본문으로 바로가기

강의

Python을 활용한 고객 세분화

중급기술 수준

업데이트됨 2026. 3.

파이썬으로 고객을 세분화하는 방법을 알아보세요.

무료로 강의 시작

PythonData Manipulation

4시간

17 동영상

55 연습 문제

4,400 XP

21,686

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

오늘날 가장 성공적인 기업은 고객의 니즈를 미리 파악할 만큼 고객을 깊이 이해하는 기업입니다. 데이터 분석가는 이러한 인사이트를 발굴하고, 더 나은 서비스를 위해 고객을 세분화하는 데 핵심적인 역할을 합니다. 이 강의에서는 온라인 소매업체의 익명화된 고객 거래 데이터셋을 사용해, 실제 업무에 바로 적용할 수 있는 고객 세분화와 행동 분석 기법을 배웁니다. 먼저 코호트 분석으로 고객 트렌드를 파악하고, 이어서 해석하기 쉬운 고객 세그먼트를 만드는 방법을 학습합니다. 나아가 만든 세그먼트를 Machine Learning에 바로 사용할 수 있도록 준비합니다. 마지막으로, 몇 줄의 코드만으로 k-means 클러스터링을 적용해 세그먼트를 한층 강력하게 만들어 봅니다. 이 강의를 마치면 실무형 고객 행동 분석과 세분화 기법을 직접 적용할 수 있게 됩니다.

선수 조건

Supervised Learning with scikit-learn

1

Cohort Analysis

In this first chapter, you will learn about cohorts and how to analyze them. You will create your own customer cohorts, get some metrics and visualize your results.

Introduction to cohort analysis

How many customers acquired?

Cohort analysis

Assign daily acquisition cohort

Calculate time offset in days - part 1

Calculate time offset in days - part 2

Cohort metrics

Customer retention

Calculate retention rate from scratch

Calculate average price

Visualizing cohort analysis

Visualize average quantity metric

2

Recency, Frequency, and Monetary Value Analysis

In this second chapter, you will learn about customer segments. Specifically, you will get exposure to recency, frequency and monetary value, create customer segments based on these concepts, and analyze your results.

Recency, frequency, monetary (RFM) segmentation

Calculate spend quartiles (q=4)

Calculate recency deciles (q=4)

Calculating RFM metrics

Largest frequency value

Calculate RFM values

Building RFM segments

Calculate 3 groups for recency and frequency

Calculate RFM Score

Analyzing RFM table

Find average value for RFM score segment

Creating custom segments

Analyzing custom segments

3

Data Preprocessing for Clustering

Once you created some segments, you want to make predictions. However, you first need to master practical data preparation methods to ensure your k-means clustering algorithm will uncover well-separated, sensible segments.

Data preprocessing

Assumptions of k-means

Calculate statistics of variables

Managing skewed variables

Detect skewed variables

Manage skewness

Centering and scaling data

Center and scale manually

Center and scale with StandardScaler()

Pre-processing pipeline

Visualize RFM distributions

Pre-process RFM data

Visualize the normalized variables

4

Customer Segmentation with K-means

In this final chapter, you will use the data you pre-processed in Chapter 3 to identify customer clusters based on their recency, frequency, and monetary value.

Practical implementation of k-means clustering

Run k-means

Assign labels to raw data

Choosing the number of clusters

Calculate sum of squared errors

Plot sum of squared errors

Profile and interpret segments

Prepare data for the snake plot

Visualize snake plot

Calculate relative importance of each attribute

Plot relative importance heatmap

End-to-end segmentation solution

Pre-process data

Calculate and plot sum of squared errors

Build 4-cluster solution

Analyze the segments

Final thoughts

Python을 활용한 고객 세분화

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 Python을 활용한 고객 세분화을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.