中文 | English | 日本語 | 한국어 | Русский | Español | العربية | Français | Bahasa Indonesia | Tiếng Việt | Türkçe
홈으로 돌아가기

사용자 재구매 빈도 분포

사용자 소비 빈도 분포 및 월별 재구매 비율 트렌드 분석

Excel 또는 CSV (UTF-8) 파일을 업로드하세요

사용자 ID 열
각 행은 주문을 나타냅니다. 사용자를 고유하게 식별할 수 있는 열을 지정하세요 (예: 회원 번호, 전화번호)
주문일 열
주문이 발생한 날짜, 형식: 2025-01-01 또는 2025/1/1

🔍데이터 필터 (선택사항)

필터 조건을 설정하면 조건에 맞는 데이터만 분석됩니다
正在分析数据，请稍候...
正在处理数据，可能需要几秒钟时间
이 도구에 대해

I. 계산기 소개

사용자 재구매 빈도 분포 계산기는 사용자 소비 빈도 분포와 재구매 행동을 분석하는 전문 도구입니다. 각 사용자의 서로 다른 주문 일수(distinct(order_date))를 통계하여 사용자 그룹의 소비 습관, 활동 수준, 재구매 행동 특성을 깊이 이해하고 사용자 운영 전략과 정밀 마케팅 수립에 데이터 지원을 제공합니다.

핵심 기능

적용 시나리오

대상 고객

이 계산기는 사용자 소비 빈도와 재구매 행동을 분석해야 하는 모든 업계와 시나리오에 적용할 수 있으며, 특히 다음 유형의 고객에 적합합니다:

적용 전제: 귀하의 비즈니스는 사용자 ID와 주문 날짜 데이터를 제공할 수 있어야 하며, 데이터에 사용자의 역사 주문 기록이 포함되어 있어야 합니다.

II. 알고리즘 소개

2.1 핵심 개념

소비 빈도 정의

소비 빈도: 사용자의 역사 주문에서 서로 다른 주문 날짜의 수(count(distinct order_date))이며, 총 주문 수가 아닙니다.

예를 들어:

재구매 정의

재구매: 사용자의 소비 빈도가 1보다 큰 것, 즉 count(distinct order_date) > 1입니다.

예를 들어:

월별 재구매율 정의

월별 재구매율: 지정된 월 내에서 재구매 행동을 가진 사용자 수가 해당 월 전체 사용자 수에 차지하는 비율.

월별 재구매율 = 해당 월 재구매 사용자 수 / 해당 월 전체 사용자 수

여기서 재구매 사용자는 해당 월 내에서 여러 개의 서로 다른 주문 날짜를 가진 사용자(distinct(order_date) > 1)를 의미합니다.

2.2 계산 로직

단계 1: 데이터 전처리

시스템은 데이터를 다음과 같이 처리합니다:

  1. 주문 날짜 파싱: 주문 날짜 문자열을 날짜 객체로 파싱
  2. 무효 데이터 필터링: 사용자 ID 또는 주문 날짜가 누락된 기록 제외
  3. 날짜 중복 제거: 각 사용자에 대해 주문 날짜 집합(Set)을 유지하여 같은 날짜의 중복 주문 자동 제거

단계 2: 사용자 소비 빈도 계산

각 사용자에 대해:

  1. 해당 사용자의 모든 주문 날짜를 수집(Set을 사용하여 자동 중복 제거)
  2. 서로 다른 주문 날짜의 수를 계산: distinct_order_dates = Set.size
  3. 서로 다른 주문 날짜의 수를 해당 사용자의 소비 빈도로 설정

단계 3: 빈도 분포표 구축

시스템은 각 소비 빈도에 해당하는 사용자 수를 통계합니다:

  1. 빈도 그룹화: 소비 빈도(1회, 2회, 3회, 4회, 5회, 6회 이상)로 사용자를 그룹화
  2. 빈도 표시 규칙:
    • 빈도 1-5: 개별 표시, 각 빈도마다 한 줄
    • 빈도 6 이상: 통합하여 "6+"로 표시
  3. 비율 계산: 각 빈도 그룹의 사용자 수가 사용자 총수에 차지하는 비율

단계 4: 전체 재구매율 계산

전체 재구매율:

전체 재구매율 = 소비 빈도 > 1인 사용자 수 / 사용자 총수

단계 5: 월별 재구매율 추세 계산

시스템은 월별로 그룹화하여 재구매율을 계산합니다:

  1. 월별 그룹화: 모든 주문을 월(YYYY-MM 형식)로 그룹화
  2. 월별 재구매율 계산: 각 월에 대해
    • 해당 월에 주문이 있는 모든 사용자 통계
    • 해당 월에 여러 개의 서로 다른 주문 날짜를 가진 사용자(재구매 사용자) 식별
    • 재구매율 = 재구매 사용자 수 / 해당 월 전체 사용자 수 계산
  3. 시간 정렬: 월의 시간 순서로 정렬하여 추세 데이터 생성

단계 6: 결과 표시

  1. 전체 지표:
    • 전체 재구매율: 모든 사용자 중 재구매 행동을 가진 사용자의 비율
  2. 빈도 분포 테이블:
    • 서로 다른 소비 빈도(1회, 2회, 3회, 4회, 5회, 6+회)의 사용자 수와 비율 표시
    • 합계 행을 포함하여 사용자 총수와 총 비율(100%) 표시
  3. 월별 재구매율 추세 차트:
    • 월별로 재구매율의 변화 추세 표시
    • 재구매율의 시간 패턴과 변화 추세를 관찰하기 쉽게 함

2.3 데이터 필터링 규칙

III. 사용 설명 및 주의사항

3.1 데이터 준비

필수 필드

데이터를 가져오기 전에 데이터 파일에 다음 두 필드가 포함되어 있는지 확인하세요:

  1. 사용자 ID (user_id)
    • 설명: 사용자를 고유하게 식별하는 필드(사용자 ID 또는 전화번호)
    • 형식 요구사항: 텍스트 또는 숫자 모두 허용
    • 예시: U001, 12345, 13800138000
  2. 주문 날짜 (order_date)
    • 설명: 사용자가 주문한 날짜
    • 형식 요구사항: 여러 날짜 형식 지원(YYYY-MM-DD, YYYY/MM/DD, MM/DD/YYYY 등)
    • 주의사항: 시스템은 일반적인 날짜 형식을 자동으로 인식합니다. 정확한 파싱을 위해 표준 날짜 형식을 사용하는 것이 좋습니다

데이터 형식 요구사항

3.2 필드 매핑

데이터를 업로드한 후 시스템은 데이터 파일의 열을 다음 필드에 매핑하도록 요청합니다:

3.3 데이터 필터링(선택 사항)

시스템은 주문 날짜 필터링을 지원합니다:

3.4 결과 해석

지표 설명

빈도 분포 분석

추세 분석

3.5 주의사항

⚠️ 중요한 설명

  1. 빈도 계산은 서로 다른 주문 날짜를 기반으로 함:
    • 소비 빈도는 distinct(order_date)를 기반으로 계산됩니다. 즉, 서로 다른 주문 날짜의 수입니다
    • 같은 날 여러 번 주문해도 1회의 빈도로 계산되며, 사용자의 소비 빈도는 증가하지 않습니다
    • 예시: 사용자가 같은 날 3번 주문해도 소비 빈도는 여전히 1입니다. 사용자가 서로 다른 3일에 주문하면 소비 빈도는 3입니다
  2. 재구매 정의:
    • 재구매는 사용자가 여러 개의 서로 다른 주문 날짜를 가진 것(distinct(order_date) > 1)을 의미합니다
    • 같은 날 여러 번 주문해도 재구매로 계산되지 않으며, 서로 다른 날짜의 주문만 재구매로 계산됩니다
    • 권장사항: 이 로직을 이해하면 분석 결과를 올바르게 해석하는 데 도움이 됩니다
  3. 월별 재구매율 계산:
    • 월별 재구매율은 월별로 통계되며, 각 월의 재구매율은 독립적으로 계산됩니다
    • 사용자가 특정 월에 여러 개의 서로 다른 주문 날짜를 가지면 해당 월의 재구매 사용자로 계산됩니다
    • 어떤 월에 데이터가 적은 경우 재구매율이 충분히 정확하지 않을 수 있으므로, 데이터량과 결합하여 분석하는 것이 좋습니다
  4. 데이터 완전성:
    • 사용자 ID 또는 주문 날짜가 누락된 기록은 자동으로 제외됩니다
    • 파싱할 수 없는 주문 날짜는 제외되며, 빈도 계산의 정확성에 영향을 줄 수 있습니다
    • 권장사항: 데이터 준비 단계에서 키 필드가 완전하고 형식이 올바른지 확인하세요

