Contact : azureguy@empal.com / azureguy@cau.ac.kr

9. 군집분석 실습

[실습 교안] AI와 함께하는 고객 세그먼트 분석

부제: 우리 쇼핑몰의 '진짜' VIP와 '체리피커'를 찾아라

Step 1. 데이터 페르소나 정의 (Data Onboarding)

•

목표: AI에게 데이터 파일을 입력하고, 단순한 계산기가 아닌 **'CRM(고객 관계 관리) 전문가'**로서의 역할 부여하기

•

실습 내용:

Superstore.xlsx (2,000행 샘플) 업로드

•

docs.google.com : Superstore-2000row.xlsx

주요 컬럼 탐색 및 CRM 분석 맥락 파악

고객 가치 판단에 중요한 변수 후보 도출

데이터의 맥락(Context) 주입

•

🔑 핵심 프롬프트

이 파일은 우리 회사의 온라인 스토어 주문 내역 2,000건이야. 
너는 지금부터 CRM(고객 관계 관리) 전문 데이터 분석가야.
데이터를 먼저 훑어보고, 우리가 '고객 등급'을 나누려고 할 때 중요하게 봐야 할 핵심 컬럼(예: 매출, 이익, 할인율 등)이 무엇인지 찾아서 요약해줘

GPT 결과

아래는 Superstore 2,000행 데이터를 실제로 열어본 결과를 기반으로,
CRM 관점에서 고객 등급을 나눌 때 중요한 핵심 컬럼들만 선별하여 분석가 입장에서 요약한 내용이다.

🔍 1. 데이터 주요 컬럼 구조 요약

데이터를 직접 확인해보니 다음과 같은 정보가 포함되어 있음:

•

고객 식별 정보:
Customer ID, Customer Name, Segment

•

거래(주문) 정보:
Order ID, Order Date, Ship Date, Ship Mode

•

지리 정보:
Country, City, State, Postal Code, Region

•

상품 정보:
Product ID, Product Name, Category, Sub-Category

•

구매 금액 및 행동 정보:
Sales, Quantity, Discount, Profit

이 중에서 CRM 고객 등급을 나누는 데 직접적으로 영향을 주는 핵심 변수는 아래와 같음.

⭐ 2. 고객 등급(세그먼트)을 정의할 때 가장 중요한 핵심 컬럼 5가지

✅ 1) Sales (매출액)

•

고객이 얼마나 "많이 구매했는가"를 나타내는 가장 기본 지표

•

고객 Lifetime Value(LTV) 계산의 기반

•

VIP segmentation에서 필수 변수

✅ 2) Profit (이익)

•

매출이 높아도 이익이 낮으면 회사에 도움이 안 되는 고객

•

'체리피커(Cherry Picker)'를 구분하는 핵심 변수

•

CRM 관점에서는 Sales보다 Profit이 더 중요한 변수로 사용됨

✅ 3) Discount (할인율)

•

어떤 고객이 얼마나 할인을 받고 구매하는지 파악 가능

•

높은 할인율 → 회사 입장에서 "이익을 갉아먹는 고객" 가능성

•

Profit과 반드시 함께 해석해야 함

✅ 4) Quantity (구매 수량)

•

고객의 구매 패턴 이해에 유용

•

단일 고가 상품 vs 다품목 소액 구매자 구분 가능

•

장바구니 크기 분석(Avg Basket Size)로 확장 가능

✅ 5) Order Date (주문일자)

•

Recency / Frequency 분석(RFM)의 핵심

•

최근성(Recency)이 높은 고객 = 활성 고객

•

주문 횟수(Frequency)를 계산하기 위한 기반

🎯 3. CRM 분석가 관점에서 실제로 사용할 대표 변수 그룹

📌 (1) 고객 가치(Value) 기반

변수	의미
Total Sales	전체 구매 금액
Total Profit	회사에 기여한 순이익
Profit Margin	이익률 = Profit / Sales

특히 Profit과 Margin은 고객의 "질(quality)"을 구분하는 데 매우 강력함.

