💳

C 페이 오픈 후 9개월, 우리 서비스 잘 되고 있을까?

Tool

MySQL

Tableau

MS Excel

MS Powerpoint

Duration

2023/02/06 → 2023/02/24

Type

Personal Project

프로젝트 요약

•

프로젝트 명 : C 페이 오픈 후 9개월, 우리 서비스 잘 되고 있을까?

•

프로젝트 설명 :  2019년 6월 서비스가 시작된 C 페이의 2019년 8월 ~ 2020년 3월 결제 데이터를 통해, 분석 시점을 2020년 4월로 가정하고 서비스 운영 현황 분석 및 개선점 제시

활용 데이터

2019년 8월 ~ 2020년 3월 C 페이 결제 데이터

EDA

성별, 연령대 별

•

고객 수

1980년대생 여성

1990년대생 여성

1980년대생 남성

•

결제 건 수

1980년대생 여성

1990년대생 여성

1970년대생 여성

•

평균 결제 금액

2000년대생 남성

1990년대생 남성

1980년대생 남성

고객 수, 결제 건수는 여성 고객이 많으나 평균 결제 금액은 남성 고객이 높은 편

푸시 허용 여부 별

•

고객 수

•

결제 건 수

•

평균 결제 금액

결제 건 수 는 푸시 허용 고객이 높으나 평균 결제 금액은 푸시 차단 고객이 높은 편

그 외

고객 수

결제 건

결제 금액

데이터 추출 및 현황 파악

지표 1. 가입자 수

결제 데이터를 활용했기에 가입 후 결제를 하지 않은 고객이 있을 경우 데이터에 포함되어 있지 않으나, 분석을 위해 모든 가입자가 1회 이상 결제했다고 가정하고 분석을 진행

월 별 누적 가입자 수

•

지속적으로 상승 중

전월 대비 가입자 수 변화

•

2019년 8월 이후 변화율이 급격히 하락하며 2020년 3월에는 3% 대로 하락

지표 2. MAU (Monthly Active Users)

MAU

•

큰 변화 없이 유지

누적 고객 수 대비 MAU 비율

•

2019년 8월 74% 에서 2020년 3월 36% 까지 지속 하락

지표 3. Retention

꾸준한 사용이 중요한 결제 데이터로, 클래식 리텐션이 더 적합하다고 판단

•

클래식 리텐션 계산 쿼리

SELECT first_pay_month
	, COUNT(DISTINCT customer_id) AS month0
    , COUNT(DISTINCT CASE WHEN DATE_ADD(first_pay_month, INTERVAL 1 MONTH) = pay_month THEN customer_id END) AS month1
    , COUNT(DISTINCT CASE WHEN DATE_ADD(first_pay_month, INTERVAL 2 MONTH) = pay_month THEN customer_id END) AS month2
     , COUNT(DISTINCT CASE WHEN DATE_ADD(first_pay_month, INTERVAL 3 MONTH) = pay_month THEN customer_id END) AS month3
     , COUNT(DISTINCT CASE WHEN DATE_ADD(first_pay_month, INTERVAL 4 MONTH) = pay_month THEN customer_id END) AS month4
     , COUNT(DISTINCT CASE WHEN DATE_ADD(first_pay_month, INTERVAL 5 MONTH) = pay_month THEN customer_id END) AS month5
     , COUNT(DISTINCT CASE WHEN DATE_ADD(first_pay_month, INTERVAL 6 MONTH) = pay_month THEN customer_id END) AS month6
     , COUNT(DISTINCT CASE WHEN DATE_ADD(first_pay_month, INTERVAL 7 MONTH) = pay_month THEN customer_id END) AS month7
FROM customer_pay_records
GROUP BY first_pay_month
ORDER BY first_pay_month
SQL
복사

C 페이 Retention

•

7개월 리텐션 확인 시 36.3% 로 총 고객의 3 분의 1 정도 잔류

카카오페이 리텐션

•

동일한 간편결제 사업자 중 업계 상위로 손꼽을 수 있는 카카오페이의 2019년, 2020년 가입자 연간 리텐션은 80% 이상인데 비해, C 페이 리텐션은 7개월 리텐션임에도 36.3% 에 머무르고 있음

월간 가입자 수, Active Users Rate, Retention 모두 하락하고 있어 지표 하락의 원인 분석 및 해결 방안 도출 필요

가설 설정 및 검증

가설 1. 체리피커 고객으로 인해 Retention이 낮을 것이다

체리 피커 (Cherry Picker) : 기업의 제품 구매, 서비스 이용 실적은 좋지 않으면서 관련 혜택과 같은 실속만을 챙기는데 관심을 두는 소비자

