마케터의 데이터 로그 마케터의 데이터 로그

기존에 했던 관광 데이터와 새롭게 삽입된 외부의 마케팅 데이터셋이프로젝트에 직접적으로 연결되지 않아 두개의 데이터를 매칭하는 방법을 모색했다.우선 같은 분석 프로세스를 적용해보는 방법으로 1차 실험해보았다.[멀티캠퍼스 KDT 데이터 분석가 최종 프로젝트 8주차 수행일지]1. 공통 분석 구조 찾기관광 데이터에서는 누가 방문했는지 어떤 경험을 했지는지 결과를 알 수 있었고외부 마케팅 데이터는 누가 클릭했는지 어떤 행동을 전환했는지 알 수 있었다.둘다 세그먼트에서 연령, 성별, 국가, 키워드와 성과지표인 방문, 전환, ROI 구조를 가지고 있다. 2. 매칭하기지금까지 한 프로젝트(관광 데이터) 외부 마케팅 데이터셋 매칭 방문객 수, 국가별/연령별 특성광고 노출수(Impressions), 세그먼트별 클릭"규모 ..

이번 주에는 최종 프로젝트를 심화하기 위해,분석 중간 결과를 정리하고 슬라이드를 만들고 중간 발표 준비를 했다. [멀티캠퍼스 KDT 데이터 분석가 최종 프로젝트 7주차 수행일지] 슬라이드 제작데이터를 기반으로 한 분석 과정을 구조화하고,중간까지의 성과를 발표용 자료로 다듬었다. 문제 정의 → 데이터 소개 → 분석 프로세스 → 중간 인사이트 → 확장 방향까지하나의 흐름으로 연결했다. 확장 계획 수립그동안 외부에 있는 A/B 테스트 시뮬레이션을 벤치마킹해서현재 프로젝트와 연결된 점없이 실무 위주로 진행했다. 앞으로는 이 외부 시뮬레이션와 본 프로젝트를 연결된 점을 찾고A/B 테스트 시뮬레이션을 통해 실제 마케팅 메시지 효과를 검증할 예정이다. 예를 들어, 20대에게는 K-팝 중심의 SNS 캠페인을,30~4..

이번 주에는 광고 캠페인 데이터 분석 프로세스 시뮬레이션을 했다.실제 캠페인 데이터가 없어서 Kaggle 공개 데이터셋을 활용해광고 캠페인 성과 분석 프로세스를 시뮬레이션 했다. 실제 캠페인 데이터가 없더라도, 동일한 분석 과정을 연습해두면실무에서는 데이터만 교체해 바로 적용할 수 있다.[멀티캠퍼스 KDT 데이터 분석가 최종 프로젝트 6주차 수행일지] 1. 데이터 불러오기 & 기본 확인import pandas as pddf = pd.read_csv("/content/KAG_conversion_data.csv")df.head() 2. 전환 퍼널 지표 계산 (CTR, CVR, CAC)df["CTR"] = df["Clicks"] / df["Impressions"]df["CVR"] = df["Conversion..

4주차에는 광고 예산과 인력이 무한하지 않다는 점을 고려하여,우선 가장 효율이 높은 고객 세그먼트를 선별해야 한다고 판단했다. 이에 따라 5주차에는 데이터를 기반으로 분석을 진행해,어떤 그룹을 우선 공략했을 때 ROI가 가장 높을지를 도출했다.[멀티캠퍼스 KDT 데이터 분석가 최종 프로젝트 5주차 수행일지]1. 데이터 준비import pandas as pddf = pd.read_csv("tourist_data.csv")df.head()데이터 출처: 외래관광객 조사 2분기 잠정치주요 변수: 점유율, 성장률, 만족도, 방문객 규모 2. ROI 점수 산출from sklearn.preprocessing import MinMaxScalerscaler = MinMaxScaler()df[['점유율_n','성장률_n'..