📌 (2) 구매 행동(Behavior) 기반

변수	의미
Order Frequency	구매 빈도
Avg Basket Size	평균 구매 수량
Avg Discount	할인 의존도

이 변수들을 기반으로:

•

충성도 높은 고객

•

할인 중심 고객

•

고액 단발성 구매자

•

이탈 위험 고객

을 자연스럽게 구분할 수 있음.

📌 (3) RFM 분석을 위한 핵심 3요소

RFM 요소	Superstore 컬럼
Recency	Order Date
Frequency	Order ID (고객별 count)
Monetary	Sales

🔎 4. 요약 — 고객 등급을 나눌 때 가장 중요한 6개 컬럼 리스트

CRM 관점에서 꼭 사용하는 핵심 컬럼은 다음과 같음:

Sales — 고객의 구매 규모

Profit — 회사 관점에서의 순수익

Discount — 할인 의존도

Quantity — 장바구니 행동 패턴

Order Date — Recency 분석 기반

Order ID — Frequency 계산 기반

이 6개 컬럼을 기반으로 고객을 세분화하면:

•

VIP

•

충성 고객

•

성장 잠재 고객

•

할인 중심 체리피커

•

이탈 위험 고객

등의 군집을 매우 명확하게 구분할 수 있음.

필요하면 다음 단계로:

✔ 고객 단위 집계(RFM, Profit, Discount 등)

✔ 상위 핵심 변수 시각화

✔ 군집분석(K-Means)

✔ 군집별 페르소나 및 CRM 전략 도출

을 바로 실행해줄게!

Step 2. 데이터 전처리: 고객 관점 변환 (Data Aggregation)

•

목표: 분석의 단위를 **'주문 건(Transaction)'**에서 **'사람(Customer)'**으로.

•

실습 내용:

같은 사람이 여러 번 주문한 내역을 하나로 합치기 (Group by).

고객의 가치를 판단할 3가지 핵심 지표 생성.

•

🔑 핵심 프롬프트:

지금 데이터는 '주문 단위'라서 한 고객이 여러 줄에 걸쳐 있어. 
이걸 '고객 ID(Customer ID)' 기준으로 하나로 합쳐서(Group by) 새로운 데이터셋을 만들어줘.

새로 만들 데이터에는 다음 3가지 컬럼을 꼭 포함해줘:
 1.Total_Sales: 총 매출 합계 (구매력)
 2.Total_Profit: 총 이익 합계 (수익성)
 3.Avg_Discount: 평균 할인율 (할인 민감도)

결과 데이터의 상위 5개 행을 표로 보여줘."

GPT 결과

요청대로 주문 단위 데이터를 고객 ID 기준으로 집계해서

새로운 고객 단위 데이터셋을 생성했다.

✅ 고객 단위 집계 결과 (상위 5개 고객)

Customer ID	Total_Sales	Total_Profit	Avg_Discount
AA-10315	401.44	103.51	0.00
AA-10375	216.91	69.70	0.12
AA-10480	43.01	15.33	0.10
AB-10060	4,466.62	1,461.53	0.07
AB-10105	393.17	-204.45	0.50

🔍 해석 (CRM 분석가 관점)

•

Total_Sales (구매력)
→ 고객이 전체 기간 동안 얼마나 많이 구매했는지

•

Total_Profit (수익성)
→ 회사에 실제로 기여한 이익
→ 예: AB-10105는 매출은 있으나 총이익이 음수 → 손실 고객 가능성

•

Avg_Discount (할인 민감도)
→ 평균 할인율이 높을수록 할인 의존 고객
→ AB-10105는 평균 할인율 50%로 전형적인 체리피커 후보

📌 다음 단계로 바로 가능한 분석

이 고객 단위 데이터는 이후 실습에 그대로 사용 가능하다.

•

표준화(Standardization)

•

계층적 군집분석(덴드로그램)

•

K-Means 군집분석

•

VIP / 체리피커 / 이탈 위험 고객 프로파일링

다음 Step(군집분석)으로 바로 넘어갈까,

아니면 **변수 하나 더 추가(Order_Frequency 등)**하고 갈까?

Step 3. 계층적 군집분석: 시각적 이해 (Hierarchical Clustering)

•

목표: 감으로 그룹을 나누지 않고, **과학적인 근거(Elbow Method)**를 통해 적절한 그룹 갯수(K) 찾기.

