티스토리

Hello:) I'm _______

검색하기

블로그 홈

Hello:) I'm _______

minjoon709.tistory.com/m

공대생 to 데이터 분석가 :)

구독자: 1

방명록 방문하기

728x90

주요 글 목록

[성동1기 전Z전능 데이터 분석가] Day 43 Mobility: 이동성-자유롭게 이동할 수 있는 성질 또는 능력 Logistics(물류): 생산자와 소비자의 시간적·공간적 문제를 해결하기 위한 활동 물적 유통의 약자로 물건의 흐름을 의미 물자를 생산자로부터 소비자에게 이동시키는 모든 활동으로 생산과 소비의 연결활동 제품을 물리적으로 생산자로부터 최종소비자에게 이전하는데 필요한 보관, 하역, 운송, 포장, 정보처리 등의 행위 생산자와 소비자 사이에 존재하는 시간적 효율과 공간적 효율을 창출 제품의 생산, 판매, 반품, 회수 및 폐기에 이르기까지 전략적이고 통합적인 활동 공급자, 제조업자, 물류업자, 유통업자 간 물자, 자금, 정보를 통합하여 최적화하는 것 물류의 5대 기능: 운송, 보관, 하역, 포장, 정보처리 운송: 생산지(A공간)에서 소비지(B공간.. 공감수 1 댓글수 5 2023. 12. 13.
[성동1기 전Z전능 데이터 분석가] Day 42 데이터 시각화를 진행할 때 어떤 차트를 써야할까 변화를 보여주는 차트 라인 차트(Line Chart): 연속형 데이터의 트렌드 표현에 주로 이용/전반적인 트렌드의 증감 변화를 확인 →축이 0에서 시작할 필요는 없으며 라인이 많아진다면 차트는 혼란을 유발할 수 있음 칼럼 차트(Column Chart): 시간에 따른 변동을 보여주거나 서로 다른 카테고리의 값을 비교 →축은 0부터 시작해야하며 시간에 따른 변화를 보여줄 때는 바가 아닌 칼럼을 사용 영역 차트(Area Chart): 시간의 흐름에 따른 변화를 보여주며 라인 차트와 다르게 volume을 표현할 수 있다 비율을 보여주는 차트 비율 바 차트(% Bar Chart): 전체에서의 구성 비율을 간단하게 표현 도넛 차트(Donut Chart): 구성 비중을.. 공감수 0 댓글수 1 2023. 12. 12.
[성동1기 전Z전능 데이터 분석가] Day 41 데이터 시각화로 어떻게 설득할 수 있을까 기본적으로 지표에 대한 비교를 보여주어야함 필요하다면 지표에 평가 기준을 부여 + 액션을 유도하는 의미를 부여 전달하고자 하는 메시지에서 출발해 비교와 평가로 액션을 유도하는 방향으로 설득 그래프를 그려보고 나서 인사이트를 도출하려해서는 안된다→논리적이지 못한 결론을 도출할 수 있음 시각화의 시작은 목적 who: 이걸 보는 사람은 누구인가 why: 그 사람들은 이걸 왜 봐야 하는가 what: 이를 위해 무슨 지표가 필요한가 how: 그래서 어떻게 대응할 수 있을 것인가 when: 이게 언제 필요한가 who: 이걸 보는 사람은 누구인가 유저의 사용 목적에 맞는 지표 구성과 대시보드 설계(관리자용 vs 실무자용) why: 그 사람들은 이걸 왜 봐야 하는가 조직에 의미.. 공감수 0 댓글수 0 2023. 12. 12.
