-
분석 기간: 2025.03~2025.04 (1.5개월)
-
기술 스택:
-
목적: 음식 배달 앱 로그 데이터를 가지고 문제 정의 및 가설 검증을 통해 주문율 개선 전략 도출
-
원천 데이터: 가상의 앱 로그 데이터 (73만 건)
-
작업 대상: 2022년 8월~2023년 1월 (약 6개월)
Foodie Express는 가상의 음식 배달 앱 서비스 입니다. 런칭 후 6개월 동안 약 73만 건의 로그가 쌓였고, 서비스의 현황을 점검하고 앞으로의 개선 방향을 찾기 위한 분석이 필요했습니다. 이런 상황 아래, 다음과 같은 순서로 분석을 진행했습니다.
| 컬럼명 | 자료형 |
|---|---|
| event_date | DATE |
| event_timestamp | INTEGER |
| event_name | STRING |
| event_params | ARRAY |
| ├ key | STRING |
| └ value | STRUCT |
| ├ string_value | STRING |
| └ int_value | INTEGER |
| user_id | INTEGER |
| user_pseudo_id | STRING |
| platform | STRING |
- 동적 PIVOT 쿼리로 이벤트별 상이한 파라미터 구조를 일괄 처리해 쿼리 유연성 확보
- 회원/비회원 구분: 비회원(5.95%)은 홈 진입 후 이탈 패턴만 보여 분석 대상에서 제외
- EDA 쿼리
- 유저 방문 패턴: 일회성/간헐적 방문이 다수 (방문 주기 중위수 27일, WAU 고착도 14~15% 유지)
- 주문율 이슈: 연휴 기간 주문율 약 3.5배 급증(연휴 35%, 비연휴 10%)
- 분석 목표: 주문율 개선
3-1. 유저 세분화
| 구분 | 설명 | 비율 |
|---|---|---|
| 일회성 | 재방문 없음 | 26.5% |
| 단기 재방문 | 14일 이내 | 19.4% |
| 중기 재방문 | 15~30일 이내 | 17.1% |
| 장기 재방문 | 30일 초과 | 36.9% |
3-2. 주문 퍼널 정의
- 유입 경로: 카테고리, 추천 메뉴, 근처 식당, 검색, 배너 (5가지)
- 퍼널 단계: 방문 → 탐색 → 장바구니 → 결제
- 퍼널 종류: Open Funnel
- 전환율: 첫 단계 대비 잔존율
| 파트 | 설명 | 소스코드 |
|---|---|---|
| 데이터 전처리 | 이벤트 파라미터 통합 처리 | 1_dynamic_pivot.sql |
| 분석 대상 선정 | 회원/비회원 구분 | 2_analysis_target.sql |
| 분석 테이블 정보 | 테이블 스키마 등 | 3_info.sql |
| EDA | 방문 주기, 주문율 등 계산 | 4_eda.sql |
| 유저 세분화 | 방문 주기 기반 그룹핑 | 5_user_seg_visit_interval.sql |
| 주문 | 주문율 계산, 주문유무에 따른 유저별 주문수 계산 | 6_order_calc.sql |
| 주문 퍼널 | 방문 주기, 유입 시기별 퍼널 분석 | 7_order_funnel.sql |
| 리텐션 | 방문 주기, 유입 시기별 리텐션 | 8_retention.sql |
| EDA/시각화/통계 | EDA, 가설 검증, 시각화 | foodie_viz.ipynb |