[버즈 정량화를 통한 고객 니즈 분석]
학부에서 광고기획과 마케팅을 공부하며 브랜드 관리와 브랜드 전략 등의 강의를 자주 접했습니다. 이로 인해 브랜딩에 익숙하고, 대학원에서 데이터 분석을 공부했기에 정량화와 측정에도 자신 있습니다. 관련한 경험으로, 스마트폰 관련 고객 반응 텍스트를 정량화 및 측정하여 기종별 고객 니즈를 도출하기도 했습니다.
Python으로 아이폰13, Z플립3 등 스마트폰에 대한 버즈를 유튜브, 블라인드, 네이버 카페에서 크롤링했습니다. 그리고 자주 언급되는 카메라, 배터리, 디자인, 성능, 화면의 5가지 항목으로 범주화했습니다. 그 후 모든 버즈에 극성점수를 부여하고, 항목에 따라 스마트폰 점수를 계산했습니다. 가령 아이폰13의 카메라 점수는 0.69, 배터리 점수는 0.60으로 산출되는 식입니다.
또한 범주화한 버즈를 0과 1의 행렬로 변환해 연관관계분석으로 항목 간 관계를 파악했습니다. 그 결과 디자인과 성능의 support가 각각 0.402와 0.36으로, 성능에 대한 배터리의 lift가 1.25로 귀결되었습니다. 이는 고객이 디자인과 성능을 가장 중시하고, 성능과 배터리를 보완적 관계로 간주한다는 것을 의미합니다. 따라서 새로운 스마트폰은 디자인과 성능, 배터리 개선에 초점이 맞춰져야 함을 추론할 수 있었습니다.
5가지 항목 점수와 연관관계분석 결과를 종합하면, 스마트폰 기종에 따른 고객 니즈 파악이 가능합니다. 예컨대 Z플립3는 디자인과 성능, 배터리 점수가 0.70, 0.54, 0.34였습니다. 디자인 점수 대비 성능과 배터리 점수가 상대적으로 낮기에, 고객은 성능과 배터리가 강화된 Z플립4의 출시를 희망한다고 할 수 있습니다.
텍스트 데이터를 정량화하고 측정하여 고객 니즈를 파악할 수 있었던 경험이었습니다. 넥슨에서도 비정형 데이터를 객관적으로 정량화하고 측정하여 브랜딩 인사이트를 도출하겠습니다. 이를 통해 게임 시장에서 넥슨 게임 브랜드를 확고히 하는 모습 보여드리겠습니다.
[책임감을 겸비한 데이터 분석가]
데이터 분석은 저로 하여금 보람을 느끼게 합니다. 통계와 머신러닝, 딥러닝 방법론을 배우며 다양한 분석을 진행했습니다. 수많은 변수 속 유의미한 변수를 추출하고 모형을 제작하여, 차별화되면서 동시에 이로운 가치를 도출할 수 있다는 점이 큰 성취감으로 다가왔습니다. 그 과정에서, 데이터를 분석할 때 가장 중요한 자질이 책임감이라는 사실을 깨달았습니다. 가치 있는 인사이트 도출까지 상당한 시간과 노력이 소요되기 때문입니다.
예를 들어서 적절한 결측치 치환값 설정을 위해 보간법, 제거법, 평균대치법 등 다수의 치환법을 시도해야 하고, 하나의 이상치 제거를 위해 leverage, sdr, cooks distance 등을 참조해야 합니다. 머신러닝 모형을 제작할 때는 여러 알고리즘에 cross-validation을 적용한 후 overfitting을 일으키지 않는 최적의 하이퍼 파라미터 도출 과정을 거쳐야만 합니다.
의미 있는 결론을 발굴하겠다는 책임감이 부재하면, 무의미한 데이터 분석으로 이어질 가능성이 농후합니다. 저는 학부 시절부터 다양한 팀 프로젝트를 수행했고 음악 동아리 회장으로도 활동한 바가 있기에, 데이터 분석을 위한 책임감을 부족하지 않게 지녔다고 생각합니다. 분석지원팀의 데이터 분석가 직무를 책임감에 기초해 수행하겠습니다. 이로써 믿고 맡길 수 있는 넥슨 구성원으로 자리매김하겠습니다.
[데이터와 비즈니스 인사이트]
저는 머신러닝을 활용한 비즈니스 문제 해결이나 데이터 기반 타게팅이 가능합니다. 이는 학부와 대학원을 거치며 비즈니스 및 데이터 역량을 길러온 것에서 기인합니다. 한 번은, 고객 데이터에 파레토의 법칙을 적용해 우수한 성능의 상위 20% 고객 예측모형을 제작한 적도 있습니다.
머신러닝으로 특정 고객이 매출 상위 20%에 속할지 예측할 수 있다면, 고객 세그먼트에 따라 적절한 마케팅을 집행해 매출 극대화가 가능하리라 예상했습니다. 이에 Python으로 구매금액 상위 20% 여부 이진변수를 생성하고, 상관계수와 VIF값으로 다중공선성 유발 변수를 제거했습니다. 그리고 보간법을 통한 결측치 치환과 이상치 제거로 전처리 후 scikit-learn 프레임워크를 활용해 로지스틱 회귀모형, 랜덤포레스트, 부스팅 등을 제작했습니다. 그 결과 정확도, 민감도, 정밀도가 각각 0.931, 0.798, 0.717인 랜덤포레스트 모형을 도출할 수 있었고, 연간 소득과 자녀 수가 가장 중요한 변수라는 사실도 확인했습니다.
데이터에 기초한 비즈니스 인사이트 도출 능력은 사업, 마케팅 등 유관 부서와의 협업에 유용하리라 기대합니다. 아울러, 총점 4.3 만점에 평점 4.22를 받고 수석으로 대학원을 졸업했기에 실력 또한 부족하지 않다고 자부합니다. 오랜 기간 비즈니스와 데이터를 공부해 왔습니다. 두 역량의 균형 잡힌 시각을 바탕으로 유의미한 가치를 제시하고, 다양한 협업에도 이바지하도록 하겠습니다.
