B2C 28만명 RFM+K-Means 5세그먼트 분리로 전환율 +4.9%p 끌어올린 인턴 경험
약 90초
경험(28만명 세분화) → 데이터(5피처·PCA) → 기법 선택(라벨 가능성) → 결과·학습
인턴 4개월 동안 B2C 커머스 사용자 28만 명의 세분화 작업 한 사이클을 본인이 단독으로 끌고 가본 적이 있습니다.
세분화 작업 경험 쪽으로는, 목표가 '신규 마케팅 캠페인 메시지를 4갈래로 나누는 결'이었습니다. 본인이 사용한 데이터 모델링 기법은 RFM(Recency·Frequency·Monetary) + K-Means 클러스터링 + 클러스터 라벨링 3단계 결이었습니다.
데이터 활용 쪽으로는, '최근 12개월 주문 로그·로그인 빈도·반품 횟수·세션 길이·디바이스 종류' 다섯 가지를 묶었습니다. 차원이 너무 커지지 않도록 PCA로 5차원 → 2차원 축소한 뒤 K=4·6·8을 비교했습니다. 실루엣 점수와 비즈니스 해석 가능성을 같이 봐서 K=5로 닫았습니다.
기법 선택 이유 쪽으로는, 처음엔 DBSCAN·계층 군집·GMM도 후보였지만, 비즈니스팀이 라벨링·재현·해석이 쉬운 결을 우선한다는 점을 사전 인터뷰에서 봤습니다. 그 결로 K-Means + RFM 조합이 결정의 자리에 가장 가깝다고 봤습니다.
결과 평가 쪽으로는, 5개 세그먼트가 안정적으로 분리되었고(실루엣 0.42), 각 세그먼트의 '캠페인 후 전환율 차이'가 분리 전 평균 8.2%에서 분리 후 평균 13.1%로 +4.9%p 올라간 결이었습니다. 가장 큰 학습은 '세분화의 성공은 알고리즘 정확도가 아니라 비즈니스팀이 사용할 수 있는 라벨 결'이라는 점이었습니다.
이 결의 특징
데이터 기법의 정확성보다 실무 팀이 직접 활용할 수 있는 명확한 분류 기준을 중시하는 실용적 사고가 드러납니다.
이 결이 통하는 자리
분석팀이나 마케팅팀이 함께 일하는 조직에서, 통계 정확도보다는 액션 가능성을 평가하는 자리에서 눈길을 끕니다.