소개
10년차 데이터 과학자, 데이터 엔지니어, 머신러닝 엔지니어로 근무했으며, 쏘카와 타다에서 데이터 분석, 데이터 엔지니어링 개발, 머신러닝 알고리즘을 개발했습니다.
카일스쿨 유튜브에 데이터 커리어 관련 영상을 올리고 있으며, 어떻게 해야 강의를 수강하신 분들이 회사에서 일을 잘할 수 있을까?를 고민하며 자료를 만들고 있어요.
Google의 GDE(Cloud)로 활동하고 있어요.
카일스쿨 유튜브 : https://www.youtube.com/c/kyleschool
기술 블로그 : https://zzsza.github.io/
인스타그램 : https://www.instagram.com/data.scientist/
대표 컨텐츠 : https://github.com/Team-Neighborhood/I-want-to-study-Data-Science
데이터 과학자가 되기 위해 진행한 다양한 노력들 : https://zzsza.github.io/diary/2019/04/05/how-to-study-datascience/
강의
로드맵
전체 1수강평
- 블로그 페이지뷰 300만이 알려주는 "실용주의 기술 블로그 글쓰기"
- BigQuery(SQL) 활용편(퍼널 분석, 리텐션 분석)
- PM을 위한 데이터 리터러시(프로덕트 데이터 분석)
- 초보자를 위한 BigQuery(SQL) 입문
게시글
질문&답변
최종 과제 제출합니다!
용찬님 안녕하세요! 최종 과제 하시느라 고생하셨어요재방문과 재주문을 구분해서 보고, 여러 지표로 서비스 현황을 살펴보신 점이 좋았습니다. 쿼리와 사고 과정을 함께 남겨주셔서 어떤 생각으로 접근하셨는지도 볼 수 있었어요.다만 현재 제출물은 서비스 현황을 폭넓게 확인한 EDA에 가깝고, 발견한 문제의 원인을 좁혀가는 분석이 더 필요합니다. 지표를 다양하게 보는 것에서 한 단계 더 들어가보시면 좋겠어요.Action Item을 제시했지만, 추상적인 Action Item들이 주를 이룹니다.1. 신규 유저 온보딩 개선 => 여기선 왜 이걸 해야 하는지? 어떤 데이터 근거인지 제시를 해주시면 좋아요. 그 상황에 할 수 있는 Action Item이 여러가지가 있을텐데 왜 이걸 제시하는지 알려주는게 필요해요2. 개인화된 메뉴 추천 시스템 => 이 부분은 개인화에 대한 정의가 필요할 것 같은데, 시간대나 요일에 따른 주문은 룰베이스 기반 큐레이션에 가깝고 추천까지 가긴 애매합니다. 그리고 기존 유저 지난 주문 다시 하기, 탐색 이력 기반 추천이라고 하는 것은 구체적인 내용이 없어요. 예를 들어 어떤 것들에 더 가중치를 줄 것이다 이런 내용까지 있으면 더 내용이 풍부하다고 느껴져요. Action Item을 드려보면1. 발견한 문제 중 하나를 골라 깊게 분석해보세요.지금은 신규 유입 감소, 낮은 재주문율, 탐색 전 이탈 등 여러 문제를 제시하셨는데, 각각을 확인한 뒤 다음 주제로 넘어가는 흐름입니다.예를 들어 ‘탐색 전에 이탈하는 유저가 많다’를 핵심 문제로 잡았다면, 로그인 화면과 홈 화면으로 나눠본 다음에도 분석을 이어갈 수 있어요. 오히려 홈 화면에서 이탈한 비중이 더 높게 나왔으니, 여기서 어떤 일이 일어나는지 궁금해져야 합니다. 