- 나이, 성별, 지역 같은 인구 통계 정보를 활용해 해당 집단이 선호하는 상품을 추천하는 방식
- 복잡한 AI 모델 없이 SQL과 Python만으로 구현 가능해 도입 난이도가 낮음
- 상품 자체 속성을 직접 분석하는 게 아니라, 그 상품을 소비한 사용자의 인구 통계를 역으로 활용하는 구조
- 프로세스는 데이터 수집 → 데이터 분석(SQL) → 선호도 계산(Python) → 추천 제공 순으로 이어짐
데이터 수집 : 구매, 찜, 클릭 등 사용자 행동 로그와 나이, 성별, 지역 같은 인구 통계 정보를 함께 수집
데이터 분석(SQL) : 상품별로 특정 인구 집단의 구매 비율을 계산. "20대 여성이 가장 많이 구매한 상품"을 SQL 쿼리로 추출. 구매자 중 특정 집단 비율이 60% 이상이면 해당 집단의 선호 아이템으로 분류하는 것이 일반적
선호도 계산(Python) : 절대 비율만으로는 부족하기 때문에 선호 점수(아이템 구매자 중 특정 집단 비율 / 전체 사용자 중 해당 집단 비율)를 추가로 계산. 예를 들어 선호 점수 2.2는 해당 아이템이 그 집단에게 평균 대비 2.2배 더 소비됐다는 의미. 1.5 이상이면 뚜렷한 선호, 2.0 이상이면 강한 선호로 판단