====== 비즈니스 통계 분석 실무 가이드 ======

**이 문서는 실제 업무에서 활용할 수 있는 비즈니스 통계 분석 방법과 사례를 다룹니다.**

{{wiki:hr:statistics:business_statistics_1.png?600}}

----
===== 🎯 비즈니스 통계의 중요성 =====

==== 데이터 기반 의사결정 ====

**통계적 사고의 필요성**
  * 직감보다는 데이터로 판단
  * 객관적 근거 기반 의사결정
  * 리스크 관리 및 예측

**비즈니스 가치 창출**
  * 고객 행동 패턴 분석
  * 시장 트렌드 예측
  * 운영 효율성 개선
  * 매출 증대 및 비용 절감

----

===== 📊 고객 분석 (Customer Analytics) =====

==== 고객 세분화 (Customer Segmentation) ====

**RFM 분석**
  * **Recency**: 최근 구매일
  * **Frequency**: 구매 빈도
  * **Monetary**: 구매 금액

**세분화 기준**
  * VIP 고객: 높은 빈도, 높은 금액
  * 충성 고객: 높은 빈도, 중간 금액
  * 신규 고객: 낮은 빈도, 높은 금액
  * 이탈 위험 고객: 낮은 빈도, 낮은 금액

**실무 적용 예시**
<code>
# RFM 점수 계산
customer_data$recency_score <- ifelse(customer_data$days_since_last_purchase <= 30, 5,
                                     ifelse(customer_data$days_since_last_purchase <= 90, 4,
                                     ifelse(customer_data$days_since_last_purchase <= 180, 3,
                                     ifelse(customer_data$days_since_last_purchase <= 365, 2, 1))))

customer_data$frequency_score <- ifelse(customer_data$purchase_count >= 10, 5,
                                       ifelse(customer_data$purchase_count >= 5, 4,
                                       ifelse(customer_data$purchase_count >= 3, 3,
                                       ifelse(customer_data$purchase_count >= 2, 2, 1))))

customer_data$monetary_score <- ifelse(customer_data$total_amount >= 1000000, 5,
                                      ifelse(customer_data$total_amount >= 500000, 4,
                                      ifelse(customer_data$total_amount >= 200000, 3,
                                      ifelse(customer_data$total_amount >= 100000, 2, 1))))

# RFM 점수 합계
customer_data$rfm_score <- customer_data$recency_score + 
                          customer_data$frequency_score + 
                          customer_data$monetary_score
</code>

==== 고객 생애 가치 (Customer Lifetime Value, CLV) ====

**CLV 계산 방법**
  * 과거 구매 데이터 기반
  * 미래 구매 예측 모델
  * 고객 유지율 고려

**CLV 공식**
<code>
CLV = (평균 구매 금액 × 구매 빈도 × 고객 수명) - 고객 획득 비용
</code>

**실무 적용**
  * 마케팅 예산 배분
  * 고객 서비스 우선순위
  * 제품 개발 방향 결정

----

===== 📈 시계열 분석 (Time Series Analysis) =====

==== 트렌드 분석 ====

**계절성 분석**
  * 월별, 분기별 패턴
  * 휴일, 이벤트 영향
  * 업종별 특성 반영

**추세 분석**
  * 장기적 증가/감소 패턴
  * 성장률 계산
  * 예측 모델 구축

**실무 예시: 월별 매출 분석**
<code>
# 시계열 데이터 생성
library(tseries)
library(forecast)

# 월별 매출 데이터
monthly_sales <- ts(sales_data$amount, frequency = 12, start = c(2020, 1))

# 계절성 분해
decomposed_sales <- decompose(monthly_sales)

# 시각화
plot(decomposed_sales)

# ARIMA 모델로 예측
arima_model <- auto.arima(monthly_sales)
forecast_result <- forecast(arima_model, h = 12)
plot(forecast_result)
</code>