데이터를 보면서 "어 이건 왜 그렇지?", "어 다른 케이스도 있나?" => "왜 그렇지?" => 이런 흐름으로 계속 가설을 만들고 해결해야 합니다. PM을 위한 데이터 리터러시 강의에서 논리적 사고와 MECE를 말씀드리는데 이 역량이 데이터 분석에서 제일 중요합니다.홈에서 이탈한 유저와 탐색을 이어간 유저는 어떤 차이가 있을까요?시간대나 플랫폼에 따라 차이가 있을까요?홈에 머문 시간이나 이탈 직전 행동에서 단서를 찾을 수 있을까요?이렇게 하나의 결과에서 다음 질문을 만들고, 추가 분석으로 가능한 설명을 좁혀가는 과정이 필요합니다. 모든 기준으로 나눠보라는 의미는 아니고, 원인에 대한 가설을 세운 뒤 그 가설을 구분할 수 있는 기준을 선택해보시면 좋겠습니다.2. 가설과 다른 결과가 나왔을 때도 한 번 더 들어가보세요.추천 메뉴 클릭 세션의 결제 전환율이 일반 메뉴 세션보다 낮게 나온 부분도 추가로 살펴볼 만합니다. 전체 평균에서는 낮지만 신규·기존 유저나 시간대에 따라 결과가 달라질 수도 있고, 애초에 두 경로를 선택하는 유저의 구매 의도가 다를 수도 있어요.따라서 이번 비교만으로 추천의 효과를 기각하기보다는, ‘왜 이런 차이가 나왔을까?’를 다음 분석 질문으로 이어가면 좋겠습니다. 로그인 화면 이탈 역시 로그인 요구가 원인이었다고 확정하기보다는, 추가 검증이 필요한 가설로 남겨두는 편이 적절하고요.3. 개선안은 분석에서 확인한 근거와 연결해주세요.개인화 추천, 쿠폰, 리마인드 푸시는 시도해볼 수 있는 아이디어입니다. 다만 현재 분석만으로는 개인화 부족이나 혜택 부족이 핵심 문제였는지 확인되지 않았어요.‘이런 기능을 만들면 좋겠다’에서 나아가, 어떤 유저의 어떤 문제를 해결하기 위해, 왜 이 액션을 먼저 해야 하는지 설명해보시면 좋겠습니다. 여러 액션을 나열하기보다 하나를 골라 근거와 기대하는 행동 변화, 검증 지표까지 연결해보세요. 가능하면 대상 유저 규모와 현재 전환율을 바탕으로 고민해보는 것도 좋아요.1:1 코칭은 조금 여석이 남아있어요. 후기 남겨주시고 설문 남겨주시면 되어요!고생하셨습니다!
- 좋아요수
- 0
- 댓글수
- 2
- 조회수
- 69
질문&답변
6-7 로그 설계 연습문제
정민님 안녕하세요! 문제 푸느라 고생하셨습니다. 로그 설계해주신 내용 하나씩 피드백 드려볼게요.1번초기 화면 조회(page_view), 각 컴포넌트별 클릭 이벤트, 최종 주문 클릭(order_click)으로 필요한 기본 이벤트들을 잘 잡아주셨습니다. menu_click에 카테고리 정보(한식, 고기 등)를 파라미터로 넣겠다고 하신 것도 좋습니다.이벤트 네이밍의 경우 banner_click, menu_click처럼 컴포넌트마다 이벤트를 따로 만드는 방식도 있지만, 홈 화면 요소가 늘어나면 이벤트 수가 너무 많아질 수 있습니다. 그래서 click_home_component 같은 공통 이벤트를 두고 파라미터로 component_name: banner | menu | recommend를 남기는 방식도 실무에서 많이 씁니다.CVR(해당 기능 클릭 후 주문)을 계산하려면 '어떤 컴포넌트를 누르고 들어와서 주문했는가'를 연결해야 합니다. 