멋쟁이사자처럼 부트캠프 그로스마케팅 4기 32일차_260423

Growth Marketing Bootcamp · Day 16

다중회귀분석 실습 & 군집 분석(K-Means) 입문

광고비로 판매량을 예측하고, 리드를 핫/워밍/콜드로 자동 분류하기

Part 1. 다중회귀분석 실습 — 광고비로 판매량 예측하기

어제 개념을 배웠으니 오늘은 바로 실습입니다. 데이터셋은 Advertising 데이터로, TV · 라디오 · 신문 광고비 지출이 제품 판매량에 얼마나 영향을 주는지 분석합니다. 목표는 딱 하나: "앞으로 어떤 채널에 예산을 쓰면 판매량이 가장 많이 오를까?"를 모델로 예측하는 것입니다.

STEP 0 라이브러리 불러오기

Day16.ipynbPython

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score

라이브러리별 역할

• pandas: 데이터를 엑셀 표처럼 다루는 도구. df라는 변수에 데이터를 담아 처리합니다.
• train_test_split: 데이터를 "공부용"과 "시험용"으로 나눠주는 함수. 시험 문제를 미리 알려주면 진짜 실력을 알 수 없듯이, 모델도 학습 데이터로는 평가할 수 없습니다.
• LinearRegression: 선형 회귀 모델. y = ax + b 형태의 관계를 찾아줍니다.
• MAE · MSE · R²: 모델이 얼마나 틀렸는지 측정하는 성적표.

STEP 1–2 데이터 불러오기 & 확인

Day16.ipynbPython

# 1. 데이터 불러오기
url = "https://www.statlearning.com/s/Advertising.csv"
df = pd.read_csv(url)

if "Unnamed: 0" in df.columns:
    df = df.drop(columns=["Unnamed: 0"])

# 2. 데이터 확인
print("데이터 크기:", df.shape)   # (200, 4)
df.head()
df.describe()

함수 설명

• df.shape: (행 수, 열 수)를 반환. (200, 4)라면 200개 데이터, 4개 변수.
• df.head(): 첫 5행만 미리 봄. 데이터가 제대로 들어왔는지 확인용.
• df.describe(): 평균, 표준편차, 최솟·최댓값 등 기초 통계. TV 예산 평균 약 147,000달러, 판매량 평균 약 14,000개를 이 단계에서 파악합니다.
• "Unnamed: 0" 제거: CSV에 불필요한 행 번호가 컬럼으로 들어오는 경우에 자주 보이는 패턴. 있으면 지워주세요.

컬럼	내용
TV	TV 광고 예산 (단위: 1,000달러)
radio	라디오 광고 예산
newspaper	신문 광고 예산
sales	제품 판매량 (단위: 1,000개) ← 우리가 예측할 값

STEP 3 독립변수(X)와 종속변수(y) 분리

Day16.ipynbPython

X = df[["TV", "radio", "newspaper"]]   # 독립변수: 우리가 조절할 수 있는 것
y = df["sales"]                          # 종속변수: 우리가 예측하고 싶은 것

수식으로 이해하기
sales = β₀ + β₁×TV + β₂×radio + β₃×newspaper + ε

β₀(절편): 광고를 전혀 안 해도 나오는 기본 판매량
β₁, β₂, β₃: 각 채널 광고비 1단위 증가 시 판매량 변화량
ε(엡실론): 모델이 설명하지 못하는 나머지 오차

STEP 4 학습용 / 테스트용 데이터 분리

Day16.ipynbPython

X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.2,       # 전체의 20%를 테스트용으로
    random_state=42     # 결과를 고정 (팀원과 같은 숫자 쓰면 동일 결과)
)

왜 데이터를 나눌까요?
시험 문제를 미리 알려주고 시험을 보면 공부를 잘 한 건지 알 수 없습니다. 모델도 마찬가지로, 학습에 쓴 데이터로 평가하면 진짜 예측 능력을 알 수 없습니다. 200개 중 160개(80%)로 학습하고, 나머지 40개(20%)로 평가합니다.