Step 1. Boxplot 활용 체리피커 기준 설정

•

혜택 금액은 정상 범위 이상이지만 결제 건수는 정상 범위 이내인 고객

⇒ 가입 월 별 결제 건 수, 결제 금액 Boxplot 으로 이상치 탐색

•

가입 월 별 결제 건 수 Boxplot

가입연월	MAX	3QR	MEDIAN	1QR	MIN
2019년 5월	39	26.5	8	3	1
2019년 6월	57	25	9	3	1
2019년 7월	49	21	8	2	1
2019년 8월	25	11	4	1	1
2019년 9월	25	11	4	1	1
2019년 10월	15	7	3	1	1
2019년 11월	15	7	3	1	1
2019년 12월	13	6	2	1	1
2020년 1월	8	4	2	1	1
2020년 2월	5	3	2	1	1
2020년 3월	1	1	1	1	1

•

가입 월 별 결제 금액 Boxplot

가입연월	MAX	3QR	MEDIAN	1QR	MIN
2019년 5월	85540	54525	17892	11386	2000
2019년 6월	81469	35589	13845	5000	0
2019년 7월	71664	31481	12334	4690	0
2019년 8월	43787	20518	9333	5000	0
2019년 9월	38173	17383	7991	3500	0
2019년 10월	29129	13453	6093	3000	0
2019년 11월	25050	13025	7000	5000	0
2019년 12월	19496	9000	5000	2000	0
2020년 1월	13176	6474	3000	2000	0
2020년 2월	6997	4000	2000	2000	0
2020년 3월	4661	2000	2000	225	0

Step 2. 체리피커 찾기

•

쿼리

SELECT COUNT(*), SUM(pay_count)
FROM (SELECT customer_id, COUNT(*) AS pay_count
	FROM chai
		# 가입연월 필터링
  WHERE YEAR(sign_up_date) = 2019
		AND MONTH(sign_up_date) = 5
	GROUP BY customer_id
	# 체리피킹 조건 설정 
	HAVING COUNT(*) <= 39 
		AND SUM(total_promotion) > 85540) AS cherry_picker
SQL
복사

•

고객 수

가입연월	총 가입 고객 수	체리피커	체리피커 비율
2019년 5월	24	1	4.17%
2019년 6월	74646	1032	1.38%
2019년 7월	78063	1190	1.52%
2019년 8월	110997	2122	1.91%
2019년 9월	36177	702	1.94%
2019년 10월	48319	1862	3.85%
2019년 11월	40086	974	2.43%
2019년 12월	51732	1024	1.98%
2020년 1월	56205	1739	3.09%
2020년 2월	32098	698	2.17%
2020년 3월	16574	147	0.89%
합계	544921	11491	2.11%

•

결제 건 수

가입연월	총 결제 건수	체리피커 결제건	체리피커 결제율
2019년 5월	356	35	9.83%
2019년 6월	1501250	46606	3.10%
2019년 7월	1383454	44324	3.20%
2019년 8월	1140401	36863	3.23%
2019년 9월	368511	11820	3.21%
2019년 10월	331636	11114	3.35%
2019년 11월	271082	8168	3.01%
2019년 12월	286858	7307	2.55%
2020년 1월	226043	6863	3.04%
2020년 2월	87801	2578	2.94%
2020년 3월	26418	147	0.56%
합계	5623810	175825	3.13%

결론

체리피킹 고객으로 분류할 수 있는 고객은 11,491명 (전체 고객의 2%) 으로 전체 리텐션에 영향을 줄 만큼의 수치는 아닌 것으로 보임

가설 2. 비우량 고객이 많아 Rentention 이 낮을 것이다.