주문 이벤트에 무리하게 유입 경로를 다 심기보다는, 각 이벤트에 session_id와 user_id를 잘 남겨두고 SQL에서 같은 세션 내 직전 클릭 이벤트를 연결해서 집계하는 방식을 주로 활용합니다.order_click은 사용자의 클릭(의도)이고 실제 결제 성공 여부는 달라질 수 있어서, 비즈니스 성과로서의 CVR을 정확히 보려면 서버의 주문 완료 이벤트(order_completed 등)를 함께 보시는 것도 좋습니다.2번검색 실행 -> 매장 클릭 -> 주문으로 이어지는 흐름을 클라이언트 관점에서 잘 잡아주셨습니다.search 이벤트에는 어떤 파라미터가 들어가면 좋을지도 한번 고민해보시면 좋습니다.검색어(keyword), 검색 결과 수(result_count 또는 결과 유무 is_result_null) 등이 함께 들어가면 어떤 검색어에서 전환이 잘 나는지, 결과가 없어서 이탈했는지를 파악하기 좋습니다.트리거 시점은 '검색 돋보기 클릭' 외에도 키보드의 검색/엔터키를 누르는 경우도 많으니, 버튼 클릭에만 국한하기보다는 검색 API가 호출되는 시점(또는 결과 페이지 로드 시점)을 기준으로 잡으시면 유실을 줄일 수 있습니다."검색해서 나온 매장 주문"을 식별하려면 search_click에 매장 ID(restaurant_id)를 파라미터로 남기고, 동일 세션 내에서 해당 매장의 주문으로 이어졌는지를 연결해서 데이터를 보시면 됩니다.3번필터 이벤트에 적용한 필터 조건(정렬 기준, 가격 등)을 파라미터로 넣겠다고 하신 점 좋습니다. 이벤트명은 filter_create보다는 apply_filter나 click_filter처럼 사용자의 행동을 나타내는 단어가 더 직관적일 것 같아요.이벤트 순서와 UX 방식을 고민해보시면 좋습니다.작성해주신 순서에서 1. 필터 적용 -> 2. 검색 클릭으로 적어주셨는데, 보통은 검색을 먼저 하고 검색 결과 페이지에서 필터를 적용하는 흐름이 많습니다.그리고 필터 옵션을 누르면 즉시 결과가 갱신되는 UI인지, 아니면 필터 창에서 옵션을 고르고 '적용하기' 버튼을 눌러야 반영되는 UI인지에 따라서도 로깅 시점이 달라집니다. 화면 인터랙션 방식을 고려해서 트리거 시점을 정의해보시면 좋습니다.고생하셨습니다!
- 좋아요수
- 0
- 댓글수
- 2
- 조회수
- 58
질문&답변
4-8 지표정의 연습문제
정민님 안녕하세요! 문제 푸느라 고생하셨습니다. 하나씩 피드백 드려볼게요.1번CTR, CVR 잘 생각해주셨고, 분자 분모로 나누어 정의해주신 점 좋습니다.여기서 한 걸음 더 나아가 의사 결정을 어떻게 할지 한번 생각해보셔도 좋을 것 같아요.예를 들어 특정 기능의 CTR은 올라갔는데 CVR이 내려갔다면 어떻게 판단할 것인가? 2x2 경우의 수를 생각해보고 액션 기준을 미리 고민해보는 연습을 해보셔도 좋습니다.지표가 우상향하는지(전후 비교)만 보면 시즈널리티나 프로모션 같은 외부 요인이 섞일 수 있어서, 신규 기능 배포 시에는 A/B 테스트로 효과를 검증하는 관점도 함께 기억해두시면 좋습니다.2번검색 후 매장 주문으로 이어졌는가를 본 것도 좋은 접근입니다.