STEP 5–6 모델 학습 & 예측

Day16.ipynbPython

# 5. 모델 학습
model = LinearRegression()
model.fit(X_train, y_train)     # "이 데이터로 공부해"

# 6. 예측
y_pred = model.predict(X_test) # 테스트 X 넣어서 sales 예측

STEP 7 성능 평가 & 결과 해석 ★

이 단계가 가장 중요합니다. 모델이 "얼마나 잘 맞히는지"와 "어떤 채널이 판매량에 가장 큰 영향을 주는지"를 확인합니다.

Day16.ipynbPython

# 성능 지표 계산
mae  = mean_absolute_error(y_test, y_pred)
mse  = mean_squared_error(y_test, y_pred)
rmse = mse ** 0.5
r2   = r2_score(y_test, y_pred)

# 회귀계수 출력
print("절편(intercept):", round(model.intercept_, 3))
for col, coef in zip(X.columns, model.coef_):
    print(f"  - {col}: {round(coef, 3)}")

print("MAE :", round(mae, 3))
print("RMSE:", round(rmse, 3))
print("R²  :", round(r2, 3))

출력 결과
절편: 2.979  |  TV: 0.045  |  radio: 0.189  |  newspaper: 0.003

7-1. 회귀계수 해석 — "어느 채널이 효율적인가?"

계수	값	해석
절편 β₀	2.979	광고 없이도 기대되는 기본 판매량 약 2,979개
TV β₁	0.045	TV 광고비 1,000달러 증가 → 판매량 약 45개 증가
radio β₂	0.189	라디오 광고비 1,000달러 증가 → 판매량 약 189개 증가
newspaper β₃	0.003	신문 광고비 증가 → 판매량 거의 변화 없음

마케터 인사이트: 라디오 계수(0.189)가 TV(0.045)보다 약 4.2배 높습니다. 같은 금액을 써도 라디오가 훨씬 효율적이라는 뜻입니다. 신문 광고 예산을 줄여 라디오에 몰아주는 것이 데이터상 최적 전략입니다.

7-2. 평가 지표 해석 — "모델이 얼마나 잘 맞히는가?"

MAE

1.461

예측이 실제 판매량과 평균 약 1,461개 차이. 판매량 평균(14,000개) 대비 약 10% 오차 → 꽤 정확

RMSE

1.782

큰 오차에 더 많은 벌점 부여. MAE와 차이가 작아 모델이 안정적임을 뜻함

R²

0.899

광고비 데이터만으로 판매량 변동의 89.9% 설명 가능. 마케팅 분석에서 0.7 이상이면 우수

세 지표 한눈에 비교

• MAE: "평균적으로 얼마나 틀렸나?" → 이상치에 덜 민감, 낮을수록 좋음
• RMSE: "큰 실수에 더 많은 벌점" → 이상치 탐지에 유용, MAE와 비교해서 봄
• R²: "내 모델이 데이터를 얼마나 설명하나?" → 1에 가까울수록 좋음. 변수를 많이 넣을수록 올라가므로 단독으로만 믿으면 안 됨.

STEP 8 광고 예산 시나리오로 미래 예측

Day16.ipynbPython

scenarios = pd.DataFrame({
    "시나리오": ["A (현재)", "B (라디오 집중)", "C (TV 집중)"],
    "TV":        [100, 50,  200],
    "radio":     [20,  80,  10],
    "newspaper": [30,  10,  10]
})

X_scenarios = scenarios[["TV", "radio", "newspaper"]]
scenarios["예상 판매량"] = model.predict(X_scenarios).round(2)

시나리오	TV	radio	newspaper	예상 판매량
A (현재)	100	20	30	11,313개
B (라디오 집중)	50	80	10	20,379개 ★
C (TV 집중)	200	10	10	13,845개

핵심 인사이트: 예산 총액이 같아도 어디에 쓰느냐에 따라 결과가 크게 달라집니다. 라디오에 집중 투자한 B안이 현재(A안) 대비 약 80% 판매량이 더 많습니다. 이것이 바로 회귀분석을 마케팅에 써야 하는 이유입니다.

---

Part 2. 군집 분석(Clustering) 개요

회귀분석은 "숫자를 예측"했다면, 군집 분석은 "비슷한 것끼리 자동으로 묶는" 작업입니다. 정답(레이블) 없이 데이터 스스로 패턴을 찾는 비지도 학습(Unsupervised Learning)입니다.