[성동1기 전Z전능 데이터 분석가] Day 38~40 파이썬 프로젝트 마무리 및 발표DAY 귀무가설: 출퇴근 시간대의 대여량과 반납량은 차이가 없을 것이다. 대립가설: 출퇴근 시간대의 대여량과 반납량은 차이가 있을 것이다. 출퇴근 시간 대여 반납량 분석 rent_detail['return_date']=pd.to_datetime(rent_detail['return_date']) rent_detail['rent_hour']=rent_detail['rent_date_detail'].dt.hour rent_detail['return_hour']=rent_detail['return_date'].dt.hour rent_detail['day']=rent_detail['rent_date_detail'].dt.day rent_detail_weekday=rent_detail.. 공감수 1 댓글수 3 2023. 12. 11.
[성동1기 전Z전능 데이터 분석가] Day 37 통계 분석 기술 통계 분석: 데이터를 요약해 설명하는 통계분석 기법 추론 통계 분석: 단순히 숫자를 요약하는 것을 넘어 어떤 값이 발생할 확률을 계산 통계적 가설 검정: 유의확률을 이용해 가설을 검정하는 방법(일반적으로 유의확률 5%를 판단 기준으로 삼는다.) 유의확률(P-Value): 실제로는 집단 간 차이가 없는데 우연히 차이가 있는 데이터가 추출될 확률 유의확률이 5%보다 클 경우 →집단 간 차이가 통계적으로 유의하지 않다. →실제로 차이가 없더라도, 우연에 의해 이런 정도의 차이가 관찰될 가능성이 크다. 유의활률이 5%보다 작을 경우 →집단 간 차이가 통계적으로 유의하다. →실제로 차이가 없는데 우연에 의해 이런 정도의 차이가 관찰될 가능성이 적다.(우연이라고 보기 힘들다.) T-검정(T-Test.. 공감수 0 댓글수 2 2023. 12. 5.
[성동1기 전Z전능 데이터 분석가] Day 36 SQL 프로젝트를 Python으로 다시 해보기 SQL 프로젝트와 똑같이 기술 담당자로 프로젝트 진행 서울시 공공자전거(따릉이) 데이터를 이용 CSV 파일 불러오기 import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt plt.rcParams.update({'font.family':'Malgun Gothic', 'figure.dpi':'150', 'figure.figsize':[8,6], 'font.size':'10'}) place_list=pd.read_csv("공공자전거 대여소 정보(23.06월 기준).csv", encoding='cp949') trouble_list=pd.read_csv("서.. 공감수 0 댓글수 0 2023. 12. 4.
[성동1기 전Z전능 데이터 분석가] Day 35 그래프 데이터를 보기 쉽게 그림으로 표현 추세와 경향성이 드러나 데이터의 특징을 쉽게 이해할 수 있음 새로운 패턴 발견, 데이터의 특징을 잘 전달 다양한 그래프가 존재(2차원, 3차원, 지도 그래프, 네트워크 그래프, 모션 차트 등등) seaborn 패키지: 그래프를 만들 때 자주 사용되는 패키지로 코드가 쉽고 간결함 산점도(scatter plot) 데이터를 x축과 y축에 점으로 표현한 그래프 나이와 소득처럼 연속값으로 된 두 변수의 관계를 표현할 때 사용 #산점도 만들기 #x축은 displ,y축은 hwy sns.scatterplot(data=mpg,x='displ',y='hwy'); #x축 범위를 3~6,y축 범위를 10~30으로 제한 sns.scatterplot(data=mpg,x='displ',y=.. 공감수 0 댓글수 0 2023. 12. 1.
[성동1기 전Z전능 데이터 분석가] Day 34 변수 추출하기 : df[ ] 추출하려는 데이터 프레임 이름 뒤에 []를 입력한 다음 추출할 변수명을 따옴표로 감싸서 입력 #exam에서 변수 추출 exam[['nclass','english','math']] #'nclass','english','math'만 추출 exam[['math']] #'math' 하나만 추출해도 데이터 프레임 유지 가능([]아니면 시리즈로 추출) #변수 제거 exam.drop(columns='math') #'math'제거 exam.drop(columns=['math','english']) #'math','english' 제거 #pandas 함수와 함께 사용 exam.query('nclass==1')['english'] #nclass가 1인 행만 추출하고 english 추출 exam.. 공감수 0 댓글수 2 2023. 11. 30.