다만 CVR을 메인으로 보면 검색 이후 주문까지 퍼널이 길어서(가게 탐색, 메뉴 선택, 배달비, 리뷰 등) 다른 요인이 많이 개입됩니다. 검색 결과는 마음에 들었는데 배달비가 비싸서 주문을 안 했을 수도 있고요.그래서 실무에서는 퍼널 앞단인 검색 결과 클릭률(CTR)이나 검색 후 매장 상세 진입 여부, 재검색률 등을 먼저 보고 주문 CVR은 보조 지표로 함께 보는 편입니다.검색 알고리즘 관점에서는 Precision, Recall, NDCG 같은 지표도 많이 활용하니 검색해서 살펴보셔도 좋습니다.3번필터 적용률과 주문까지 이어진 지표를 나누어 생각해주신 점 좋습니다.여기서 두 가지 정도 더 고민해보시면 좋겠습니다.검색 수(이벤트 수) 기준 외에 유저 관점(필터를 사용한 유저 수 / 검색한 유저 수)으로 보면 얼마나 많은 유저가 필터를 쓰는지 파악하기 좋습니다.필터 버튼을 눌러 탐색했는지(필터 클릭률)와 실제로 필터 조건을 걸었는지(필터 적용률)를 구분해서 보면 어느 단계에서 이탈하는지 UX 관점에서 보기 좋습니다.4번비용이나 순수익, 프로모션 효율까지 비즈니스 관점에서 고민해주신 점 좋습니다.다만 리텐션이나 순수익은 배달 서비스뿐만 아니라 모든 서비스에서 공통적으로 쓰이는 결과 지표(Output Metric)에 가깝습니다.이 문제에서 배달 서비스를 특정한 이유는 배달 비즈니스 모델을 고려한 선행 지표(Input Metric)를 고민해보면 좋겠다는 생각에 낸 문제입니다.배달 소요 시간, 특정 지역/시간대별 주문 가능한 매장 수, 피크타임 배차 성공률, 배달팁 수준처럼 PM이 직접 조작해서 움직일 수 있는 배달 특화 Input 지표가 무엇일지 한번 고민해보셔요.5번추천 제품 클릭률(CTR)로 잘 잡아주셨습니다.분모를 전체 페이지뷰로 두기보다는 추천 컴포넌트가 화면에 실제로 노출된 수(노출 수/Impression)로 두면 더 정확한 CTR을 볼 수 있습니다.추천 영역 클릭 후 구매 전환율(CVR)이나 전체 구매 중 추천 경유 비중을 보조 지표로 볼 수도 있고, 알고리즘 관점에서는 Recall, Precision, NDCG 같은 평가 지표도 함께 참고해보시면 좋습니다.6번타로 앱이라는 도메인을 잡고 지표를 정의해주신 것 좋습니다.다만 "왜 1주일 기준인가?"라는 질문을 들으면 어떻게 답변하실 수 있을까요?데일리 콘텐츠 앱이라고 해주셨으니 일주일 단위보다는 Daily로 보는 것을 메인으로 잡아가도 좋을 것 같습니다.그 외에 타로를 뽑은 후 다음 액션(상세 풀이 확인, 광고 시청, 추가 결제 등)으로 이어지는 전환율이나 분포(평균, 중앙값)를 보조 지표로 살펴보셔도 좋습니다.7번온보딩의 목적에 따라 볼 수 있는 지표가 달라질 수 있습니다.그리고 이 문제의 핵심은 신규 기능의 추가 효과를 검증하기 위한 실험(A/B 테스트)입니다.온보딩을 경험한 유저와 아닌 유저를 나누어 가입/전환율을 비교하고, 이후 초기 리텐션이나 핵심 행동까지 함께 보는 방식으로 접근하게 됩니다. 뒤쪽 실험 파트를 들으시면 더 와닿으실 거예요.고생하셨습니다!
- 좋아요수
- 0
- 댓글수
- 2
- 조회수
- 63
질문&답변
3-13 리텐션 과제 제출합니다!