💡 사용 권장사항

  1. 데이터 품질 확인:
    • 업로드 전 데이터 완전성을 확인하고, 사용자 ID와 주문 날짜 필드가 누락되지 않았는지 확인
    • 날짜 형식이 올바른지 확인하여 날짜 파싱 오류 방지
    • 이상 데이터(미래 날짜, 명백히 잘못된 날짜 등)가 있는지 확인
  2. 분석 시간 범위:
    • 사용자 소비 빈도를 정확하게 계산하기 위해 충분한 역사 데이터(최소 3-6개월)를 포함하는 것이 좋습니다
    • 데이터량이 큰 경우 먼저 최근 1-2년의 데이터를 분석하여 단기 추세를 관찰할 수 있습니다
    • 그런 다음 더 긴 역사 데이터로 확장하여 장기 추세와 계절적 패턴을 관찰
  3. 결과 검증:
    • 서로 다른 기간의 빈도 분포를 비교하여 이상 변화 식별
    • 비즈니스 활동 시간과 결합하여 재구매율 변화의 원인 분석
    • 빈도 분포가 비즈니스 기대에 부합하는지 검증하고, 이상이 있으면 추가 조사가 필요합니다
  4. 전략 최적화:
    • 전체 재구매율이 낮은 경우 사용자 접촉을 강화하고, 쿠폰 또는 활동 정보를 푸시하여 사용자 재구매 의향을 향상시키는 것이 좋습니다
    • 저빈도 사용자(빈도 1)의 비율이 너무 높은 경우 이탈 원인을 분석하고 사용자 활성화 전략을 수립하는 것이 좋습니다
    • 고빈도 사용자(빈도 6+)의 비율이 너무 낮은 경우 제품 및 서비스 품질을 최적화하여 사용자 만족도를 향상시키는 것이 좋습니다
    • 월별 재구매율 추세에 따라 마케팅 활동 리듬과 전략 조정

3.6 자주 묻는 질문

Q1: 데이터의 일부 사용자가 통계되지 않는 이유는 무엇입니까?

A: 가능한 이유는 다음과 같습니다:

Q2: 소비 빈도는 어떻게 계산됩니까?

A: 소비 빈도는 서로 다른 주문 날짜의 수를 기반으로 계산됩니다. 즉, count(distinct order_date)입니다. 예를 들어, 사용자가 서로 다른 3일에 주문하면 소비 빈도는 3입니다. 사용자가 같은 날 여러 번 주문하면 소비 빈도는 여전히 1입니다.

Q3: 사용자가 같은 날 여러 번 주문하면 재구매로 계산됩니까?

A: 아닙니다. 재구매의 정의는 사용자가 여러 개의 서로 다른 주문 날짜를 가진 것(distinct(order_date) > 1)입니다. 같은 날 여러 번 주문해도 1개의 주문 날짜로만 계산되므로 재구매로 계산되지 않습니다.

Q4: 월별 재구매율은 어떻게 계산됩니까?

A: 월별 재구매율은 월별로 통계됩니다. 각 월에 대해 시스템은 해당 월에 주문이 있는 모든 사용자를 통계한 다음, 해당 월에 여러 개의 서로 다른 주문 날짜를 가진 사용자(재구매 사용자)를 식별하고, 마지막으로 재구매율 = 재구매 사용자 수 / 해당 월 전체 사용자 수를 계산합니다.

Q5: 빈도 분포 테이블의 "6+"는 무엇을 의미합니까?

A: "6+"는 소비 빈도가 6회 이상인 사용자를 나타냅니다. 시스템은 빈도≥6인 모든 사용자를 통합하여 "6+"로 표시하여 테이블 표시를 단순화합니다. 더 자세한 빈도 분포를 보려면 원시 데이터를 확인할 수 있습니다.

Q6: 사용자 재구매율을 향상시키는 방법은 무엇입니까?

A: 다음 측면에서 시작하는 것이 좋습니다:

IV. 요약

사용자 재구매 빈도 분포 계산기는 과학적인 알고리즘과 직관적인 시각화를 통해 사용자의 소비 빈도 분포와 재구매 행동을 완전히 이해하는 데 도움이 됩니다. 이 도구를 올바르게 사용하면 다음을 수행할 수 있습니다:

질문이나 기술 지원이 필요한 경우 시스템 관리자에게 문의하세요.