[성동1기 전Z전능 데이터 분석가] Day 33 면접 특강:기업은 표현한만큼 판단하고 평가: 어떻게 표현하는지가 중요하다. 역량: 어떤 직무를 잘 해날 수 있는 개인의 능력 어떤 직무목표에 대한 성과를 내기 위해 이미 축적되어진 개인의 구체적인 지식, 기술, 태도 등을 가지고 맡은 역할을 성공적으로 수행할 수 있는 능력 기본역량: 신입사원으로서 적극적이고 능동적인 태도 직무역량:회사와 직무에 대한 깊은 관심과 흥미, 이해도를 가지고 명확한 직업관을 가지고 있는지 여부 조직역량 면접 평가 3요소 인성과 적성: 태도와 첫 인상(이미지), 인성 직무 전문성: 직무역량, 직무지원동기, 차별성 및 포부 조직 부합성: 조직문화적응력, 팀웍, 협조성, 사교성, 논리적 표현력 면접 사전준비: 기업 및 직무분석& 이해 필수 채용공고 지원자격, 요구역량과 주요업무 이해.. 공감수 1 댓글수 3 2023. 11. 29.
[성동1기 전Z전능 데이터 분석가] Day 32 Python 함수: 입력값을 가지고 어떤 일을 수행한 후 그 결과물을 내어놓는 것 def: 함수를 만들 때 사용하는 예약어 함수_이름: 함수를 만드는 사람이 임의로 설정 가능(함수의 동작을 잘 설명하는 이름으로 설정할 것) 매개변수: 함수에 입력으로 전달되는 값을 받을 변수 수행할_문장: 함수에서 수행할 문장 def 함수_이름(매개변수_parameter): 수행할_문장1 수행할_문장2 함수의 종류 일반적인 함수: 입력값이 있고 리턴값이 있는 함수 입력값이 없는 함수: 입력값 없이 리턴값만 있는 함수 리턴값이 없는 함수: 입력값은 있으나 리턴값이 없는 함수 단순 함수: 입력값과 리턴값 모두 없는 함수 #일반적인 함수를 만들고 사용해보자 def avg(a,b,c,d): return (a+b+c+d)/4 c=.. 공감수 1 댓글수 1 2023. 11. 28.
[성동1기 전Z전능 데이터 분석가] Day 31 Python 조건문: 참과 거짓을 판단하는 문장 주어진 조건을 판단한 후 그 상황에 맞게 처리해야할 경우에 조건을 판단하여 해당 조건에 맞는 상황을 수행하는데 사용된다. IF 조건문 : if문을 만들 대 문장을 들여쓰는 것에 주의하고 콜론(:)을 잊지 말아야 한다. if문의 기본 구조 if 조건문: 수행할 문장1 ....... else: 수행할 문장 A ........ IF문의 연산자 비교 연산자: > , = , = 3000 or card: print("택시를 타고 가라") else: print("걸어가라") #가방에 돈이 있으면 택시를 타고 없으면 걸어가는 조건문을 만들어보세요 bag = ['card','money','book'] if 'money' or 'card' in bag: print(.. 공감수 0 댓글수 1 2023. 11. 27.
[성동 1기 전Z전능 데이터 분석가] Day 30 파이썬(Python)? 소프트웨어 개발: 범용 프로그래밍 언어로 기업 실무를 위해서도 많이 사용한다. 시스템 소프트웨어를 만드는데 유리하다. GUI프로그래밍을 위한 도구들: 웹 프로그램을 만들기에 매우 적합하며, 데이터베이스에 접근하고 프로그래밍하기 위한 다양한 도구를 제공한다. 비교적 배우기 쉽고 간단하다는 장점이 존재한다. 오픈소스로 누구나 무료로 사용/복제/배포/수정/상업화가 가능하다. 사용가능한 내장 함수 및 외부 라이브러리가 굉장히 많으며 다양한 언어들과도 쉽게 융합이 가능하다. 파이썬을 이용한 데이터 분석 통계분석 시각화 머신러닝 모델링 비정형 데이터 분석 아나콘다 데이터 분석을 하는데 필요한 여러가지 소프트웨어를 쉽게 설치해주는 프로그램이다. 데이터 분석을 위한 환경설정을 용이하게 해준다. .. 공감수 0 댓글수 0 2023. 11. 26.