마케터에게 왜 필요한가?
리드 수백 명을 직관으로 분류하는 건 한계가 있습니다. "이 사람은 진지한 리드 같아 보여"라는 주관적 판단 대신, 알고리즘이 데이터를 보고 비슷한 사람끼리 자동으로 묶어줍니다. 리드 세그멘테이션, 콘텐츠 개인화, 채널 최적화 모두 여기서 출발합니다.

K-Means 알고리즘이란?

오늘 사용할 알고리즘입니다. K개의 그룹으로 나눠달라고 미리 알려주면, 중심점을 반복적으로 옮겨가며 최적의 군집을 찾습니다.

K-Means 알고리즘 작동 흐름: 4단계를 수렴할 때까지 반복

군집 분석 시작 전 반드시 알아야 할 7가지

코드를 짜기 전에 이 개념들을 이해하지 않으면, 코드를 실행해도 왜 이렇게 하는지 모른 채 넘어가게 됩니다.

1

K-Means는 수치형 데이터만 다룰 수 있다

K-Means는 내부적으로 두 점 사이의 거리를 계산합니다. "마케터"와 "개발자" 사이의 거리는 잴 수 없으니, 텍스트를 숫자로 바꾸는 인코딩(Encoding)이 먼저 필요합니다.

2

스케일링(정규화)은 공정한 비교를 위해 필요하다

체류시간은 0~300초, CTA클릭은 0~1 범위입니다. 그대로 넣으면 체류시간이 압도적으로 큰 영향을 미칩니다. StandardScaler로 모든 컬럼의 범위를 평균 0, 표준편차 1로 통일합니다.

3

K(클러스터 수)는 알고리즘이 알아서 정하지 않는다

"몇 개 그룹으로 나눌지"는 사람이 직접 정해야 합니다. 이를 돕기 위해 엘보우 방법(Elbow Method)을 씁니다. K를 늘리면서 오차(Inertia) 감소폭이 급격히 줄어드는 "팔꿈치" 지점을 최적 K로 선택합니다.

4

군집 결과의 해석은 사람이 한다

알고리즘은 "클러스터 0", "클러스터 1" 같은 번호만 붙입니다. "이 그룹은 핫 리드", "이 그룹은 콜드 리드"라고 이름 짓고 마케팅 전략을 연결하는 것은 마케터의 몫입니다.

5

결측값(빈칸)은 반드시 처리해야 한다

K-Means는 빈칸이 있으면 계산을 거부합니다. 오늘 실습에서는 가장 단순한 방법인 평균값으로 채우기를 사용합니다.

6

군집 분석은 비지도 학습이다

정답 없이 데이터가 스스로 패턴을 찾습니다. 따라서 군집 결과를 "맞다/틀리다"로 평가할 수 없고, "클러스터 내부는 얼마나 비슷한가"와 "클러스터 간 차이는 얼마나 뚜렷한가"로 판단합니다.

7

어떤 컬럼을 넣느냐가 결과를 결정한다

행동 데이터(체류시간, 스크롤, CTA클릭)만 넣으면 행동 패턴 기준으로, 폼 데이터(직무, 회사규모)만 넣으면 속성 기준으로 나뉩니다. 오늘 실습에서는 둘 다 포함합니다.

---

Part 3. 군집분석 실습 — 리드 30명을 자동 분류하기

가상의 리드 30명 데이터를 이용합니다. 컬럼은 크게 두 종류입니다.

• 폼 데이터: 직무, 회사규모, 관심주제, 도입시기, 현재상황, 연락수단
• 행동 데이터: 유입채널, 체류시간_초, 스크롤깊이_%, CTA클릭, 폼제출, 재방문, 후속메시지반응

실습 01 라이브러리 & 데이터 불러오기

Day16.ipynbPython

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA

# Colab 한글 폰트 설정
!apt-get install -y fonts-nanum -qq
plt.rcParams['font.family'] = 'NanumGothic'

# 리드 데이터 30명 딕셔너리로 직접 입력 후 DataFrame 변환
df = pd.DataFrame(data)
print(df.shape)   # (30, 13)

새로 등장한 라이브러리

• LabelEncoder: 텍스트 카테고리를 숫자로 변환. 알파벳/가나다 순으로 0, 1, 2... 배정.
• StandardScaler: 모든 컬럼의 범위를 평균 0, 표준편차 1로 통일.
• KMeans: K-Means 군집 분석 모델.
• PCA: 12개 차원 → 2개로 압축해서 2차원 그래프로 시각화할 때 사용.

