<마케팅 데이터 사이언스> Chapter 02-4 KPI를 계산하고 비주얼화하기

02-4 KPI를 계산하고 비주얼화하기

마케팅 캠페인¶

• 마케팅 캠페인을 벌이고 나면 마케팅이 얼마나 효과가 있었는지 평가해야한다.
• 더 나아가 캠페인의 장점과 단점을 파악하는일 역시 중요하다.

• 이때 성과 평가를 위해 KPI, Key Performance Indicator를 사용한다.

  KPI

  • CPA, cost per acquisition
  • digital marketing KPIs
  • site tracffic

이번 장에서는 bank marketing dataset을 사용한다. 모든 마케팅은 비용이 든다. 그렇기 때문에 마케팅의 성과를 비용 대비로 보는 게 중요하다. 따라서 ROI, Return on Investments를 측정해야 한다.

Sales Revenue¶

ROI를 측정하기 위해서는 먼저 Sales Revenue를 측정해야 한다. 그러나 이 수익이 E-mail 마케팅에서 왔는지, 광고에서 왔는지, 심지어는 마케팅 없이 발생한 결과인지 등을 정확히 정의해야 한다. 이를 위해서 마케팅 캠페인을 하기 전에 정확한 규칙을 정해놓아야 한다. 예를 들어, E-mail과 TV 광고를 함께 진행하는 경우 각각 다른 URL을 사용해야 한다. 이렇게 함으로써 정확히 어디에서 세일즈가 창출되었는지 구분할 수 있다.

Cost Per Acquisition¶

CPA는 고객 한 명을 확보하는 데 드는 비용을 나타낸다. CPA가 높으면 고객 한 명을 확보하는 데 비용이 많이 든다는 것을 의미한다. CPA는 어떤 비즈니스를 하는지에 따라 크게 달라질 수 있다. 예를 들어 럭셔리 명품을 판매하는 경우, 더 높은 CPA가 있어도 괜찮다. 왜냐하면, 비록 CPA가 높지만 고객 한 명이 매우 비싼 제품을 구매하기 때문에, 마케팅 비용을 제외하더라도 수익이 많이 발생하기 때문이다.

Digital Marketing KPIs¶

요즘은 소셜 네트워크나 블로그 등을 통한 디지털 마케팅이 굉장히 중요하다. 그 중요도는 점점 더 높아지고 있다. 앞서 설명한 sales revenue와 CPA도 디지털 마케팅에 사용해야 하는 개념이다.

click-through rate(CTR)¶

CTR은 온라인상에서 광고를 본 사람 중 몇명이 실제 광고를 클릭했는가를 측정한다. 공식은 (광고 클릭 숫자를 / 사이트에서 광고를 본 사람 수로 나눈다.) CTR은 얼마나 많은 트래픽을 사이트로 유입시킬 수 있는지 알려주는 굉장히 중요한 숫자이다.

lead ratio¶

이제 광고를 보고 들어온 사람들 중에서 Lead ratio를 구할 수 있다. Lead ratio는 얼마나 많은 사람이 실제로 고객이 될 수 있는 사람인지를 나타내는 숫자이다. 보통 Product이나 사이트를 방문한 사람들이 모두 고객이 될 profile을 가지고 있는 것은 아니다. 고객이 될 만한 profile을 가질만한 사람을 Lead 라고 부른다. 이들을 중심으로 마케팅 시 세일즈로 연결될 가능성이 높다. MQL, Marketing Qualified Leads는 리드 중에서 고객이 될 가능성이 높은 사람들이다. 이름 그대로 마케팅을 할 충분한 이유가 있는 사람들이다.

conversion rate¶

Lead가 실제로 돈을 지불하고 서비스나 상품을 사는 비율 = 고객이 되는 비율

• conversion rate : 돈을 지불하는 고객의 수를 Lead의 수로 나눈다.
• lead를 가입시키는게 목적일 때 : 가입하는 사람의 수를 Lead의 수로 나눈다.