•

실습 내용:

엘보우 기법 시각화 및 AI의 추천 받기.

•

🔑 핵심 프롬프트:

"이제 고객을 몇 개의 그룹으로 나누는 게 좋을지 정하고 싶어.
과학적인 결정을 위해 **'엘보우 기법(Elbow Method)'**을 사용해서 그래프를 그려주고, 
수학적으로 가장 적절한 그룹 갯수(K)가 몇 개인지 추천해줘."

GPT 결과

엘보우 기법을 적용해 군집 수(K)를 과학적으로 검토해봤다.

아래 그래프는 K=1부터 K=7까지의 SSE(Sum of Squared Errors) 변화를 나타낸 것이다.

📊 엘보우 기법 결과 해석

그래프를 보면:

•

K=1 → 2 → 3 구간:
SSE가 급격하게 감소 → 군집을 나누는 효과가 큼

•

K=3 → 4 구간:
감소 폭이 여전히 있으나 완만해지기 시작

•

K=4 이후(K≥5):
SSE 감소 폭이 크게 줄어들며 개선 효과가 제한적

👉 그래프가 '꺾이는 지점(Elbow)'은 K=3 또는 K=4로 관찰된다.

✅ 추천 군집 수 (K)

🔹 수학적으로 가장 적절한 K: K = 3

이유

•

K=3에서 이미 데이터의 주요 구조를 충분히 설명

•

그 이후 군집을 늘려도 SSE 개선 폭이 작음

•

비즈니스 관점에서도 3개 그룹은 해석과 실행이 용이

🔹 해석 예시 (CRM 관점)

•

Cluster 1: 고매출·고이익 → 진짜 VIP

•

Cluster 2: 매출은 있으나 이익 낮음 → 체리피커

•

Cluster 3: 매출·이익 모두 낮음 → 일반/이탈 위험 고객

🎯 결론

•

엘보우 기법 기준 최적 K는 3

•

과도한 세분화 없이도
고객 구매력 · 수익성 · 할인 민감도 차이를 명확히 구분 가능

이제 다음 단계로

👉

K=3으로 K-Means 군집분석을 실행해서

실제 고객 그룹을 만들어볼 수 있어.

바로 진행할까?

Step 4. K-Means 군집화 & 스케일링 (Clustering)

•

목표: 데이터의 단위(Scale)를 맞춘 후, 전체 고객을 그룹핑. (※ 분석 왜곡 방지 교육)

•

실습 내용:

표준화(Standardization) 적용 후 K-Means 실행 및 산점도 시각화.

•

🔑 핵심 프롬프트:

"추천해준 3개의 그룹으로 K-Means 군집분석을 실행해줘. 
⚠️ 매우 중요: 매출액은 단위가 크고 할인율은 작으니까, 분석 전에 반드시 모든 변수를 **'표준화(Standardization)'**해서 단위를 맞춰줘.(이 과정을 안 하면 매출액만 결과에 영향을 미치게 돼).

결과는 **산점도(Scatter Plot)**로 그려줘.
  - X축: 매출 합계 (Total_Sales)
  - Y축: 수익 합계 (Total_Profit)
  - 색상: 군집(Cluster)"

GPT 결과

요청한 조건을 모두 반영해 K=3으로 K-Means 군집분석을 실행했고,
표준화(Standardization)를 적용한 뒤, 해석이 쉽도록 **원래 단위(Sales–Profit)**로 산점도를 시각화했다.

📊 K-Means 군집분석 결과 (K = 3)

•

분석 변수

◦

Total_Sales (구매력)

◦

Total_Profit (수익성)

◦

Avg_Discount (할인 민감도)

•

사전 처리

◦

✔ StandardScaler로 모든 변수 표준화

◦

(매출만 결과를 지배하는 문제 방지)

•

시각화 방식

◦

X축: Total_Sales

◦

Y축: Total_Profit

◦

색상: 군집(Cluster)

🔍 군집 구조 해석 (CRM 분석가 관점)

산점도 기준으로 3개 군집이 다음처럼 분리된다.