용찬님 안녕하세요! 문제 푸시느라 고생하셨습니다!1번은 강의에서 다루었으니 2, 3번 위주로 이야기를 해볼게요2번- 기준을 세우고 그 기준을 월별 스냅샷까지 확장한 것 잘 진행하셨어요. 다만 몇 부분에 이슈가 있어서 이거 점검하셔야 할 것 같아요1. SELECT * GROUP BY ALL diff_of_event AS ( -- 전체 유저의 평균, 최소, 최장 접속 주기 파악 (2회 이상 접속한 유저 기준) SELECT *, ROUND(AVG(DATE_DIFF(event_date, prev_event_date, DAY)), 3) AS avg_diff_of_event_date, ROUND(MIN(DATE_DIFF(event_date, prev_event_date, DAY)), 3) AS min_diff_of_event_date, ROUND(MAX(DATE_DIFF(event_date, prev_event_date, DAY)), 3) AS max_diff_of_event_date, DATE_DIFF(event_date, prev_event_date, DAY) AS diff_of_event_date -- 접속 주기 FROM ( SELECT user_pseudo_id, MIN(event_date) OVER(PARTITION BY user_pseudo_id ORDER BY event_date) AS first_date, -- 유저별 첫 방문일 event_date, LAG(event_date) OVER(PARTITION BY user_pseudo_id ORDER BY event_date) AS prev_event_date -- 유저별 event_date 직전 방문일 FROM base ) GROUP BY ALL 이 쿼리에서 안쪽에 있는 쿼리는 user_pseudo_id, first_date, event_date, prev_event_date가 나오는데 그 후에 SELECT *을 하시면서 GROUP BY ALL을 합니다그 결과로 user_pseudo_id, first_date, event_date, prev_event_date +avg_diff_of_event_date, min_diff_of_event_date, max_diff_of_event_date, diff_of_event_date가 됩니다이러면 유저별, 일자별로 집계라서 데이터가 이상해질 것 같아요.전체 유저별로 하고 싶었다면 SELECT *이 없었어야 할 것 같고, 유저별로 원했다면 user_pseudo_id만 남기면 됩니다.저라면 아래처럼 만들고-- 분류용 CTE: 집계 없이 행 단위 유지 diff_of_event AS ( SELECT *, DATE_DIFF(event_date, prev_event_date, DAY) AS diff_of_event_date -- 접속 주기 FROM ( SELECT user_pseudo_id, MIN(event_date) OVER(PARTITION BY user_pseudo_id) AS first_date, -- 유저별 첫 방문일 event_date, LAG(event_date) OVER(PARTITION BY user_pseudo_id ORDER BY event_date) AS prev_event_date -- 유저별 직전 방문일 FROM base ) )별도로 데이터를 구해볼 것 같아요-- 탐색용 쿼리: 전체 유저 기준 접속 주기 SELECT ROUND(AVG(diff_of_event_date), 3) AS avg_diff_of_event_date, MIN(diff_of_event_date) AS min_diff_of_event_date, MAX(diff_of_event_date) AS max_diff_of_event_date FROM diff_of_event WHERE diff_of_event_date IS NOT NULL월별 집계에서 1월 기준일LAST_DAY(month_start) AS month_end를 하셨는데, 데이터가 1/20까지 있을거라 실제 데이터가 24일치만 있어서 과소 집계될 거예요. Dormant도 11일 앞당겨 판정되어서 과대집계가 될 거예요.1월에 집계가 덜 끝났다고 하셨는데 쿼리에도 반영해야 합니다35일 기준감으로 정하지 않고 실제 접속 주기를 확인해서 기준을 잡은 접근 아주 좋아요. 다만 평균은 기준값으로 쓰기 애매한 면이 있습니다.