[성동1기 전Z전능 데이터 분석가] Day 29 서울시 공공자전거(따릉이) 데이터를 이용한 EDA 프로젝트 마무리 및 발표 SQL과 구글 스프레드 시트, Looker Studio 등 시각화에 이용할 수 있는 것은 모두 이용해서 프로젝트를 진행하였다. 지금까지 SQL을 배운 이후 가장 많은 쿼리를 짠 날이 아닐까 싶은데 덕분에 SQL은 많이 늘고 있는 것 같다. 또한 온라인으로 진행되는 날이다 보니 소통에 어려운 부분이 있기도 하고 비교적 짧은 시간에 진행하다보니 많이 어려운 느낌이 들기도 한다. 성별, 연령별, 지역별 이용자 분포 남성의 경우 20대와 30대가 비슷한 비율로 가장 많은 이용자 수를 보임 여성의 경우 20대가 30대보다 조금 많은 비율의 이용자 수를 보임 지역별로는 남성과 여성 모두 동일하게 강서구, 송파구, 영등포구에서 많은 이용자 수.. 공감수 0 댓글수 1 2023. 11. 26.
[성동 1기 전Z전능 데이터 분석가] Day 28 EDA(Exploratory Data Analysis): 탐색적 데이터 분석 주어진 데이터를 탐색하고 이해하는 과정 주어진 데이터들 안에서 다양한 패턴이나 잠재적인 문제들을 발견 가설을 세우기 전에 데이터를 이해하는 과정 EDA를 왜 하는 것일까? 데이터 자체에 대한 이해와 해석이 잘못되면 추후의 데이터 분석의 결과가 잘못될 가능성이 크다. EDA의 분석 대상 일변량(Univariate): EDA를 통해 파악하려는 변수 1개(데이터를 설명하고 패턴을 찾는 것이 목적) →어떤 대상의 성격을 규명하기 위하여 한 가지 측면에서 그 대상을 관찰하고 분석 다변량(Multi-variate): EDA를 통해 파악하려는 변수 여러개(변수들 간의 관계를 보는 것이 목적) →여러 개의 독립변수에 여러 개의 종속변수를 동시.. 공감수 1 댓글수 1 2023. 11. 23.
[성동1기 전Z전능 데이터 분석가] Day 27 SQL 실무 프로젝트의 데이터 중복 측정 및 데이터 전처리 진행+탐색적 데이터 분석(EDA) 중복 데이터: 반납대여소 이름은 1개인데 반납대여소 번호는 2개인 경우 rent_detail 국회 3문 (297, 4580) 천왕이펜하우스5단지 앞 (1981, 2817) 한양수자인아파트 앞 (1828, 4811) place_list 한양수자인아파트 앞(4811 , 1828) 데이터 전처리 진행 place_name 문자열 앞에 공백이 있는 행이 존재 →UPDATE place_list SET place_name = TRIM(BOTH '' FROM place_name); 중복 데이터는 각각의 넘버에 따라 대여소 이름을 수정 →ex)국회3문의 데이터를 각각의 넘버 297과 4580에 따라 국회3문1, 국회3문2로 수정.. 공감수 0 댓글수 0 2023. 11. 21.