Step 1. RFM 분석을 위한 지표 설정

- Recency : 얼마나 최근에 결제 했는지
- Frequency : 얼마나 결제를 여러번 했는지
- Monetary : 얼마나 많은 금액을 결제했는지

⇒ 각 지표 별 6단계로 나누어 설정

* 지표 Condition 설정 시 참고 자료 : 그로스해킹 (양승희 저)

•

Recency : 2020년 4월 1일 기준으로 계산

◦

가장 최근 결제 : 1일 전

◦

가장 오래 결제 : 244일 전

Grade	Condition	Customer	score
1	1일 이내	14624	10
2	3일 이내	26254	8
3	7일 이내	33957	6
4	14일 이내	43015	4
5	28일 이내	61430	2
6	28일 초과	365551	0

◦

고객 수 계산 쿼리

-- RFM / Recency

WITH recent_pay_record AS (
SELECT customer_id, DATE(MAX(created)) AS recent_pay_date, DATEDIFF('2020-04-01', DATE(MAX(created))) AS recent_diff
FROM chai
GROUP BY customer_id)

SELECT COUNT(DISTINCT CASE WHEN recent_diff = 1 THEN customer_id END) AS diff_1d
    , COUNT(DISTINCT CASE WHEN recent_diff BETWEEN 2 AND 3 THEN customer_id END) AS diff_3d
     , COUNT(DISTINCT CASE WHEN recent_diff BETWEEN 4 AND 7 THEN customer_id END) AS diff_7d
     , COUNT(DISTINCT CASE WHEN recent_diff BETWEEN 8 AND 14 THEN customer_id END) AS diff_14d
     , COUNT(DISTINCT CASE WHEN recent_diff BETWEEN 15 AND 28 THEN customer_id END) AS diff_28d
     , COUNT(DISTINCT CASE WHEN recent_diff > 28 THEN customer_id END) AS diff_upper_28d
FROM recent_pay_record
SQL
복사

•

Frequency : Recency 지표의 Condition 활용하여 설정

◦

가장 적은 결제 횟수 : 1회

◦

가장 많은 결제 횟수 : 2705회

Grade	Condition	Customer	score
1	244회 이상 (하루 1회 이상)	253	10
2	81회 이상 (3일에 1번 이상)	8289	8
3	27회 이상 (7일에 1번 이상)	46073	6
4	9회 이상 (14일에 1번 이상)	101028	4
5	3회 이상 (28일에 1번 이상)	15913	2
6	3회 미만 (그 이상)	236365	0

◦

고객 수 계산 쿼리

-- RFM / frequency

WITH frequency AS (
SELECT customer_id, COUNT(*) AS pay_count
FROM chai
GROUP BY customer_id)

SELECT COUNT(DISTINCT CASE WHEN pay_count >= 244 THEN customer_id END) AS grade_1
    , COUNT(DISTINCT CASE WHEN pay_count BETWEEN 81 AND 243 THEN customer_id END) AS grade_2
     , COUNT(DISTINCT CASE WHEN pay_count BETWEEN 27 AND 80 THEN customer_id END) AS grade_3
     , COUNT(DISTINCT CASE WHEN pay_count BETWEEN 9 AND 26 THEN customer_id END) AS grade_4
     , COUNT(DISTINCT CASE WHEN pay_count BETWEEN 3 AND 8 THEN customer_id END) AS grade_5
     , COUNT(DISTINCT CASE WHEN pay_count < 3 THEN customer_id END) AS grade_6
FROM frequency
SQL
복사

•

Monetary : 평균 결제 금액을 반올림하 단위 금액으로 설정

◦

가장 적은 결제 금액 : 0원

◦

가장 많은 결제 금액 : 112,273,800원

◦

고객 당 평균 결제 금액 : 196,438원

Grade	Condition	Customer	score
1	100만원 초과	19101	10
2	80만원 ~ 100만원	9589	8
3	60만원 ~ 80만원	13756	6
4	40만원 ~ 60만원	26932	4
5	20만원 ~ 40만원	61935	2
6	20만원 미만	413609	0

◦

고객 수 계산 쿼리

-- RFM / Monetary

WITH monetary AS(
	SELECT customer_id, SUM(post_discount) as pay_amount
	FROM chai
	GROUP BY customer_id)
    
SELECT COUNT(DISTINCT CASE WHEN pay_amount < 200000 THEN customer_id END) AS grade_1
    , COUNT(DISTINCT CASE WHEN pay_amount BETWEEN 200000 AND 400000 THEN customer_id END) AS grade_2
     , COUNT(DISTINCT CASE WHEN pay_amount BETWEEN 400001 AND 600000 THEN customer_id END) AS grade_3
     , COUNT(DISTINCT CASE WHEN pay_amount BETWEEN 600000 AND 800000 THEN customer_id END) AS grade_4
     , COUNT(DISTINCT CASE WHEN pay_amount BETWEEN 800001 AND 1000000 THEN customer_id END) AS grade_5
     , COUNT(DISTINCT CASE WHEN pay_amount > 1000000 THEN customer_id END) AS grade_6
FROM monetary
SQL
복사