평균은 극단값에 쉽게 끌려가요. 예를 들어 방문 간격이 1, 1, 2, 3, 170일이면 평균은 약 35일이지만, 실제로는 5번 중 4번이 3일 안에 재방문했어요. “35일”이 대부분 유저의 행동을 대표하지 못할 수 있어요.그래서 평균 하나보다 분포를 같이 보는 게 좋아요. 예를 들어 p90이 28일이면 "재방문의 90%가 28일 안에 일어난다", 즉 28일이 지나도 안 오면 다시 올 가능성이 낮다고 설명할 수 있어요현실에서는 숫자 하나를 정답처럼 찾기보다, 이런 식으로 정하는 경우가 많아요.서비스 사용 주기 기준: 매일 쓰는 서비스면 7일, 주 단위면 14 ~ 28일, 월 단위면 30일 이상처럼 서비스 성격에 맞춰 정해요. 요일 효과를 피하려고 7의 배수(28일 등)를 씁니다(계산도 쉬워지고)여러 기준으로 비교: 8, 14, 28일로 각각 돌려보고 결론이 크게 달라지지 않으면 어떤 기준이든 괜찮다고 판단해요. 만약 달라지면 그 자체도 인사이트로 볼 수 있어요결국 중요한 건 "정확한 숫자"보다 "왜 이 숫자인지 설명할 수 있는가"에요분석 내용 피드백우선 각 인사이트마다 "그래서 뭘 확인해야 하지?"를 같이 적어주신 점 좋았어요. 숫자만 읽고 끝나는 경우가 많은데, 다음 액션까지 고민하신 게 보입니다.여기서 힌트를 드리자면 "8, 9, 10월에 New 유저 유입이 증가한다, 11~1월엔 유입이 지속적으로 감소한다 => 그러면 이유 파악 필요라고 하는게 아니라 "어? 왜 그럴까?"라는 생각을 하고 가설을 던져야 합니다. 이게 제일 중요한 활동이에요. 이유 파악 필요라고 하면 사실 이후에 할 말이 없거든요(그걸 찾기 위해 데이터를 보는거니깐요)지금 용찬님이 하신 것은 Depth가 1단계입니다. 데이터를 보는 사람이라면 이 부분을 집요하게 파내야 합니다. Current 유저가 상승하지만 하락한다? 그러면 왜 그럴까?? 생각해보셔요. 이건 습관의 영역이에요지금 결론에 쓰신 것은 데이터의 현황을 파악한거라 결론이라고 하긴 애매합니다. 여기서 가설 만들어서 그 가설이 진짜인지 확인하며 결론을 내는 것을 추천드려요3번가설에서 "결제 이력이 있는 유저 집단은 결제 이력이 없는 유저 집단보다 Weekly Retention이 높을 것이다."을 해주셨는데, 이런 가설은 편향이 있는 가설이라, 저라면 이런 가설을 쓰지 않을 것 같아요. 상관 관계는 있을 수 있는데 인과 관계는 아닐 수 있을 것 같아요"결제 이력"을 전체 기간으로 보면, 오래 남아있던 유저일수록 결제할 기회가 많아요.즉 "결제해서 리텐션이 높다"가 아니라 "리텐션이 높아서 결제했다"가 섞입니다.극단적으로, 1주 차에 이탈한 유저는 2주 차 이후에 결제할 기회 자체가 없어요. 결제 그룹에는 구조적으로 오래 남은 유저만 들어가게 됩니다. (이걸 immortal time bias라고 부르기도 해요)원래 의도가 다른 유저주문할 생각으로 들어온 유저와 구경만 하러 온 유저는 처음부터 성향이 달라요.결제가 리텐션을 만든 게 아니라, 원래 의지가 강한 유저가 결제도 하고 재방문도 하는 것일 수 있습니다.제가 바꿔본다면 이렇게 할 것 같아요결제 이력이 있는 유저가 리텐션이 높다(X)첫 주 안에 결제한 유저가 2주 차 이후 리텐션이 높다(O)이런 가설을 만들면 확실한지 데이터를 보고 해석할 수 있겠지요. 그리고 이 가설이 의미가 있으려면 얼마나 차이가 나는지 핵심입니다. 차이가 2배인지 10배인지 등을 파악해야 합니다결론쪽리텐션이 주차가 지날수록 하락하는 건 거의 모든 서비스에서 나타나는 모양이라, 그 자체로는 문제라고 보기 어려워요.중요한 건 어디서 평평해지는지, 그리고 그 수준이 몇 %인지예요. 예를 들어 4주 차부터 15%에서 유지된다면 “15%는 남는 서비스”라고 말할 수 있어요. 강의에서 리텐션에서 중요한 부분이 여기라고 말씀드렸으니 닷 ㅣ생각해보셔요"결제까지 이어질 수 있는 액션 플랜", "계속 사용해야 할 이유"는 다른 서비스에도 해당되는 이야기라 분석 결과에서 나온 결론으로 보이진 않아요. 예를 들어 "결제 유저 중 3주 이상 남은 유저는 특정 기능(예 : 검색)을 많이 썼다"처럼 데이터에서 찾은 근거가 있어야 구체적인 액션으로 이어질 수 있어요가설을 떠올리는 과정을 고민해보시고 다시 떠올려보셔요! AI를 쓰더라도 가설을 떠올리는 것은 사람이 해야하더라고요. 파이팅이에요!
