧은 편이다.

SQL

실행 순서

FROM > WHERE > GROUP BY > HAVING > SELECT > ORDER BY

"select count(*) ... group by" 구문과 "select distinct" 구문 간의 차이

GROUP BY 의 경우 특정 컬럼을 기준으로 데이터를 그룹화 한 후 각 그룹의 개수를 반환

DISTINCT 의 경우 중복된 값을 제거하고 고유한 값만 반환

윈도우 함수란?

데이터를 집계할 때 사용되는 함수이다.

그룹화 없이도 계산된 결과를 각 행에 붙여주는 기능을 제공한다.

ROW_NUMBER()

각 행에 고유한 번호를 매긴다.

RANK()

중복된 값이 있는 경우 같은 순위를 부여하고 다음 순위는 건너뛴다.(1,2,2,4,5)

DENSE_RANK()

중복된 값이 있는 경우 같은 순위를 부여하고, 다음 순위는 건너뛰지 않는다.(1,2,2,3,4)

SUM()

누적합계

AVG()

특정 그룹 내에서 평균

K-MEANS 클러스터링

장점

다양한 유형의 데이터와 군집 형태에 적용할 수 있고, 간단하여 해석이 쉽다.

단점

최적화를 위해 여러번 실행해야하고, 초기 군집의 수 k를 사전에 결정해야한다

RFM 분석

Recency : 최근 구매, 얼마나 최근에 구매했는가

Frequency : 구매 빈도, 얼마나 자주 구매했는가

Monetary : 구매 금액, 얼마나 많은 금액을 지출했는가

Tableau 의 시각화 구현 방식의 원리

측정값: 확인하고 싶은 값

매출, 수량, 주문건수 등

차원: 측정값을 분류하여 볼 수 있는 관점

시간대, 지역, 업종 등

연속형: 연결성이 존재하는 데이터

판매 금액, 카운트 등

불연속형: 각 데이터마다 의미가 있는 값

카테고리, 문자열 등

원하는 데이터의 특징에 따라 드래그앤드롭을 하며 그래프를 생성할 수 있다.

데이터 원본에 없는 필드를 직접 생성할 수 있으며, 대시보드 제작까지 가능하다.