실습 02 데이터 탐색 (EDA)

분석 전에 데이터의 전체적인 모양을 파악하는 단계입니다. 이 단계를 생략하면 이상한 데이터가 들어간 줄도 모르고 분석을 진행하게 됩니다.

Day16.ipynbPython

# 2-1. 데이터 타입 & 결측값 확인
df.info()
# → Non-Null Count가 모두 30 = 빈칸 없음
# → object 7개 (텍스트, 나중에 인코딩 필요), int64 6개

# 2-2. 수치형 컬럼 기초 통계
num_cols = ['체류시간_초', '스크롤깊이_%', 'CTA클릭',
            '폼제출', '재방문', '후속메시지반응']
df[num_cols].describe()

# 2-3. 카테고리형 분포 확인
for col in ['직무', '현재상황', '유입채널', '도입시기']:
    print(df[col].value_counts())

# 2-4. 주요 컬럼 시각화 (2행 3열 = 6개 그래프)
fig, axes = plt.subplots(2, 3, figsize=(15, 8))

EDA에서 발견한 것들: 마케터가 12명으로 가장 많고, 검색(SEO) 유입이 절반(12명)입니다. 도입 시기를 보면 1개월 이내 + 1~3개월이 전체 63%로, 빠른 도입을 고려하는 리드가 많습니다. 체류시간은 30초~280초로 편차가 크고, 이처럼 값의 분포가 넓을수록 군집 분석이 의미 있는 그룹을 발견할 가능성이 높습니다.

실습 03 전처리 = 인코딩 + 스케일링 ★

인코딩 → 스케일링 → K-Means 순서로 전처리합니다

Day16.ipynbPython

# 3-1. 인코딩 (텍스트 → 숫자)
df_processed = df.copy()    # 원본 보존!

cat_cols = ['직무', '회사규모', '관심주제',
            '도입시기', '현재상황', '연락수단', '유입채널']

label_encoders = {}   # 나중에 복원할 때 쓸 딕셔너리
for col in cat_cols:
    le = LabelEncoder()
    df_processed[col] = le.fit_transform(df_processed[col])
    label_encoders[col] = le

# 변환 확인 (가나다 순: 개발자=0, 기획자=1, 대표=2, 마케터=3, 영업=4)
label_encoders["직무"].inverse_transform([0,1,2,3,4])

주의: 인코딩한 숫자 간 대소 관계는 아무 의미가 없습니다. 마케터(3)가 개발자(0)보다 크다는 뜻이 아닙니다. 단지 구분을 위한 번호입니다. 더 정밀한 머신러닝을 위해서는 One-Hot Encoding을 써야 하지만, 오늘 실습에서는 Label Encoding을 사용합니다.

Day16.ipynbPython

# 3-2. 스케일링 (범위 통일)
feature_cols = ['직무', '회사규모', '관심주제', '도입시기', '현재상황',
                '유입채널', '체류시간_초', '스크롤깊이_%',
                'CTA클릭', '폼제출', '재방문', '후속메시지반응']

X = df_processed[feature_cols]
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

스케일링 결과 확인

• 체류시간_초 스케일링 전: 30초 ~ 280초 (범위 250)
• 체류시간_초 스케일링 후: -1.34 ~ 1.68 (범위 약 3)
• CTA클릭 스케일링 전: 0 ~ 1 (범위 1)
• CTA클릭 스케일링 후: -1.14 ~ 0.88 (범위 약 2)
• → 두 컬럼 모두 비슷한 범위로 통일되어 알고리즘이 동등하게 취급합니다.

실습 04 최적 K 찾기 — 엘보우 방법

Day16.ipynbPython

# K를 1~10으로 늘리면서 각 K의 Inertia(오차 합) 계산
inertia_list = []

for k in range(1, 11):
    kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
    kmeans.fit(X_scaled)
    inertia_list.append(kmeans.inertia_)
    print(f" K={k} | Inertia: {kmeans.inertia_:.1f}")

# 엘보우 그래프 그리기
plt.plot(range(1, 11), inertia_list, 'bo-', linewidth=2)
plt.axvline(x=3, color='red', linestyle='--', label='권장 K=3')
plt.show()

Inertia란?