==== 예측 모델링 ====

**이동평균법**
  * 단순이동평균 (SMA)
  * 지수가중이동평균 (EMA)
  * 노이즈 제거 효과

**회귀분석 기반 예측**
  * 선형 트렌드 모델
  * 계절성 변수 포함
  * 외부 요인 고려

----

===== 🔍 A/B 테스트 (A/B Testing) =====

==== 실험 설계 ====

**가설 설정**
  * 귀무가설 (H₀): A와 B 간 차이 없음
  * 대립가설 (H₁): B가 A보다 우수함

**표본 크기 결정**
  * 효과 크기 (Effect Size)
  * 유의수준 (α = 0.05)
  * 검정력 (Power = 0.8)

**랜덤화**
  * 무작위 할당
  * 블록화 (Blocking)
  * 층화 (Stratification)

==== 결과 분석 ====

**전환율 비교**
<code>
# 전환율 계산
conversion_rate_A <- sum(group_A$converted) / nrow(group_A)
conversion_rate_B <- sum(group_B$converted) / nrow(group_B)

# 비율 차이 검정
prop_test_result <- prop.test(
  x = c(sum(group_A$converted), sum(group_B$converted)),
  n = c(nrow(group_A), nrow(group_B)),
  alternative = "two.sided"
)

print(prop_test_result)
</code>

**통계적 유의성 판단**
  * p-value < 0.05: 통계적으로 유의
  * 신뢰구간이 0을 포함하지 않음
  * 실질적 의미 고려

----

===== 📊 품질 관리 (Quality Control) =====

==== 통계적 품질 관리 (SQC) ====

**관리도 (Control Charts)**
  * X-bar 차트: 평균 관리
  * R 차트: 범위 관리
  * p 차트: 불량률 관리
  * c 차트: 불량수 관리

**관리 한계선**
<code>
# X-bar 차트 관리 한계선
UCL = X̄ + A₂ × R̄
CL = X̄
LCL = X̄ - A₂ × R̄

# R 차트 관리 한계선
UCL = D₄ × R̄
CL = R̄
LCL = D₃ × R̄
</code>

**실무 적용**
  * 제조 공정 모니터링
  * 서비스 품질 관리
  * 비용 효율성 추적

==== 6시그마 (Six Sigma) ====

**DMAIC 프로세스**
  * **Define**: 문제 정의
  * **Measure**: 측정
  * **Analyze**: 분석
  * **Improve**: 개선
  * **Control**: 관리

**시그마 레벨**
  * 6σ: 99.99966% 정확도
  * 3.4 DPMO (Defects Per Million Opportunities)

----

===== 💰 재무 분석 (Financial Analytics) =====

==== 수익성 분석 ====

**ROI (Return on Investment)**
<code>
ROI = (투자 수익 - 투자 비용) / 투자 비용 × 100%
</code>

**ROAS (Return on Ad Spend)**
<code>
ROAS = 광고로 인한 매출 / 광고 비용
</code>

**고객 획득 비용 (CAC)**
<code>
CAC = 마케팅 비용 / 신규 고객 수
</code>

==== 리스크 분석 ====

**VaR (Value at Risk)**
  * 특정 신뢰수준에서의 최대 손실
  * 포트폴리오 리스크 관리
  * 투자 의사결정 지원

**시나리오 분석**
  * 최악의 경우 (Worst Case)
  * 최선의 경우 (Best Case)
  * 기대치 (Expected Case)

----

===== 🎯 마케팅 분석 (Marketing Analytics) =====

==== 채널 분석 ====

**채널별 성과 측정**
  * 직접 트래픽
  * 유기적 검색
  * 소셜 미디어
  * 이메일 마케팅
  * 유료 광고

**어트리뷰션 모델**
  * First-touch attribution
  * Last-touch attribution
  * Linear attribution
  * Time-decay attribution

==== 캠페인 효과 분석 ====

**전환 퍼널 분석**
  * 인지 (Awareness)
  * 관심 (Interest)
  * 고려 (Consideration)
  * 구매 (Purchase)
  * 재구매 (Repurchase)

**실무 예시: 이메일 캠페인 분석**
<code>
# 이메일 캠페인 성과 분석
email_campaign <- data.frame(
  sent = 10000,
  opened = 2500,
  clicked = 500,
  converted = 50
)