- 좋아요수
- 0
- 댓글수
- 2
- 조회수
- 86
질문&답변
수강 목적 남겨봅니다 :)
바른소리님 안녕하세요~! 학습 파이팅이에요!!!
- 좋아요수
- 0
- 댓글수
- 2
- 조회수
- 67
질문&답변
[과제]1-9 피벗 테이블 만들어보기
나예님 안녕하세요. COUNT(user_pseudo_id) : 이 표현은 유저 수를 COUNT하는 것이 아니라 user_pseudo_id가 나온 횟수를 COUNT합니다. 즉, 여러번 조회한 것까지 다 포함이 됩니다해당 부분은 유저 수를 집계하기 위함이라 COUNT(DISTINCT user_pseudo_id)를 써주시면 됩니다
- 좋아요수
- 0
- 댓글수
- 2
- 조회수
- 84
질문&답변
cnt수를 구할 때 왜 user_pseudo_id 를 사용하나요?
나예님 안녕하세요! 인프런 AI 인턴이 말한 것처럼 고유한 사용자 수를 구하기 위해 사용했어요.앱 로그 데이터에 하루에 특정 유저가 여러번 event를 발생시킬 수 있는데, 여러번 event가 발생해도 1번으로 처리하기 위해 DISTINCT를 사용했어요
- 좋아요수
- 0
- 댓글수
- 2
- 조회수
- 84
질문&답변
최종 과제 제출합니다.
안녕하세요. 문제 푸시느라 고생하셨습니다! 하나씩 의견을 드려볼게요.Overview 현황은 잘 남겨주셨습니다. 현황을 잘 정리해주셔서 깔끔하게 시작되는 인상을 받았습니다New, Resurrected, Dormant, Current는 시간이 흐르면서 바뀌는 값입니다. 주차마다 New 유저가 바뀝니다. 따라서 지금 작성하신 것처럼 표현하는 것보단, 주차별로 New/Resurrected/Dormant/Current의 수를 시각화하는 그래프를 그리며 해석할 것 같아요.제품을 개선하기 위한 전략 Dormant 이탈율을 개선하여 Current 유저를 증가시키는 방안으로 Dormant 유저의 마지막 이벤트가 무엇인지를 분석 —> 해당 UI & UX 를 개선 Screen_view welcome, home 화면과 로그인 화면을 우선 유저들이 지속할 수 있도록 매력적인 UI 개편하여 Dormant 유저를 줄이는 전략이 부분 쿼리에서 (dor_last_action) WHERE 조건에 screen_view가 있어서 다른 이벤트가 나오지 않을 것 같네요.이 부분 사이에 수많은 논리가 있을 수 있는데, 간단하게 정리하셔서 아쉽습니다Action Item은 구체적으로 작성해야 합니다. 지금 작성해주신 특정 화면에서 매력적인 UI를 만들자! 라는 것은 덜 구체적입니다. weclome 35% 이탈 -> UI가 매력없다는 것은 여러 가설 중 하나일 뿐입니다. 가입 직후 온보딩 이탈인지, 음식점을 보고 이탈인지 퍼널 별 전환율까지 확인해야 더 이야기를 할 수 있어요.매출 계산식과 기간을 명시하고, 테스트용 필터는 지워두면 좋을 것 같아요. 평소부터 잘 정리된 형태로!문제 푸시느라 고생하셨습니다. 조금 더 구체적 Action Item을 찾아보셔요!