[성동1기 전Z전능 데이터 분석가] Day 26 SQL 실무 프로젝트에 앞서 진행한 데이터 정합성 분석(기술 담당자 역할로 진행) 프로젝트에 이용한 데이터셋 공공자전거 이용내역 공공자전거 고장 신고 내역 공공자전거 대여내역 공공자전거 대여소 정보 데이터셋의 칼럼명 수정 및 COUNT 함수를 이용한 데이터 정합성 분석 공공자전거 대여소 정보(총 COUNT: 2,749개) 테이블명: place_list 대여소번호: place_number 대여소명: place_name 소재지(자치구): address_district 소재지(상세주소): address_all 소재지(위도): address_lat 소재지(경도): address_long 설치시기: placed_at 설치형태(LCD 거치 개수): install_lcd 설치형태(QR 거치 개수): install_q.. 공감수 0 댓글수 0 2023. 11. 21.
[성동1기 전Z전능 데이터 분석가] Day 25 COALESCE: 안의 인자들 중 첫 번째로 온 Non-Null값을 반환하는 함수 syntax: select column1, COALESCE(column1,0) from TABLE RANK OVER: 데이터들의 순위를 출력하기 위해 사용하는 함수 syntax: RANK() OVER (Order by column2 desc) ranking(순위열의 별칭을 설정) EX) SELECT Studentname, Subject, Marks, (DENSE_)RANK() OVER(ORDER BY Marks desc) RANK FROM ExamResult ORDER BY RANK; PARTITION BY: RANK OVER를 사용할 때 GROUP BY 처럼 사용할 수 있다. EX) SELECT Studentname, S.. 공감수 1 댓글수 1 2023. 11. 18.
[성동1기 전Z전능 데이터 분석가] Day 24 SQL 실습 # 1.공판장품목별입출고현황 데이터 중 상태가공분류가 냉동이고 기준일자가 "2023.9.1."이며 입,출고량이 0인 데이터는 제외하고 데이터를 조회하세요. select * from 공판장품목별입출고현황 where 1=1 and product_category_name="(냉동)" and stock_date = "2023.9.1" and stock_quantity !=0 and shipment_quantity !=0; # 2.공판장품목별재고현황 테이블에서 냉동이거나 냉장인 수산물품목의 전체입고량 무게가 2번째로 높은 물류센터는 어디인지 확인하세요. SELECT warehouse_code, warehouse_name, SUM(inventory_quantity_kg) as sum_inventory_.. 공감수 0 댓글수 0 2023. 11. 16.
[성동1기 전Z전능 데이터 분석가] Day 23 SQL 실습 IN/BETWEEN AND나 OR와 비슷한 기능으로 코드의 가독성을 위해 사용한다. Ex) WHERE Country IN(’A’,’B’) = WHERE Country = ‘A’ OR Country = ‘B’ → 국가가 A나 B인 데이터만 가져올 것 BETWEEN ‘1996-07-01’ AND ‘1996-07-31’ → 1996년 7월 1일에서 1996년 7월 31일 사이의 데이터만 가져올 것 LIKE/NOT LIKE 특정 문자가 포함되거나 포함되지 않은 데이터만 불러오는 명령어 Ex) WHERE Unit LIKE ‘%box%’ → box라는 문자가 포함된 데이터만 가져올 것 IS NULL/IS NOT NULL: 비어있는 값이나 비어있지 않은 값을 가져오는 명령어 CASE: 데이터를 특정한 기.. 공감수 0 댓글수 0 2023. 11. 15.
[성동1기 전Z전능 데이터 분석가] Day 22 오마카세 뉴스레터 데이터 분석: 구독 전환 수를 기준으로 가장 좋았던 2팀과 가장 저조했던 1팀의 비교분석 오마카세 뉴스레터 서비스의 특징 무료 마케팅 뉴스레터(저관여제품) 대상 타겟: 마케팅에 관심을 가질만한 사람(시니어보다 주니어, 20~30대 여성) 대상 타겟이 주로 이용하는 매체: 인스타그램(IG) 가설 재방문이 적고 체류시간이 적을수록 구독 수가 늘어날 것이다. →무료 서비스이기 때문에 빠르게 호기심을 유발하여 초반부의 구독을 이끌어내는 것이 중요하다. → 가장 좋았던 2팀의 재방문율이 가장 낮았고 체류시간도 비교적 적었다. 그에 반해 1팀은 재방문율이 높고 체류시간도 가장 길게 나타났다. PV(페이지뷰)수가 많으면 구독 전환도 많이 일어날 것이다. →PV의 평균 수는 팀별로 차이가 많이나지 않.. 공감수 0 댓글수 0 2023. 11. 14.
