styleMarket 데이터분석 : 보헤미안브리즈 고객세분화 분석 PYTHON

 

styleMarket 데이터분석 : 보헤미안브리즈 고객세분화 분석 PYTHON

 

FSTAAP { # FSTAAP { #  FSTAAP { #  FSTAAP { # 

 

 

<< 시나리오 소개 : 보헤미안브리즈 브랜드 구매고객 고객세분화 >>

 

스타일마켓은 대한민국에 위치한 패션 제품의 생산, 수입 및 국내외 유통을 담당하는 기업입니다. 이 회사는 다양한 스타일과 트렌드에 맞춘 다양한 패션 아이템을 제공하며, 의류, 액세서리, 신발 등을 포함한 주요 제품 라인업을 생산합니다. 스타일마켓은 고품질의 원단과 재료를 사용하여 제품의 품질과 내구성을 보장하며, 다양한 디자인 팀과 협업하여 새로운 패션 트렌드를 제공합니다. 또한, 유명한 패션 브랜드 및 디자이너와의 협업을 통해 독특하고 차별화된 제품을 개발합니다.
회사는 글로벌 시장 동향을 파악하고 다양한 유통 채널을 통해 국내외 고객들에게 제품을 판매합니다. 소비자의 니즈와 선호도를 파악하기 위해 마케팅과 조사에 중점을 두며, 온라인 쇼핑 플랫폼과 실제 매장을 운영하여 편리한 쇼핑 경험을 제공합니다. 소셜 미디어를 통한 활발한 소통을 통해 고객과의 상호작용을 촉진하고 브랜드 인지도를 높입니다.
스타일마켓은 지속 가능한 패션 산업을 추구하며 환경 보호와 사회적 책임을 다하는 방식으로 운영됩니다. 대한민국에서 시작하여 글로벌한 패션 기업으로 성장하고 있으며, 항상 품질과 스타일을 제공하는 리더 기업으로 인정받고 있습니다

 

 

 

https://revisioncrm.tistory.com/531

[ChatGPT 기업전략 수립] styleMarket 기업분석

 

 

 

"Bohemian Breeze"는 자유로운 영혼과 아름다운 자연을 반영하는 보헤미안 스타일의 브랜드입니다. 이 브랜드는 유니크하고 부드러운 디자인의 옷과 액세서리를 제공하며, 고객들에게 자유롭고 우아한 분위기를 선사합니다. 이러한 특징을 통해 "Bohemian Breeze"는 창의적이고 예술적인 감각을 추구하는 소비자들에게 매력적인 선택이 됩니다. 브랜드의 제품은 보헤미안 스타일의 전형적인 특성인 편안함, 자연스러움, 그리고 예술적인 표현을 강조하면서 동시에 현대적인 감각과 스타일을 접목시킵니다. 이를 통해 소비자들은 일상에서도 독특하고 개성 있는 스타일을 연출할 수 있습니다.

 

 

 

 

 

보헤미안 브리즈 고객세분화 분석 연습용 데이터셋 (50명 sample)

 

Bohemian_Breeze_Customer_Data.csv

0.00MB

 

 

클러스터링을 활용한 고객 세분화는 기업이 대규모 고객 데이터에서 유의미한 패턴과 그룹을 발견하는 데 사용됩니다. 이 방식은 고객들을 유사한 특성이나 행동을 기반으로 자동으로 그룹화하여, 개별 고객에 대한 더 깊은 이해를 가능하게 합니다. 특히, 빅 데이터 시대에 많은 고객 정보를 효율적으로 분석하고 활용할 수 있는 장점이 있습니다.

클러스터링 기법의 주요 장점은 데이터 기반의 객관성과 자동화된 분류 과정입니다. 전통적인 수동 세분화와 달리, 클러스터링은 복잡한 데이터 패턴을 신속하게 파악하고, 예측이 어려운 고객 행동까지 고려할 수 있습니다. 이를 통해 기업은 고객의 숨겨진 필요와 선호를 파악하고, 맞춤형 마케팅 전략을 개발할 수 있습니다.

클러스터링은 특히 고객의 구매 이력, 소비 습관, 선호도 등 다양한 변수가 복합적으로 작용하는 경우에 유용합니다. 예를 들어, 소매업에서는 고객의 구매 패턴을 분석하여 타겟 마케팅, 맞춤형 프로모션, 상품 추천 등에 활용할 수 있습니다. 또한, 서비스 산업에서는 고객의 사용 패턴과 만족도를 분석하여 서비스 개선 및 개인화된 고객 경험을 제공하는 데 도움이 됩니다.

 

 

:: ChatGPT의 보헤미안브리즈 고객세분화 분석 결과 (Clustering) 

 

 

 

 

 

클러스터링 분석 및 시각화를 수행한 스크립트는 다음과 같습니다:

# 데이터 준비
import pandas as pd
import random
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 데이터 생성
# 이 부분은 위에서 보여드린 고객 데이터 생성 코드를 포함합니다.