🟡 Cluster 1 — 고가치 고객 (진짜 VIP)

•

특징

◦

매출 높음

◦

수익도 높음

•

해석

◦

회사의 핵심 수익원

◦

할인 없이도 구매하는 충성 고객 가능성 큼

•

전략

◦

VIP 전용 혜택

◦

로열티 프로그램 강화

◦

신상품 우선 노출

🟢 Cluster 2 — 안정적 일반 고객

•

특징

◦

매출·수익 모두 중간 수준

◦

손실 없음

•

해석

◦

가장 많은 비중을 차지하는 '기본 고객층'

•

전략

◦

업셀링 / 크로스셀링

◦

구매 빈도 증가 유도

🟣 Cluster 3 — 체리피커 / 손실 고객

•

특징

◦

매출은 있으나 수익이 낮거나 음수

◦

일부 극단적 손실 고객 존재

•

해석

◦

할인 의존도가 높아 회사 이익을 갉아먹는 고객

•

전략

◦

무차별 할인 중단

◦

최소 구매 금액 조건

◦

쿠폰 사용 제한 정책 검토

🎯 핵심 정리

•

표준화를 하지 않았다면
→ 할인율은 거의 반영되지 않고 매출 기준으로만 군집이 형성됐을 것

•

표준화 후 분석으로
→ 구매력 + 수익성 + 할인 행동이 균형 있게 반영된 군집 도출

다음 단계로 아주 자연스럽게 이어갈 수 있어:

👉 각 군집별 평균 지표(Sales / Profit / Discount) 표로 정리해서

'진짜 VIP vs 체리피커'를 수치로 확정

해볼까?

Step 5. 페르소나 시각화 & 정의 (Insight Visualization)

•

목표: 숫자로 된 그룹의 특징을 **직관적인 도형(3차원 산점도)**으로 시각화하여 '페르소나(Persona)' 부여하기

•

실습 내용:

각 그룹의 특징(매출, 이익, 할인율)을 한눈에 비교.

'진짜 VIP'와 '실속형 체리피커' 구분하기.

•

🔑 핵심 프롬프트:

"각 그룹의 성격을 명확히 알고 싶어. 
그룹별 '평균 매출(X축)', '평균 이익(Y축)', '평균 할인율('을 축으로 하는 **3차원 산점도(Radar Chart)**를 그려줘.

차트를 보고 각 그룹에 어울리는 별명을 지어줘. 
(예: '알짜배기 VIP', '실속형 체리피커', '이탈 우려 고객' 등)"

GPT 결과

요청대로 그룹별 평균 매출·평균 이익·평균 할인율을 축으로 한

**3차원 산점도**를 생성했고, 이를 바탕으로

각 군집의 성격을 명확히 해석해볼게.

📊 3차원 산점도 해석

🔢 실제 군집별 평균 지표

Cluster	평균 매출	평균 이익	평균 할인율
0(🟣)	1,031	-205	0.40
1(🟢)	493	80	0.10
2(🟡)	3,639	847	0.09

🏷️ 군집별 별명 & 성격 정의 (CRM 관점)

🟣 Cluster 0 — 「실속형 체리피커」

•

특징

◦

매출은 중간 수준

◦

평균 이익은 음수

◦

평균 할인율 가장 높음

•

레이더 차트 해석

◦

할인 축이 매우 큼

◦

이익 축은 거의 없음

•

의미

◦

할인 없이는 구매하지 않는 고객

◦

회사 입장에서 손실을 발생시키는 그룹

•

전략

◦

무차별 쿠폰 제공 중단

◦

최소 구매 금액 조건 설정

◦

할인율 상한선 적용

🟢 Cluster 1 — 「안정형 일반 고객」

•

특징

◦

매출·이익 모두 중간

◦

할인율 낮음

•

레이더 차트 해석

◦

세 축이 비교적 균형

•

의미

◦

가장 흔하지만 가장 안정적인 고객군

◦

관리만 잘하면 VIP로 성장 가능

•

전략

◦

업셀링 / 크로스셀링

◦

구매 빈도 증대 캠페인

🟡 Cluster 2 — 「알짜배기 VIP」

•

특징

◦

매출 압도적으로 높음

◦

이익도 가장 큼

◦

할인율은 낮음

•

레이더 차트 해석

◦

매출·이익 축이 크게 확장

◦

할인 의존도 낮음

•

의미

◦

회사의 핵심 수익원

◦

가장 보호해야 할 고객

•

전략

◦

VIP 전용 혜택

◦

조기 접근(신제품, 한정판)