[성동1기 전Z전능 데이터 분석가] Day 21 마케팅/웹 데이터 분석 마케팅 →특정 사람들에게 특정 광고를 매칭하는 것이 가능해졌고 측정 또한 가능해졌다.(추후 접할 확률이 가장 높은 데이터) 광고발견 →링크클릭 →상세페이지 조회 →구매결심 →장바구니 담기 →구매확정 →구매 광고발견 노출(impression): 광고가 '보여진 횟수' 도달(reach): 광고를 '본 사람 수' →한 사람이 같은 광고를 3번 봤다면 노출은 3, 도달은 1 (빈도 = 노출/도달) 노출과 도달이 높다는 것은 많이 봤다는 것을 의미한다. 고관여 상품과 저관여 상품: 고민할 요소(시간, 돈 등)가 많은 상품 vs 비교적 고민할 요소가 적은 상품 →저관여 상품은 광고횟수보다 브랜딩 자체에 신경을 써야한다. 링크 클릭 CPM(Cost Per Mile or 1000 impressi.. 공감수 0 댓글수 0 2023. 11. 13.
[성동1기 전Z전능 데이터 분석가] Day 20 데이터 관련 법률 이슈 데이터 사용 영업비밀 데이터 부정 사용행위: 부정경쟁방지법 개인정보: 개인정보의 정의(범위), 이용, 활용, 종류 저작권: 저작물성(저작권법), 저작권자의 이용허락, 저작권자의 이용허락 예외 데이터 수집 크롤링: 정보통신망 침해여부, 컴퓨터 등 업무방해 행위 해당 여부, 데이터베이서 저작권 관련 개인정보: 개인정보의 수집(직접 혹은 제3자), 만 14세 아동의 개인정보 수집 데이터 수집, 이용시 개인정보 보호 가명정보 또한 개인정보에 준하는 안전조치를 해야한다. 서비스 제공 과정에서 취득한 개인정보라도 맘대로 사용할 수 없다. →당초의 수집 목적을 벗어난 행위에 해당한다고 판단. 별도의 동의가 이루어진다면 사용가능성 있음 →개인정보주체가 개인정보의 수집, 활용방안을 예상할 수 없는.. 공감수 0 댓글수 0 2023. 11. 13.
[성동1기 전Z전능 데이터 분석가] Day 19 스프레드 시트의 Query 함수를 이용하 SQL의 기본 구조 이해하기 Query 함수의 기본 구조 =QUERY(데이터의 범위,"select --- [where, order by, group by, limit ,label 등]") Query함수의 조건인 where,order by, group by, limit, label 등에는 작성 순서가 존재한다. →작성 순서가 어긋나면 오류로 인해 값이 나오지 않음 where 데이터를 불러올 때 조건을 설정해줄 수 있다.(데이터 중 '프로모션을 진행한 데이터'와 같은 부분) =QUERY(A4:E24, "SELECT A,B where E='promotion'") 와 같은 형태 →E가 promotion인 데이터만 가져올 것 order by 불러오는 데이터에서 어떤 열을 .. 공감수 0 댓글수 0 2023. 11. 9.