# 관련 특성 선택: 'Age', 'Annual Spending on Fashion (USD)', 'Purchase Amount over 3 Years (USD)', 'Number of Purchase Days'

features = ['Age', 'Annual Spending on Fashion (USD)', 'Purchase Amount over 3 Years (USD)', 'Number of Purchase Days']
X = updated_customer_df[features]

 

# 데이터 표준화
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

 

# KMeans 클러스터링 수행
kmeans = KMeans(n_clusters=5, random_state=0)
kmeans.fit(X_scaled)

 

# 클러스터 라벨 추가
updated_customer_df['Cluster'] = kmeans.labels_

 

# 시각화
import matplotlib.pyplot as plt
import seaborn as sns

# 클러스터 센터 계산
cluster_centers = pd.DataFrame(scaler.inverse_transform(kmeans.cluster_centers_), columns=features)

# 히트맵으로 클러스터 센터 시각화
plt.figure(figsize=(12, 6))
sns.heatmap(cluster_centers.T, annot=True, cmap="YlGnBu")
plt.title('Cluster Centers for Each Segment')
plt.xlabel('Cluster')
plt.ylabel('Attribute')
plt.yticks(rotation=0)
plt.savefig('heatmap.png')
plt.show()

 

이 코드는 고객 데이터를 클러스터링하여 각 클러스터의 특성을 분석하고 시각화하는 전체 과정을 보여줍니다.

 

 

 

 

고객세분화 결과 시각화 추가 스크립트는 다음과 같습니다.

 

 

import matplotlib.pyplot as plt
import pandas as pd

# 데이터를 클러스터 별로 그룹화하고 평균 연령과 평균 구매금액, 고객 수를 계산
clustered_group_data = updated_customer_df.groupby('Cluster').agg({
    'Age': 'mean',
    'Purchase Amount over 3 Years (USD)': 'mean',
    'Customer ID': 'count'
}).reset_index()

# 컬럼명 변경
clustered_group_data.rename(columns={'Customer ID': 'Customer Count'}, inplace=True)

# 스캐터플롯 생성
plt.figure(figsize=(10, 6))
plt.scatter(clustered_group_data['Age'], clustered_group_data['Purchase Amount over 3 Years (USD)'],
            s=clustered_group_data['Customer Count']*10, alpha=0.5, c=clustered_group_data['Cluster'], cmap='viridis', marker='o')

plt.title('Scatterplot of Age vs Purchase Amount by Segment (Circle Markers)')
plt.xlabel('Average Age')
plt.ylabel('Average Purchase Amount over 3 Years (USD)')
plt.colorbar(label='Cluster')
plt.grid(True)
plt.show()

 

 

지금까지의 분석을 통해 발견된 핵심 패턴은 다음과 같습니다:

1. 연령대별 소비 행태: 연령대가 다른 고객 그룹들은 구매금액과 구매 빈도에서 뚜렷한 차이를 보였습니다.
2. 고객 세분화: KMeans 클러스터링을 통해 고객들이 다양한 세그먼트로 나뉘며 각 세그먼트마다 독특한 특성을 가지고 있음을 확인했습니다.
3. 소비 패턴의 다양성: 고객들은 다양한 소비 패턴을 보여주었으며, 이는 연령, 성별, 직업 등에 따라 달라졌습니다.
4. 클러스터별 구매력 차이: 서로 다른 클러스터의 고객들은 3년간의 총 구매금액에서 상당한 차이를 나타냈습니다.
5. 온라인 및 오프라인 쇼핑 선호도: 고객들은 온라인과 오프라인 쇼핑 모드에 대해 다양한 선호도를 보였으며, 이는 구매 행태에 영향을 미쳤습니다.

 

 

 

 

"Bohemian Breeze"의 특성과 분석 결과에 따른 구체적인 마케팅 및 상품 전략 예시는 다음과 같습니다:

1. 맞춤형 이메일 마케팅: 각 클러스터의 연령대와 구매 스타일에 맞는 맞춤형 이메일 캠페인을 실행합니다. 예를 들어, 젊은 고객층을 대상으로 한 트렌디한 액세서리 소개나, 중년 고객층에게는 고품질의 클래식 의류 제품을 추천하는 콘텐츠를 제작합니다.
2. 온라인 쇼핑 경험 강화: 고객 데이터를 바탕으로 온라인 쇼핑 플랫폼을 개선하며, 사용자의 쇼핑 패턴과 선호도를 반영한 개인화된 제품 추천 시스템을 도입합니다.
3. 시즌별 프로모션: 특정 클러스터의 구매 패턴을 분석하여, 해당 시즌에 맞는 프로모션을 실행합니다. 예를 들어, 여름철에는 해변과 휴가에 어울리는 보헤미안 스타일 의류와 액세서리를 할인 판매합니다.
4. 소셜 미디어 캠페인: 인기 있는 소셜 미디어 채널에서 인플루언서와 협업하여 브랜드 인지도를 높이고, 타겟 고객층에 맞는 콘텐츠를 제작하여 브랜드의 특성을 강조합니다.

이러한 전략들은 "Bohemian Breeze"의 보헤미안 스타일과 자유로운 영혼의 브랜드 이미지를 강화하고, 다양한 고객층의 요구와 선호도에 부응하는 동시에 브랜드의 매출 증대에 기여할 수 있습니다.  

 

 

 

 

 

 

 

 

참고자료 :: 

고객세분화에 대한 이해와 활용방안 (2007. BI코리아)

https://revisioncrm.tistory.com/486

고객세분화에 대한 이해와 활용방안[2007.전용준.BI 코리아]