Step 2. RFM Score 를 활용한 고객 군 설정

참고 자료 : 데이터 분석을 위한 SQL 레시피 (가사키 나가토 저)

Step 3. 고객 군 별 고객 수 확인

•

쿼리

SELECT COUNT(DISTINCT customer_id) AS '총 고객 수'
	, COUNT(DISTINCT CASE WHEN recency >= 8 AND frequency >= 8 AND monetary >= 8 THEN customer_id END) AS '우량 고객'
    , COUNT(DISTINCT CASE WHEN recency >= 8 AND frequency <= 2 AND monetary >= 8 THEN customer_id END) AS '신규 우량 고객'
    , COUNT(DISTINCT CASE WHEN recency >= 6 AND frequency >= 6 AND monetary >= 6 THEN customer_id END) AS '안정 고객'
    , COUNT(DISTINCT CASE WHEN recency >= 8 AND frequency <= 2 AND monetary <= 2 THEN customer_id END) AS '신규 고객'
    , COUNT(DISTINCT CASE WHEN recency <= 2 AND frequency >= 8 AND monetary >= 8 THEN customer_id END) AS '이탈 고객'
    , COUNT(DISTINCT CASE WHEN recency <= 2 AND frequency <= 2 AND monetary <= 2 THEN customer_id END) AS '비우량 고객'
FROM customer_info_with_rfm
SQL
복사

고객 군	고객 수
우량 고객	4,221명
신규 우량 고객	88명
안정 고객	17,693명
신규 고객	11,962명
이탈 고객	1,185명
비우량 고객	339,042명
미분류	170,730명

Step 4. 비우량 고객 군 Retention 측정

•

비우량 고객 군 Retention

•

C 페이 전체 Retention

⇒ 전반적으로 전체 리텐션 대비 절반 이하의 Retention 수치를 보이며, 특히 7개월 Retention에서는 5% 대의 수치로 전체 Retention 대비 -31% 수치를 보임

결론

낮은 Retention을 보이는 비우량 고객이 많아 전반적인 Retention 이 하락한 것으로 보임

가설 3. 푸시를 허용한 고객이 더 많은 결제를 할 것이다.

Push Permission 참 : 푸시 허용
Push Permission 거짓 : 푸시 차단 

Step 1. 푸시 허용 / 차단 고객 수 확인

•

푸시 허용 / 차단 고객 수

⇒ 푸시 허용 41.86% (228,121명), 차단 58.14% (316,800명) 으로 푸시 차단 고객 수가 더 많음

Step 2. 푸시 허용 여부 별 결제 건 수, 결제 금액, 혜택 금액 확인

•

결제 건 수

•

결제 금액

•

혜택 금액

결론

푸시 허용 여부는 결제 건 수, 결제 금액, 혜택 금액에 영향을 미치지 않음 그러나, 마케팅 비용이 발생하지 않는 푸시를 허용했음에도 결제 건이나 혜택 금액이 푸시 차단 고객 대비 높지 않다면 더 효율적인 마케팅이 필요할 것으로 판단됨

최종 결론 및 액션 아이템

가설 1. 체리피커 고객으로 인해 Retention 이 낮을 것이다 ⇒ 영향을 주지 않음

가설 2. 비우량 고객이 많아 Retention 이 낮을 것이다 ⇒ 5% 대의 낮은 Retention을 보이는 비우량 고객이 전체의 62% 로, 전체 Retention 에 영향을 미침

•

비우량 고객의 73%를 차지하는 8090 고객을 대상으로 복귀 유저 이벤트 진행

가설 3. 푸시를 허용한 고객이 더 많은 결제를 할 것이다 ⇒ 영향은 주지 않으나 개선 필요

•

푸시 허용 고객 대상 프로모션 진행

ex) 푸시 수신 후 n분 이내 결제 시 추가 혜택 제공 등

프로젝트 회고

•

Merchant_id  컬럼 값에 대한 정보를 알 수 없어 데이터를 활용하지 못 함

⇒ 컬럼에 대한 정보가 있었다면 Merchant_id 별 주 소비 고객 군 분석을 통해 고객 군 별 맞춤 프로모션 제안이 가능했을 것

•

RFM 분석 시 낮은 RFM Score 에 고객이 다수 포진됨

⇒ 각 지표 별 Condition 을 조정하여 Score 별 고객 수가 일정했다면 다른 결과 값이 나왔을 수 있을 듯