3주차에는 시장 점유율 분석을 통해20~30대 여성과 60대 남성이라는 핵심 세그먼트를 도출했고,4주차에는 규모와 성장률을 반영해 우선순위를 점수화함으로써우선 공략해야 할 세그먼트를 명확히 알 수 있었다.[멀티캠퍼스 KDT 데이터 분석가 최종 프로젝트 4주차 수행일지]1. 월별 세그먼트 피처테이블 확정# ① 방문객 원천 불러와 월별 세그먼트 집계visit_raw = load_csv(RAW_VISIT, encoding='cp949')visit_m = make_visit_month(visit_raw) # ['월','성별','연령별','목적별','방문객']# ② 2023/2024 연도별 세그먼트 합계, 점유율·성장률 계산visit_m['연도'] = pd.to_datetime(visit_m['월']).dt.y..

이번 주차는 한국관광공사 월별 상세 데이터(성별·연령·목적) 중심으로방한 외래관광객의 성별·연령·목적별 패턴을 파악하고,세그먼트별 규모×성장률을 정량화해마케팅 타깃 우선순위를 정했다. [멀티캠퍼스 KDT 데이터 분석가 최종 프로젝트 3주차 수행일지] 3주차 프로젝트 개요:방문객 데이터 정제(연-월→연도), 성별/연령/목적 교차분석규모지수×성장지수 기반 세그먼트 우선순위 점수 도출히트맵(성별×목적, 연령×목적)으로 집중 타깃 포인트 시각화분석 결과:여성 21–30세 관광이 최대 규모 & 높은 성장(Large & Fast)남성 61세 이상/20세 이하 관광이 고성장 니치(Niche & Fast)남성 관광/쇼핑 목적 전 연령대가 전년 대비 플러스 성장마케팅 액션메인: 여성 20–40대 관광 페르소나 우선 ..

프로젝트 주제는 관광 데이터 기반 외국인 관광객 특성별 패턴 분석이다. 이 주제를 선택한 이유는 거시적(국가 정책) → 중간(기업/시장) → 미시적(고객 경험) 측면에서 볼 때 관광마케팅은 필요하다.마케팅 실무 + 정부기관 프로젝트 모두에 관심이 있는데, 이 주제는 두 영역을 동시에 포함할 수 있어서 선택했다. 거시적 관점: 국가 정책 & 글로벌 트렌드 최근 정부와 지자체는 외국인 관광객 유치를 국가적 과제로 삼고 있다. 문화체육관광부와 한국관광공사는 외래관광객 유치를 위해 도약을 준비 중이고,서울 / 부산 / 제주/ 전주 / 경북 지자체는 “세분화된 관광객 타겟팅 + 맞춤형 캠페인” 전략을 추진 중이다. 관광 산업은 단순한 여행 서비스가 아니라 국가 이미지, 지역 경제, 고용 창출까지 직결되는 산업으로..

데이터분석가 부트캠프 수업이시작된 지 얼마 되지 않은 것 같은데,벌써 첫 프로젝트에 들어갔다... 주제는 자유였지만,막상 시작하려니 “무엇을 분석해야 재밌고, 실무에도 연결될까?”라는 고민이 컸다. 그리고 대학원 수업과 병행해야 하다 보니어쩔 수 없이 조별 없이나 혼자서 프로젝트를 진행해야 하기 때문에해야 할 일이 산더미 같다... 그래도 꾸준하게 주제를 탐색한 끝에여행 관광 리뷰를 통해외국인 관광객 유치에도움을 줄 수 있는 주제로 선택하게 됐다. 데이터 생성 → 전처리 → 의도 라벨링 → 감정 점수 부여 → 시각화까지,짧지만 실무 아이디어로 확장 가능한 과정을 간략하게 정리했다. 아직 프로젝트 초반이라완성도는 높지는 않지만초반 틀만 다져보자 하는 마음으로 적어봤다. 데이터 & 전처리HTML, URL,..