[성동1기 전Z전능 데이터 분석가] Day 18 뉴스레터 서비스의 데이터를 이용하여 분석을 진행하였다. 데이터 내의 항목으로는 유저의 ID, 생성일, 생성시간, 레퍼럴(추천) 갯수, 받은 뉴스레터 수, 오픈한 뉴스레터 수, 클릭한 뉴스레터 수, 유입경로(organic, embed), 취소한 시간, 마케팅 동의 여부가 있었다. 이 중 받은 뉴스레터 수와 오픈한 뉴스레터 수를 이용하여 오픈율을 계산하고 이것 또한 분석에 이용하였다. 다른 분들이 좋은 분석들을 많이 하셨는데 나는 구독자 수와 평균 오픈율의 변화에 주목해서 분석을 진행하였다. 7월부터 서비스가 시작되었기 때문에 초기 구독자 수가 많은 것을 고려하고 보면 9월에 큰 폭으로 구독자 수가 증가한 것을 볼 수 있다. 하지만 구독자들의 뉴스레터 오픈율은 오히려 50% 아래로 낮아지는 것을 볼 수 있는.. 공감수 0 댓글수 0 2023. 11. 8.
[성동1기 전Z전능 데이터 분석가] Day 17 그룹화(분류) 분석-R.F.M 더 신경써야 할 고객을 R.F.M에 따라 구분하는 방식 →Recency: 최근 방문 고객이 더 반응할 확률이 높다. → Frequency: 방문 빈도가 높을수록 구매할 확률이 높다. → Monetary: 많이 지출할수록 구매할 확률이 더 높다. 위와 같은 것들을 고려하여 다음을 진행할 수 있다. →핵심 우량 고객군: 프리미엄 서비스를 제공(VIP) →우량 고객 후보군: 우대 서비스를 제공 →이탈 위험 고객군: 재활성화, 프로모션/할인 등을 제공 →저수익성 고객군: 디마케팅 대상 RFM점수는 각 매출액과 구매일, 최종 구매일을 통계적으로 분석해 결정해야하나, 단순하게는 4분위 수로 계산할 수도 있다. f(R,F,M)=a*(R)+b*(F)+c*(M) → a,b,c와 같은 계수값.. 공감수 0 댓글수 0 2023. 11. 7.
[성동1기 전Z전능 데이터 분석가] Day 16 GA4를 이용한 실습 GA4에서 이벤트는 생성할 수 있는 갯수에 제한이 있다. →이벤트의 수가 일정 범위를 넘었다면 기존의 이벤트들을 합치거나 묶어서 수를 줄일 필요가 있다. 세그먼트(Segment)=잠재고객 정량화할 수 있는 특정 속성을 의미한다. 일반적으로 GA에서는 특정 고객을 묶은 특성이다.(예를 들어, 첫 방문자, 재방문자, 모바일로 방문한 방문자 등) GA내의 탐색 보고서 기본 리포트는 한계가 있다.(3차원 이상의 다차원적인 보고서를 제공하지 않음) 자신이 자주 보는 보고서를 만들고 조금 더 시각적인 형태로 볼 수 있다. 기본 템플릿만을 잘 사용해도 유의미한 분석을 이끌어낼 수 있다. '행'은 측정기준을, '열'은 측정항목으로 불러올 수 있다. 유입경로 탐색 분석 유저의 단계별로 구매까지의 여.. 공감수 0 댓글수 0 2023. 11. 6.
[성동1기 전Z전능 데이터 분석가] Day 15 데이터 분석 개선의 시작 서비스 목표 설정: 목표를 설정하고 고객의 프로세스 이동 경로를 고려한다. 일반적인 프로세스: 인지→유입 →구매고려 →재방문 →구매 문제 페이지 발견 조금씩 쪼개서 문제를 정의해볼 것(흐름상 목표로 가기까지 막히는 곳을 생긴다) →'개선을 어떻게 할 것인가'의 시작 기능과 레이아웃 검증 및 최적화 CTA 버튼 위치, 콘텐츠 노출 위치 등 확인해보기 콘텐츠 세부 UI 개선 문제 정의 와 함께 기능들을 하나씩 체크할 것 구글 태그 매니저(Google Tag Manager, GTM) 웹 사이트 내 스크립트 설치 및 코드 발행을 쉽게 도와주는 도구 다양한 스크립트 및 이벤트 등을 개발자가 아닌 사람도 쉽게 관리할 수 있도록 도와줌 기본 계층구조 계정→컨테이너(작업공간) →태그 →트리거 .. 공감수 1 댓글수 1 2023. 11. 3.
