Data Intern, Team Python PCA Clustering Logistic Regression

CJ ONE - IFC몰 고객 동선 분석·매출 활성화 전략

CJ올리브네트웍스 DT Academy 데이터 분석 인턴십에서 CJ ONE 회원 데이터를 활용해 IFC몰 내 CJ 브랜드 간 고객 이동과 잠재고객을 분석하고 매출 활성화 전략을 제안하는 5인 팀 프로젝트를 수행했습니다.

단순히 고객 특성을 시각화하는 데서 끝내지 않고 다음 질문을 중심으로 분석했습니다.

브랜드 간 이동

먼저 IFC몰 내 CJ 브랜드 간 고객 동선을 히트맵으로 시각화했습니다.

분석 대상 주요 브랜드:

분석 결과 CGV와 올리브영 사이의 이동이 3,505건으로 가장 큰 경로로 나타났고, CGV를 IFC몰 CJ 생태계의 고객 유입을 만드는 앵커 브랜드로 해석했습니다.

이후 브랜드별 교차방문율도 함께 분석했습니다.

대표적으로:

등 CJ푸드빌 브랜드에서 상대적으로 높은 교차 이용 패턴을 확인했습니다. 방문 패턴에 대한 분석이며 CGV가 다른 브랜드 매출을 직접 증가시켰다는 인과관계로 해석하지 않았습니다.

교차방문 횟수가 많다는 사실만으로 해당 이동이 실제 고객 가치로 이어진다고 판단하기는 어렵다고 봤습니다.

따라서 객단가를 추가 지표로 분석했습니다.

올리브영:

25,724원 → 28,334원, 약 10% 높은 객단가를 확인했습니다.

이렇게 단순 방문량뿐 아니라 고객 가치 관점에서도 브랜드 간 교차 이용을 함께 검토했습니다.

기존 고객 분석 이후에는 아직 IFC몰 CJ 브랜드를 충분히 이용하지 않는 잠재고객 분석으로 범위를 확장했습니다.

2030 CJ ONE 회원의 여의도 방문 목적과 행동 데이터를 활용해 PCA와 군집분석을 수행했습니다.

평일과 주말을 별도로 분석해 각각 6개 고객 세그먼트를 구성했습니다.

평일 예시:

주말 예시:

같은 2030 고객이라도 평일과 주말에 방문 목적과 행동 패턴이 다르므로 동일한 프로모션 전략보다 상황별 세그먼트 전략이 필요하다는 점이 핵심 인사이트였습니다.

회원 특성을 기반으로 어떤 CJ 브랜드를 방문할 가능성이 높은지 예측하기 위해 Logistic Regression 기반 분류 모델을 적용했습니다.

프로젝트의 로지스틱 회귀 기반 브랜드 방문 예측에서 회원별 CJ 브랜드 방문을 약 80% 수준으로 예측했습니다.

대표 클래스별 AUC:

잠재고객 전체를 동일하게 타겟팅하는 대신 브랜드별 방문 가능성이 높은 고객을 선별해 마케팅할 수 있는 방향을 제안했습니다. 예측 결과의 범위는 프로젝트에서 수행한 브랜드 방문 분류로 한정했습니다.

최종적으로 분석 결과를 단순한 데이터 리포트로 끝내지 않고 IFC몰에서 실행할 수 있는 비즈니스 실행 과제로 구체화했습니다.

대표 실행안:

분석 과정과 결과를 보고서와 프레젠테이션으로 구조화해 대표이사를 포함한 경영진·실무진을 대상으로 발표했습니다.

데이터와 그래프를 나열하기보다 문제 정의 → 분석 → 인사이트 → 비즈니스 실행 과제 순서로 의사결정자가 이해할 수 있도록 내용을 구성했습니다.

데이터 분석의 목적은 모델이나 차트를 만드는 것이 아니라 의사결정에 필요한 질문에 답하는 것이라는 점을 배웠습니다.

고객 이동을 분석할 때 단순 방문량에 그치지 않고 객단가를 추가했고, 잠재고객 분석에서는 전체 고객을 하나로 보지 않고 평일·주말 행동 차이를 세분화했습니다.

이를 통해 문제 정의 → 고객 행동 분석 → 세그먼트 도출 → 예측 → 비즈니스 실행 과제로 이어지는 데이터 기반 의사결정 과정을 경험했습니다.