[파이썬 실무 테크닉 100] ch3. 고객의 전체 모습을 파악하는 테크닉 10

>>문제 상황

: 스포츠 센터의 고객 수가 늘었으나 1년간 정체 중

 

회원구분

- 종일회원 : 언제나 사용가능

- 주간회원 : 낮에만 사용가능

- 야간회원 : 밤에만 사용가능

 

- 비정기적으로 입회비 무료행사/반액할인

- 월말까지 신청하면 다음달 탈퇴가 가능

 

>>테이블 명세

No.	파일이름	개요
1	use_log.csv	센터의 이용 이력 데이터, 기간은 2018.04 -2019.03
2	customer_master.csv	2019.03월 말 시점의 회원 데이터
3	class_master.csv	회원 구분 데이터(종일, 주간, 야간)
4	campaign_master.csv	행사 구분 데이터(입회비 유무 등)

 

>>테크닉1. 데이터를 읽어 들이고 확인하자

uselog 데이터 

import pandas as pd
uselog = pd.read_csv("/content/drive/MyDrive/파이썬 실무테크닉100/3장. 고객의 전체모습을 파악하는 머신러닝/use_log.csv")
print(len(uselog))
uselog.head()

 

customer 데이터

customer = pd.read_csv("/content/drive/MyDrive/파이썬 실무테크닉100/3장. 고객의 전체모습을 파악하는 머신러닝/customer_master (1).csv")
print(len(customer))
customer.head()

 

class_master 

class_master = pd.read_csv("/content/drive/MyDrive/파이썬 실무테크닉100/3장. 고객의 전체모습을 파악하는 머신러닝/class_master.csv")
print(len(class_master))
class_master.head()

 

campaign_master

campaign_master= pd.read_csv("/content/drive/MyDrive/파이썬 실무테크닉100/3장. 고객의 전체모습을 파악하는 머신러닝/campaign_master.csv")
print(len(campaign_master))
campaign_master.head()

 

결론

: customer => 탈퇴유저를 포함해서 4192명

: uselog     => 총 197428개로 세로로 긴 데이터

 

---

>>테크닉2. 고객 데이터를 가공하자

customer_join 생성

customer	class mater
campaign_id

=> class 기준으로 merge

=> campaign 기준으로 merge

 

#customer_join 생성
customer_join=pd.merge(customer, class_master, on="class", how="left")
customer_join = pd.merge(customer_join, campaign_master, on ="campaign_id", how="left")
customer_join.head()

 

 

>>결측치 확인

=> end_date 결측치는 아직 회원 유지하는 이들의 데이터

=> 상대적으로 깔끔한 데이터임

---

테크닉3. 고객 데이터를 집계하자

집계1.  : calss_name 별 회원수

=> 종일 회원수가 많음

 

집계2.  : campaign_name 별 회원수

집계3.  : gender 별 회원수

집계4.  : is_deleted 별 회원수

 

소결

- 약 20%가 캠페인을 통해 가입

- 남자가 약간 더 많음

- 가입한 회원과 탈퇴한 회원이 혼재되어 있음

 

+) start_date를 날짜형으로 변환

#날짜형으로 변환 후 시험삼아 기간집계해봄
customer_join["start_date"]= pd.to_datetime(customer_join["start_date"])
customer_start= customer_join.loc[customer_join["start_date"]>pd.to_datetime("20180401")]
print(len(customer_start))

---

테크닉4. 최신 고객 데이터를 집계하자

 

>>최신 고객 데이터 : 2019년 3월에 탈퇴한 고객과 재적중인 고객 집계

#2019년 3월에 탈퇴한 고객과 재적중인 고객 집계
customer_join["end_date"]= pd.to_datetime(customer_join["end_date"])
customer_newer= customer_join.loc[(customer_join["end_date"]>=pd.to_datetime("20190331")) | (customer_join["end_date"].isna())]
print(len(customer_newer))
customer_newer["end_date"].unique()

=> 총 2935명

 

집계1.  : newer의 calss_name 별 회원수

=> 종일 회원수가 많음

 

집계2.  : newer의 campaign_name 별 회원수

집계3.  : newer의 gender 별 회원수

=> 소결

전체 customer 데이터 셋	newer 데이터셋

=> 전체 중 일반 입회는 72%

=> 최신 고객 데이터(newer) 중 일반입회는 81%

=> 일반 입회 비율이 늘어남

 

=> 회원, 성별은 큰 변화 x

 