[성동1기 전Z전능 데이터 분석가] Day 14 온라인 환경에서는 고객이 눈에 보이지 않으며 개선을 위해 데이터를 사용해야 한다. →개선하려면 관리 →관리하려면 측정이 이루어져야 한다. 방문자 특성과 방문자 행동 방문자 특성: 유입경로, 위치, 검색어, 기기, 브라우저, 모니터 해상도, 네트워크 등등 방문자 행동: 방문형태(신규, 재방문), 페이지뷰, 체류시간, 도착페이지, 이탈페이지, 전환 등등 구글 어낼리틱스(GA)에서 자주 볼 수 있는 용어 도메인(Domain): 인터넷 상 컴퓨터의 주소 랜딩페이지: 광고를 클릭했을 때 연결되는 페이지(주로 메인페이지, 상세페이지 등) 파라미터: 웹사이트 주소 뒤에 붙는 매개변수로 이를 활용해 세부적 랜딩페이지를 타겟팅할 수 있다. UTM코드: 주로 GA에서 활용되며 정의한 규칙에 따라 방문자를 구별해서 확인한다.. 공감수 1 댓글수 0 2023. 11. 3.
[성동1기 전Z전능 데이터 분석가] Day 13 데이터 확보 및 처리 데이터 그 자체로는 아무것도 할 수 없다 데이터를 모아야(데이터 베이스) 분석이 가능하다. 즉, 잘 모아야 한다. 데이터 확보 과정에서부터 데이터 처리가 용이하도록 신경써야한다. (입력할 때부터 정해진 형태로 입력하도록 제한하는 등→입력할 때부터 서식에 신경쓸 것) 데이터베이스를 만들 때 가급적 하나의 시트에 만들 것 첫 행(Row)는 반드시 '필드(항목)명'으로 설정할 것 데이터(레코드)는 위에서부터 아래로 쌓이도록 설정할 것 빈 행(Row)이나 빈 열(Column)없이 만들 것 셀 병합 없이 만들 것 데이터 클린징 일반적으로 데이터를 바로 분석에 사용할 수 없다. 제대로 된 분석을 위해 처리가 필요하다.(데이터를 분석하기 편하게 변환하는 과정) 페이스북과 GA의 데이터를 이용해 .. 공감수 0 댓글수 0 2023. 11. 1.
[성동1기 전Z전능 데이터 분석가] Day 12 엑셀의 기본함수들을 활용하는 걸 배웠다면 오늘은 간단한 가설을 수립하고 피벗 테이블을 이용해서 데이터 분석 실습을 진행했다. 실질적으로 어떻게 데이터 분석을 진행해야 하는가에 대한 감을 잡아가고 있다. 아직 스프레드시트와 피벗테이블이 익숙하지 않아 버벅이기도 하지만 어떤 데이터로 어떤 가설을 수립해야하는가는 이해가 되고 있다. 분석은 곧 비교다. 그렇다면 비교는 어떻게 해야할까? 기본적으로 육하원칙(5W1H)을 바탕으로 한다.(WHY는 제외) 누가: 성별, 연령, 거주지 등 개인정보 언제: 구매일, 요일, 시간, 공휴일, 날씨 등 어디서: 온라인, 오프라인, 커머스 등 무엇을: 제품, 서비스 유형, 상품 등 어떻게: 카드, 현금 등등 →이를 바탕으로 순위, 순서, 크기, 변동, 추세, 분포, 항목별 구분.. 공감수 0 댓글수 0 2023. 10. 31.

728x90

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.