[데이터 분석] 쇼핑몰 웹 로그 분석 - 3. Funnel 분석

퍼널 분석이란

https://blog.adobe.com/ko/publish/2017/05/02/funnels-analysis#gs.hi23cm

떠난 고객도 다시 보자 – 퍼널 분석

 

이번엔 해당 자료를 가지고 사용자들에 대해

view → cart → purchase로 이어지는 funnel 수치를 구해보고자 한다.

 

 

◆ Funnel 분석

funnel은 깔때기란 뜻으로 funnel 분석은 깔때기의 원리와 유사하다

깔때기가 단계가 진행될 수록 좁아지면서 걸러지듯이

funnel 분석에서도 funnel 스탭에 따라 고객에 대한 분석이 가능하다.

 

funnel 분석은 단계에 따라 고객의 이탈률을 확인하여

그에 대한 조치를 가능하도록 도와주는 분석 방법이라 할 수 있겠다.

 

◆ Funnel 수치 계산

e-commerce 데이터를 이용하여 view → cart → purchase로 이어지는

funnel 수치를 직접 계산해 보기 위해 이전 글에 사용한 것처럼

데이터 셋을 불러와 필요한 정보만을 추출하여 별도로 데이터프레임을 만들었다.

https://bigsong.tistory.com/36

[데이터 분석] 쇼핑몰 웹 로그 분석 - 2. 사이트 체류 시간

※ 참고로 전체 데이터 중 사용자가 가장 많을 날을 확인하여

해당 날짜의 로그만을 가지고 진행하였음

 

동일하게 데이터 프레임을 불러오고

날짜에 대해서 자료형을 데이트 타임으로 변경해 주었다.

 

그리고 이 데이터 프레임에서 세션id와 이벤트 타임을 가지고

시간을 기준으로 하여 groupby를 진행해주었다.

※ 시간에 대해 최초 접속을 기준으로 하기위해 min으로 정렬

 

다음 단계로는 funnel 스탭을 위한 별도의 데이터 프레임을 생성했다.

스탭은 순서대로 view, cart, purchase 순으로 이어지도록 하였다.

 

기존에 생성한 그룹을 데이터 프레임화 시켜준 후,

funnel 스탭 데이터 프레임과 머지 시켜준다.

 

그 다음에는 피벗 테이블을 이용하여 세션 id별로 

다음 단계로의 진행 여부를 확인할 수 있도록 구성해준다.

컬럼 이름도 숫자가 아닌 단계에 맞도록 수정해주었다.

그러면 아래와 같은 데이터 프레임을 얻을 수 있을 것이다.

이제 남은 것은 위의 데이터 프레임을 이용하여

단계별로 카운트하여 funnel 수치를 구해주면 되겠다.

 

위의 수치로 짐작해 볼 수 있는 결과는

view에서 cart로 이어지는 구간에서 user가 많이 감소하지만

cart에서 purchase로 이어지는 경우가 많다는 것을 볼 수 있다.

 

◆ Funeel 수치 시각화

python에서는 다양한 시각화 라이브러리들을 지원한다.

그중에서도 plotly express를 이용하면 funnel 수치를 시각화하기 용이하다.

 

아래와 같이 코드를 작성하면 funnel 수치를 시각화 할 수 있다.

<Funnel 수치 시각화>

 

 

 

※ 혼자 진행한 부분이라 틀린 부분이 존재합니다.

(지적과 댓글은 언제나 환영입니다.)