◦

로열티 프로그램 강화

🎯 핵심 요약

•

레이더 차트는 군집의 "성격 차이"를 직관적으로 보여줌

•

이 데이터에서는:

◦

❌ "매출이 높다 = 좋은 고객"이 아님

◦

✔ "이익 + 할인 민감도"를 함께 봐야 진짜 고객 가치가 드러남

Step 6. 액션 플랜 수립 (Marketing Action)

•

목표: 분석된 그룹에 대한 마케팅 전략 수립 및 KPI 설정

•

실습 내용:

그룹별 맞춤형 마케팅 전략 수립

•

🔑 핵심 프롬프트:

"우리가 분석한 각 그룹(클러스터)에 대해 마케팅 팀장이 의사결정을 내릴 수 있도록 **'전략 로드맵'**을 표로 정리해줘.

각 그룹별로 다음 4가지 항목을 포함해서 작성해:

 1.그룹 정의 (Persona): 데이터 특징에 기반한 명확한 명칭 (예: 실속형 체리피커)
 2.핵심 문제/기회 (Key Issue): 비즈니스 관점에서 이 그룹의 문제점이나 잠재력은 무엇인가?
 3.액션 아이템 (Action Item): 이 그룹을 위해 우리가 당장 해야 할 구체적인 마케팅 활동 (할인 중단, VIP 초청 등)
 4.관리 지표 (Primary KPI): 액션 실행 후 성과를 판단할 핵심 지표 (예: 객단가 상승률, 재구매율, 이익률 등)"

GPT 결과

아래는 **현재 군집분석 결과(매출·이익·할인율 구조)**를 그대로 반영해,
마케팅 팀장이 바로 의사결정을 내릴 수 있는 수준의 '전략 로드맵' 표다.

📌 클러스터별 마케팅 전략 로드맵

클러스터	그룹 정의 (Persona)	핵심 문제 / 기회 (Key Issue)	액션 아이템 (Action Item)	관리 지표 (Primary KPI)
Cluster 0	실속형 체리피커	- 평균 매출은 중간 수준이나 평균 이익이 음수<br>- 할인 의존도 매우 높음<br>- 매출 증가가 곧 손실 증가로 이어지는 구조	- 무차별 할인/쿠폰 즉시 중단<br>- 최소 구매금액 조건 설정<br>- 할인 대신 비금전적 혜택(배송, 포인트) 전환<br>- 수익 개선 불가 시 마케팅 접점 축소	- 이익률(Profit Margin)<br>- 할인 사용률 감소율<br>- 고객 1인당 손실액
Cluster 1	안정형 일반 고객	- 매출·이익 모두 양(+)이나 규모는 작음<br>- 할인 없이도 구매 가능<br>- VIP로 성장할 잠재 고객군	- 번들 상품 / 업셀링 제안<br>- 구매 빈도 증가 캠페인<br>- 개인화 추천 강화<br>- VIP 전환 조건 명확화	- 객단가(AOV)<br>- 재구매율<br>- 구매 빈도
Cluster 2	알짜배기 VIP	- 매출·이익 모두 압도적으로 높음<br>- 할인 의존도 낮음<br>- 이탈 시 비즈니스 타격 큼	- VIP 전용 혜택 운영(선공개, 초청)<br>- 가격 할인보다 관계 강화 중심<br>- 전담 케어/우선 지원 제공	- 고객 유지율(Retention Rate)<br>- VIP 매출 비중<br>- 고객 생애가치(LTV)

🎯 팀장 관점 핵심 요약 (의사결정 포인트)

•

Cluster 0
→ "매출을 늘릴수록 손해"
→ **방어 전략(손실 통제)**가 최우선

•

Cluster 1
→ "관리하면 돈이 되는 그룹"
→ 성장 전략(업셀·빈도 증가) 집중

•

Cluster 2
→ "절대 놓치면 안 되는 고객"
→ 유지·관계 강화 전략 최우선

[end of page]

Slashpageで作成