- 좋아요수
- 0
- 댓글수
- 2
- 조회수
- 118
질문&답변
3-13 과제
유정님 안녕하세요! 과제하시느라 고생하셨어요.1번 쿼리는 수업 시간에 다룬 것이니 쿼리는 잘 작성하셨고, 해석도 제가 강의에서 다룬 부분이라 다른 관점을 드려볼게요.'왜 8%로 급락했을까요?', '사용하는 사람들은 왜 쓰고 있을까요?'이런 질문을 한 후에, 가설을 떠올리는 것이 필요해요. 그래프를 단순히 살펴보는 것 다음엔 왜 그랬을까? 가설을 떠올리는 것이 중요하니 계속 해보셔요. 그래야 어떤 데이터를 더 살펴볼지 아이디어를 떠올릴 수 있어요.2번status_def2에서 next_diff >= 2로 잡아서 이후에 다시 돌아오지 않은 유저(next_diff IS NULL)은 Dormnat로 집계되지 않아요first_date 컬럼이 사용되지 않고 있어요.history_table에서 ORDER BY user_pseudo_id는 없어도 쿼리가 잘 동작해요. CTE 안에서 ORDER BY가 있으면 속도가 느려지니 제일 바깥쪽 쿼리에서 한번만 쓰셔도 됩니다(ORDER BY 없어도 윈도우 함수는 잘 동작합니다)이미지 시각화하신 것 잘하셨습니다. 쿼리 좀만 더 손보시고 그래프 살펴보셔요해석한 부분은 1번과 유사하게 "해석과 가설"이 필요합니다. 현재는 그래프를 읽고 묘사한 것이고, 그 이후에 "어 이건 왜 이렇게 되었지?"라는 생각을 하면서 추가적으로 데이터를 보시면 좋을 것 같아요. 이런 습관과 훈련이 데이터를 볼 때 제일 중요합니다current 600명대 = 액티브 유저 안정화라고 해주셨는데, 주간 액티브는 new + current + resurrected(12월 기준 약 7,000명). current는 연속 2주 사용자에요. 주간 액티브의 정의는 new + current + resurrected입니다. 리포트를 작성할 때 각 부분의 정의를 작성하고 시작하시면 더 좋을 것 같네요3번도 마찬가지로 가설을 단단하게 만드시면 좋겠어요가설1 : 왜 click_payment를 떠올렸는지 근거가 있을까요? 무엇을 "유의미"로 볼 것인지 기준도 정해보시면 좋을 것 같아요가설2 : 3일 연속 유저의 커브 말고 다른 유저 커브가 있어야 비교를 할 수 있어요. 비교군을 설정해주셔요.모수가 적으면 가설이 무의미한 것이 아니라 세그먼트 정의가 빡빡한 것이라고 볼 수 있어요. 조건을 완화해서 다시 보면 어떻게 되나 살펴보셔도 좋을 것 같아요.4번에서 구매빈도가 가장 높은 상위 5% 유저의 구매 패턴을 분석하여 , 해당 주차나 요일, 시간을 벤치마크하여 마케팅 푸시 메시지를 보낸다.라고 해주셨는데, 그렇다면 이후에 상위 5%의 유저를 확인한 후, 구매 패턴 분석해서 어느 시기에 마케팅 Push가 제일 좋을지 제시를 같이 해주면 좋을 것 같아요! 해석을 하고 끝이 아니라 후속 데이터도 같이 공유해주시면 더 좋은 분석이 될 수 있을 것 같아요문제 푸시느라 고생하셨습니다!
- 좋아요수
- 0
- 댓글수
- 3
- 조회수
- 107
질문&답변
3-13 과제
유정님 안녕하세요! 답변을 드리려고 했는데 지금 답변에 엔터 입력이 안되네요. 인프런에 문의했는데, 월-화 이내로 답변드릴게요!
- 좋아요수
- 0
- 댓글수
- 3
- 조회수
- 107








