🛍️ E-commerce KPI 분석 & 고객 세분화

Dacon 데이터를 활용한 이커머스 비즈니스 인텔리전스 프로젝트

---

📌 프로젝트 개요

8개 테이블(고객·주문·상품·리뷰·결제·판매자 등)을 통합 분석해 비즈니스 KPI를 정의하고 고객 세그먼트별 전략 인사이트를 도출하는 프로젝트입니다.

---

📊 분석 내용

1. KPI 대시보드

KPI	내용
월별 매출 트렌드	시계열 매출 변화 추적
카테고리별 주문 현황	Top 10 상품 카테고리 파악
지역별 매출 분포	도시·주(State) 단위 매출 지도 분석
결제 수단 분포	카드·볼레토 등 결제 방식별 비중
AOV (평균 주문 금액)	고객별 평균 주문 가치

2. 고객 세분화 (AOV 기반 3구간)

Entry-Level  (AOV  0 ~ 10)   ── 결제 수단 분석 / 재구매율 추적
Growth       (AOV 10 ~ 60)   ── 주문당 상품 수 / 재구매 전환율
High-Value   (AOV 200~300)   ── 할부 결제 패턴 / VIP 관리 전략

3. 심화 분석

• 📦 카테고리별 재구매율 — bed_bath_table, furniture_decor, health_beauty 상위권
• 🗺️ 판매자 주(State)별 매출 — 지역 거점 판매자 성과 분석
• 🕐 리뷰 응답 시간 vs 재구매 전환율 — CS 속도가 충성도에 미치는 영향
• 💳 결제 방식 vs 재구매 전환율 — 결제 수단별 고객 LTV 차이
• 📅 계절 트렌드 — 2018년 4분기(10~12월) 카테고리 수요 변화 패턴

---

🗂️ 데이터 구조

8개 CSV 테이블 병합
├── customers.csv      고객 ID · 위치 정보
├── orders.csv         주문 ID · 상태 · 타임스탬프
├── order_items.csv    주문-상품 매핑 · 가격 · 배송비
├── products.csv       상품 ID · 카테고리
├── payments.csv       결제 수단 · 할부 횟수 · 금액
├── reviews.csv        리뷰 점수 · 응답 시간
├── sellers.csv        판매자 ID · 위치
└── locations.csv      위도·경도 지역 정보

---

🛠️ 기술 스택

분류	도구
언어	Python 3
데이터 처리	pandas, numpy
시각화	matplotlib, seaborn
시계열	datetime
환경	Jupyter Notebook
버전 관리	Git / GitHub

---

📁 파일 구조

DA/
├── Untitled-1.ipynb   # 메인 분석 노트북
├── dacon.py           # 보조 스크립트
└── 250410/            # 코딩 학습 기록 (Codetree)

---

💡 핵심 인사이트 요약

1. 고가치 고객(High-Value) 은 할부 결제 비중이 높아 → 할부 프로모션 연계 전략 유효
2. 리뷰 응답 속도가 빠를수록 재구매 전환율 상승 → CS 자동화 ROI 증거 확보
3. 4분기 계절 수요에 맞춰 카테고리별 재고·마케팅 타이밍 최적화 가능
4. Growth 세그먼트의 주문당 상품 수 증가 = 크로스셀링 기회 영역

---

turning data into decisions