- 이커머스 고객 행동데이터를 기반으로 상품 추천 시스템을 구축하였습니다.
- 전환이 일어난 고객, 전환이 일어나지 않은 고객으로 집단을 나누어 상품을 추천하였습니다.
- 전환 : 고객이 제품을 장바구니에 담거나 구매를 한 경우
- 사용한 모델로는 implicit 라이브러리를 사용했습니다.
가상의 이커머스의 데이터분석가라 가정하여 자사의 이커머스 비즈니스의 매출증대를 목표로 프로젝트를 진행하였습니다.
출처 : https://www.kaggle.com/datasets/mkechinov/ecommerce-behavior-data-from-multi-category-store
데이터 크기 : 약 5gb
행 : 약 4200만개
열 : 9개
- 데이터 경량화(5gb -> 1gb)
- 데이터 타입 변경
- object -> category
- float64, int64 -> float32, int32
- csv -> parquet
- 데이터 전처리
- GMT+4 국가의 이커머머스로 가정 event_time 컬럼 전처리
- UTC 문자 제거
- event_time 컬럼에 4시간 더하기
- 11월 이후 데이터 제거
- 데이터 분석 및 인사이트 도출
- implicit 라이브러리를 이용하여 추천시스템 구축
- 추천시스템 성능 평가 및 개선
해당 결과는 아래의 링크를 통하여 확인할 수 있습니다.
이커머스의 매출증대에는 고객의 전환율, 방문자 수의 증가가 중요한 요인입니다.
이커머스의 매출증대를 위하여 전환이 일어나지 않은 고객, 전환이 일어난 고객으로 분류하여 사이트 이용률을 확인해보았습니다.
전환이 일어난 고객의 사이트 이용률이 그렇지 않은 고객들 보다 더 높다는 것을 확인하였습니다.
고객들이 구매를 하지 않는 이유를 웹 로그 분석을 통한 소비자 구매지연행동 연구 논문에서 찾을 수 있었습니다.
| 이커머스 시장의 성장에 따라 상품이 많아지는 장점이 존재했지만
| 상품이 많아짐에 따라 소비자가 선택해야하는 대안이 많아지고 소비자는 대안을 선택하는 과정에서 부정적인 감정을 겪게 됩니다.
| 이때 부정적인 감정을 회피하기 위하여 구매지연행동이 나오게 됩니다.
소비자에게 좀 더 적합한 대안을 추천해 대안을 선택할 때 더 좋은 선택을 할 수 있도록 추천시스템을 구축하였습니다.
해당 결과는 Recomendation/Recomendation_Model.ipynb를 통하여 확인할 수 있습니다.
- 데이터 전처리 진행 후 11월 넘어가는 데이터를 제거
- 전환이 일어나지 않은 고객, 전환이 일어난 고객을 두 집단으로 나누기
- 각 집단에 대하여 User-Item Matrix(Sparse Matrix)를 생성
- implicit 라이브러리 사용하여 추천시스템 구축
- 튜닝 함수 작성 및 성능 개선
- 추천 모델의 성능개선(기준모델 -> 가중치 조절 -> 튜닝)을 시도하고 성공한 점
- 추천의 결과를 쉽게 알아볼 수 있도록 함수 작성 및 모듈화를 시킨 점
- 이커머스 도메인의 부족으로 다양한 분석결과와 인사이트를 도출하지 못한 점
- 사용자가 제품에 대한 평가를 내린 선호도와 같은 explicit feedback 데이터가 없다는 점
- lightfm, surprise와 같은 다양한 추천 라이브러리를 사용해보지 못한 점