---

테크닉5. 이용 이력 데이터를 집계하자

>>월 이용 횟수의 평균값, 중앙값, 최댓값, 최솟값

 

=> 연월 - 고객 별 이용횟수 테이블

# 평균, 중앙, 최대값, 정기적 이용여부를 플래그로 작성
# 연월과 고객 id 별로 사용빈도 카운트

uselog["usedate"] =pd.to_datetime(uselog["usedate"])
uselog["연월"]= uselog["usedate"].dt.strftime("%Y%m")
uselog_months=uselog.groupby(["연월", "customer_id"], as_index=False).count()
uselog_months.rename(columns={"log_id" :"count"}, inplace=True)
del uselog_months["usedate"]
uselog_months.head()

 

=> 고객 별 연월 이용횟수의 평균, 중앙, 최대, 최소

uselog_customer = uselog_months.groupby("customer_id").agg(["mean", "median", "max", "min"])["count"]
uselog_customer= uselog_customer.reset_index(drop=False)
uselog_customer.head()

---

테크닉6. 정기 이용 플래그 작성

 

정기적이라는 것의 정의 : 이곳에서는 매주 같은 요일에 왔는지를 기준으로

# weekday : 0-6 => 월~일

 

=> customer_id, 연월, 요일 별 이용횟수 그룹화

uselog["weekday"] = uselog["usedate"].dt.weekday
uselog_weekday = uselog.groupby(["customer_id", "연월", "weekday"], as_index=False).count()[["customer_id", "연월", "weekday", "log_id"]]
uselog_weekday.rename(columns={"log_id" : "count"}, inplace=True)
uselog_weekday.head()

 

=> 같은 요일 카운트 빈도의 최대값이 4이상이면 1, 아니면 0

#numpy의 where 메소드 (https://pinkwink.kr/1236)

uselog_weekday= uselog_weekday.groupby("customer_id", as_index=False).max()[["customer_id", "count"]]
uselog_weekday["routine_flg"]=0
uselog_weekday["routine_flg"]= uselog_weekday["routine_flg"].where(uselog_weekday["count"]<4,1)
uselog_weekday.head()

=> routine_flg가 4,5 이상인 사람은 정기적으로 방문한 고객임

 

---

테크닉7. 고객 데이터와 이용 이력 데이터를 결합

 

>> 현재 데이터 상황

 

> customer_join

 

>uselog_customer

 

>uselog_weekday

 

=> customer_id 기준으로 통합할 예정

 

customer_join= pd.merge(customer_join, uselog_customer, on="customer_id",how="left")
customer_join= pd.merge(customer_join ,uselog_weekday[["customer_id", "routine_flg"]], on="customer_id", how="left")
customer_join.head()

---

테크닉8. 회원 기간을 계산하자

> 회원 기간 : end_date- start_date

> 탈퇴하지 않은 인원 : 20190430로 end_date를 채움

 

from dateutil.relativedelta import relativedelta
customer_join["calc_date"]=customer_join["end_date"]
customer_join["calc_date"]= customer_join["calc_date"].fillna(pd.to_datetime("20190430"))
customer_join["membership_period"]=0

#시간 차이 계산
for i in range(len(customer_join)):
  delta = relativedelta(customer_join["calc_date"].iloc[i], customer_join["start_date"].iloc[i])
  customer_join["membership_period"].iloc[i]= delta.years*12+delta.months
customer_join.head()

=> membership_period에 startdate와 end_date의 간격 즉 회원 기간을 연월 기준으로 표기

 

---

테크닉9. 고객 행동의 각종 통계량을 파악

customer_join[["mean", "median", "max", "min"]].describe()

=> 여기서 mean- mean은 각 고객의 평균 이용횟수를 평균 낸 것

 

>> 매월 routine_flg 별 집계

 

>>기간 별 count

import matplotlib.pyplot as plt
%matplotlib inline
plt.hist(customer_join["membership_period"])

 

=> 소결

: 10개월 이내의 고객 수가 많고 이상은 일정함

=> 짧은 기간에 고객이 빠져나가는 업계라는 것을 시사함

 

---

테크닉10. 탈퇴회원과 지속회원의 차이

> 탈퇴한 회원

 

>탈퇴 안 한 회원

 

=> 매월 이용횟수 

탈퇴한 회원 :  3.86

유지하는 회원 : 6.03

 

=> routine_flg

탈퇴한 회원 : 0.45

유지하는 회원 : 0.98

 

탈퇴하는 회원들은 기본적으로 운동을 안함

=> 그리고 정기적으로도 안함

=> 그래서 탈퇴함