KPIs 프로그래밍¶

• UCI Machine learning 사이트에 있는 bank marketing data 사용
• 포르투갈에 있는 은행의 phone call 마케팅
  • bank-addtional_full.csv : 41,188명의 고객, 20개의 인풋
  • bank-addtional.csv : 전체 데이터에서 약 10%의 데이터를 랜덤하게 고른 데이터 셋

여러 아웃풋을 한 셀 안에서 볼 수 있도록 조건 지정하기¶

In [7]:

from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

In [8]:

import pandas as pd # 판다스 불러오기

In [9]:

df = pd.read_csv('data/bank-additional.csv', sep = ';') # 데이터 읽어오기

In [11]:

df # 맨 오른쪽 y컬럼에 target 값이 들어가있다. 이 값들을 숫자로 바꿔야한다.

Out[11]:

	age	job	marital	education	default	housing	loan	contact	month	day_of_week	...	campaign	pdays	previous	poutcome	emp.var.rate	cons.price.idx	cons.conf.idx	euribor3m	nr.employed	y
0	30	blue-collar	married	basic.9y	no	yes	no	cellular	may	fri	...	2	999	0	nonexistent	-1.8	92.893	-46.2	1.313	5099.1	no
1	39	services	single	high.school	no	no	no	telephone	may	fri	...	4	999	0	nonexistent	1.1	93.994	-36.4	4.855	5191.0	no
2	25	services	married	high.school	no	yes	no	telephone	jun	wed	...	1	999	0	nonexistent	1.4	94.465	-41.8	4.962	5228.1	no
3	38	services	married	basic.9y	no	unknown	unknown	telephone	jun	fri	...	3	999	0	nonexistent	1.4	94.465	-41.8	4.959	5228.1	no
4	47	admin.	married	university.degree	no	yes	no	cellular	nov	mon	...	1	999	0	nonexistent	-0.1	93.200	-42.0	4.191	5195.8	no
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
4114	30	admin.	married	basic.6y	no	yes	yes	cellular	jul	thu	...	1	999	0	nonexistent	1.4	93.918	-42.7	4.958	5228.1	no
4115	39	admin.	married	high.school	no	yes	no	telephone	jul	fri	...	1	999	0	nonexistent	1.4	93.918	-42.7	4.959	5228.1	no
4116	27	student	single	high.school	no	no	no	cellular	may	mon	...	2	999	1	failure	-1.8	92.893	-46.2	1.354	5099.1	no
4117	58	admin.	married	high.school	no	no	no	cellular	aug	fri	...	1	999	0	nonexistent	1.4	93.444	-36.1	4.966	5228.1	no
4118	34	management	single	high.school	no	yes	no	cellular	nov	wed	...	1	999	0	nonexistent	-0.1	93.200	-42.0	4.120	5195.8	no

4119 rows × 21 columns

conversion 계산하기¶

df 대괄호 안에 만들고 싶은 열 conversion을 쓰고, 이 열에 들어갈 데이터를 등호 다음에 정의한다. df에 y열을 만약 안에 있는 값이 yes이면 1, 아니면 0으로 바꾼다. apply 함수 안에는 적용하고 싶은 함수를 넣으면 앞의 시리즈에 적용된다.

In [12]:

df['conversion'] = df['y'].apply(lambda x: 1if x =='yes' else 0) 

In [15]:

df.head() # 마지막 열에 conversion 열이 생성된 결과를 볼 수 있다.

Out[15]:

	age	job	marital	education	default	housing	loan	contact	month	day_of_week	...	pdays	previous	poutcome	emp.var.rate	cons.price.idx	cons.conf.idx	euribor3m	nr.employed	y	conversion
0	30	blue-collar	married	basic.9y	no	yes	no	cellular	may	fri	...	999	0	nonexistent	-1.8	92.893	-46.2	1.313	5099.1	no	0
1	39	services	single	high.school	no	no	no	telephone	may	fri	...	999	0	nonexistent	1.1	93.994	-36.4	4.855	5191.0	no	0
2	25	services	married	high.school	no	yes	no	telephone	jun	wed	...	999	0	nonexistent	1.4	94.465	-41.8	4.962	5228.1	no	0
3	38	services	married	basic.9y	no	unknown	unknown	telephone	jun	fri	...	999	0	nonexistent	1.4	94.465	-41.8	4.959	5228.1	no	0
4	47	admin.	married	university.degree	no	yes	no	cellular	nov	mon	...	999	0	nonexistent	-0.1	93.200	-42.0	4.191	5195.8	no	0

