- 전체 고객을 비슷한 성향이나 특성을 가진 그룹으로 나누는 작업
- 모든 고객에게 같은 메시지를 보내는 대신 그룹별로 맞춤 전략을 설계할 수 있어 마케팅 효과가 크게 달라짐
- 개인화 추천, 타겟 마케팅, 리텐션 전략 등 데이터 기반 의사결정의 출발점
- 프로세스는 데이터 준비 → 클러스터링 알고리즘 적용 → 세분화 결과 및 해석 순으로 이어지며, Airflow·Prefect로 고객 행동 변화를 감지해 자동 갱신
데이터 준비 : 고객 프로파일링에서 만들어진 고객 단위 테이블을 그대로 활용. 방문 빈도, 구매 금액, 상품 선호도 등 수치 정보를 Python, pandas로 가공. 클러스터링 알고리즘은 변수 스케일에 민감해서 표준화와 정규화 전처리가 필수
클러스터링 알고리즘 : 미리 정해놓은 기준 없이 컴퓨터가 비슷한 고객끼리 자동으로 묶어주는 방식. K-Means는 그룹 수를 사전에 설정하고 중심점을 반복 계산하는 가장 일반적인 방법. DBSCAN은 그룹 수를 미리 정하지 않아도 되고 밀집도 기준으로 자연스럽게 그룹을 형성. 계층적 클러스터링은 그룹 간 관계를 트리 구조로 보여주므로 다양한 수준의 세분화를 검토할 수 있음. 모두 scikit-learn으로 구현 가능
세분화 결과 및 해석 : 분석 결과로 충성 고객군, 신규 고객군, 잠재 이탈군, 비활성 고객군 등으로 분류. 각 그룹별 주요 변수 평균값을 비교해 특성을 파악하고, 그룹에 맞는 마케팅 전략 수립에 활용. 예를 들어 충성 고객군에는 VIP 혜택, 잠재 이탈군에는 할인 쿠폰 같은 식으로 전략을 달리함