• 각 데이터가 자신이 속한 클러스터 중심점과 얼마나 멀리 떨어져 있는지의 합계입니다.
• K가 클수록 Inertia는 항상 줄어듭니다. (K=30이면 각자가 클러스터가 되어 0이 됨)
• 감소폭이 급격히 줄어드는 "팔꿈치" 지점이 최적 K입니다. 이번 실습에서는 K=3이 해당합니다.

실습 05 K-Means 모델 학습

Day16.ipynbPython

K = 3
kmeans = KMeans(n_clusters=K, random_state=42, n_init=10)
kmeans.fit(X_scaled)

# 각 리드에 클러스터 번호 배정
df['클러스터'] = kmeans.labels_

print(df['클러스터'].value_counts())
# 클러스터 0: 12명 / 클러스터 1: 11명 / 클러스터 2: 7명

예상 결과 (처음 10명):
마케터 (245초, CTA클릭 O, 폼제출 O) → 클러스터 0 (핫 리드)
대표/창업자 (60초, CTA클릭 X, 폼제출 X) → 클러스터 1 (콜드 리드)
기획자 (130초, CTA클릭 O, 폼제출 X) → 클러스터 2 (워밍 리드)

실습 06 결과 시각화 (PCA 산점도 + 막대그래프)

Day16.ipynbPython

# 6-1. PCA로 12차원 → 2차원 압축 후 산점도
pca = PCA(n_components=2, random_state=42)
X_2d = pca.fit_transform(X_scaled)

colors = ['#E05C5C', '#4A90D9', '#52A97A']
for i in range(K):
    mask = df['클러스터'] == i
    plt.scatter(X_2d[mask, 0], X_2d[mask, 1],
                c=colors[i], label=f'클러스터 {i}', alpha=0.8, s=100)
plt.legend()
plt.show()

# 6-2. 클러스터별 주요 지표 막대그래프 비교
fig, axes = plt.subplots(1, 3, figsize=(14, 5))
df.groupby('클러스터')['체류시간_초'].mean().plot(kind='bar', ax=axes[0])
df.groupby('클러스터')['스크롤깊이_%'].mean().plot(kind='bar', ax=axes[1])
df.groupby('클러스터')['CTA클릭'].mean().plot(kind='bar', ax=axes[2])
plt.show()

PCA(주성분 분석)란?

• 12개 컬럼 = 12차원 공간. 사람이 볼 수 있는 건 2차원까지입니다.
• PCA는 정보 손실을 최소화하면서 12차원을 2차원으로 압축합니다.
• 시각화 결과에서 색깔별 점들이 뚜렷하게 분리될수록 군집 분석이 잘 된 것입니다.
• 경계 근처의 점은 두 클러스터의 특성을 동시에 갖는 애매한 리드입니다.

군집 분석 결과 — 클러스터별 행동 지표 및 프로필 요약

시각화 해석 방법:
클러스터 0이 체류시간 · 스크롤 · CTA 클릭 모두 높으면 → 고관여도 "핫 리드" 그룹
클러스터 1이 모든 지표에서 낮으면 → 저관여도 "콜드 리드" 그룹
클러스터 2가 중간 어딘가에 위치하면 → "워밍 리드" 그룹
이 차이가 클수록 군집 분석이 의미 있는 결과를 낸 것입니다.

---

오늘의 핵심 정리

주제	핵심 내용
다중회귀분석	광고비(X) → 판매량(y) 예측. 라디오 계수(0.189)가 TV(0.045)의 4배 이상. 예산 배분만으로 판매량 80% 차이.
군집 분석 개념	정답 없이 비슷한 것끼리 묶는 비지도 학습. K는 사람이 직접 결정해야 함.
전처리 순서	결측값 처리 → 인코딩(텍스트→숫자) → 스케일링(범위 통일) → K-Means
엘보우 방법	K를 늘리며 Inertia를 그래프로 그려서 감소폭이 급격히 줄어드는 지점을 최적 K로 선택
PCA 시각화	12차원 → 2차원 압축. 색깔별 점 분리가 뚜렷할수록 군집이 잘 된 것

다음 시간 예고: 클러스터별 상세 프로파일링(핫/워밍/콜드 리드 정의 + 마케팅 전략) 및 이커머스 고객 데이터 군집 분석 실습