5 rows × 22 columns

In [27]:

# conversion 비율 구하기. 451을 4119로 나누면 10.94%가 나온다.
df.conversion.sum()
df.shape[0]
df.conversion.sum()/df.shape[0]

Out[27]:

451

Out[27]:

4119

Out[27]:

0.10949259529011895

• conversion 비율은 전체적으로 마케팅 캠페인이 얼마나 효과가 있었는지를 보여준다.
• 더 나아가 커스터머를 그룹별로 나누는 segment를 하고 각 segment에서 다시 KPI를 계산한다.

각 나이대별로 conversion 비율 구하기¶

In [28]:

conversion_by_age = df.groupby(
by = 'age'
)['conversion'].sum()/ df.groupby(
by = 'age'
)['conversion'].count() * 100.0

conversion_by_age

Out[28]:

age
18     33.333333
19      0.000000
20      0.000000
21     42.857143
22     20.000000
         ...    
81     66.666667
82    100.000000
85      0.000000
86    100.000000
88      0.000000
Name: conversion, Length: 67, dtype: float64

각 나이대별로 conversion 비율을 그래프로 그리기¶

In [30]:

ax = conversion_by_age.plot(
grid = True,
figsize = (10, 7),
title = 'Conversion Rates by Age'
)
ax.set_xlabel('age')
ax.set_ylabel('conversion rate (%)')

Out[30]:

Text(0.5, 0, 'age')

Out[30]:

Text(0, 0.5, 'conversion rate (%)')

연령대로 묶기¶

In [38]:

df['age_group']=df['age'].apply(
lambda x: '[18, 30)'if x < 30 else '[30, 40)' if x < 40 \
else '[40, 50)' if x < 50 else'[50, 60)' if x < 60 \
else '[60, 70)' if x < 70 else '70+'
)

연령대별로 Conversion 비율 구하기¶

In [40]:

conversions_by_age_group = df.groupby(
by ='age_group'
)['conversion'].sum() / df.groupby(
by ='age_group'
)['conversion'].count() * 100.0
conversions_by_age_group

Out[40]:

age_group
70+         48.717949
[18, 30)    12.159710
[30, 40)    10.248815
[40, 50)     7.919847
[50, 60)    12.049861
[60, 70)    30.985915
Name: conversion, dtype: float64

연령대별로 conversion 비율 그래프 그리기¶

In [41]:

ax = conversion_by_age_group.loc[
    ['[18, 30)', '[30, 40)', '[50, 60)', '[60, 70)', '70+']
].plot(
kind = 'bar',
color = 'skyblue',
grid = True,
figsize = (10,7),
title = 'Conversion Rates by Age Groups'
)
ax.set_xlabel('age')
ax.set_ylabel('conversion rate (%)')

Out[41]:

Text(0.5, 0, 'age')

Out[41]:

Text(0, 0.5, 'conversion rate (%)')

결혼 여부에 따라 conversion이 어떻게 다른지 살펴보기¶

In [43]:

conversion_by_marital_status_df = pd.pivot_table(df, values='y', index='marital', columns ='conversion', aggfunc=len)

In [44]:

conversion_by_marital_status_df

Out[44]:

conversion	0	1
marital
divorced	403	43
married	2257	252
single	998	155
unknown	10	1

결혼 여부에 따라 conversion 결과를 파이차트로 그리기¶

In [49]:

conversion_by_marital_status_df.plot(
kind = 'pie',            #파이차트 지정
figsize = (15,7),
startangle = 90,        #시계 반대 방향
subplots = True,        #데이터 열을 따로 plot으로 그림
autopct = '%0.1f%%'     #파이차트 안에 표시되는 숫자, 소수저 한 자리까지 표시
)

Out[49]:

array([<AxesSubplot:ylabel='0'>, <AxesSubplot:ylabel='1'>], dtype=object)

출처 : udemy