# 주요 지표 계산
open_rate <- email_campaign$opened / email_campaign$sent * 100
click_rate <- email_campaign$clicked / email_campaign$opened * 100
conversion_rate <- email_campaign$converted / email_campaign$clicked * 100

cat("오픈율:", round(open_rate, 2), "%\n")
cat("클릭율:", round(click_rate, 2), "%\n")
cat("전환율:", round(conversion_rate, 2), "%\n")
</code>

----

===== 📋 실무 프로젝트 사례 =====

==== 사례 1: 온라인 쇼핑몰 고객 분석 ====

**문제 상황**
  * 신규 고객 유입은 증가하지만 재구매율 저하
  * 고객 세분화 필요
  * 맞춤형 마케팅 전략 수립

**분석 과정**
<code>
# 1. 데이터 전처리
customer_data <- read.csv("customer_data.csv")
customer_data$purchase_date <- as.Date(customer_data$purchase_date)

# 2. RFM 분석
library(dplyr)
rfm_data <- customer_data %>%
  group_by(customer_id) %>%
  summarise(
    recency = as.numeric(Sys.Date() - max(purchase_date)),
    frequency = n(),
    monetary = sum(purchase_amount)
  )

# 3. 고객 세분화
rfm_data$segment <- case_when(
  rfm_data$recency <= 30 & rfm_data$frequency >= 5 & rfm_data$monetary >= 500000 ~ "VIP",
  rfm_data$recency <= 90 & rfm_data$frequency >= 3 & rfm_data$monetary >= 200000 ~ "충성",
  rfm_data$recency <= 180 & rfm_data$frequency >= 1 & rfm_data$monetary >= 100000 ~ "일반",
  TRUE ~ "이탈위험"
)

# 4. 세그먼트별 분석
segment_analysis <- rfm_data %>%
  group_by(segment) %>%
  summarise(
    count = n(),
    avg_recency = mean(recency),
    avg_frequency = mean(frequency),
    avg_monetary = mean(monetary)
  )
</code>

**결과 및 제언**
  * VIP 고객: 프리미엄 서비스 제공
  * 충성 고객: 리워드 프로그램 강화
  * 이탈위험 고객: 재활성화 캠페인

==== 사례 2: 제품 품질 개선 프로젝트 ====

**문제 상황**
  * 제품 불량률 5%에서 2% 이하로 개선 필요
  * 생산 공정 최적화
  * 비용 효율성 확보

**분석 과정**
<code>
# 1. 불량 데이터 수집
defect_data <- read.csv("defect_data.csv")

# 2. 불량 유형별 분석
defect_analysis <- defect_data %>%
  group_by(defect_type) %>%
  summarise(
    count = n(),
    percentage = n() / nrow(defect_data) * 100
  ) %>%
  arrange(desc(count))

# 3. 파레토 차트
library(ggplot2)
ggplot(defect_analysis, aes(x = reorder(defect_type, -percentage), y = percentage)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  geom_line(aes(y = cumsum(percentage)), color = "red", size = 1) +
  labs(title = "불량 유형별 파레토 차트", x = "불량 유형", y = "비율 (%)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
</code>

**개선 결과**
  * 주요 불량 원인 3개 해결
  * 불량률 5% → 1.8% 개선
  * 연간 비용 절감 2억원

----

===== 💡 실무 적용 팁 =====

==== 데이터 수집 전략 ====

**정확한 데이터 수집**
  * 측정 목적 명확화
  * 일관된 데이터 형식
  * 데이터 품질 검증

**실시간 모니터링**
  * 대시보드 구축
  * 알림 시스템
  * 예외 상황 대응

==== 결과 해석 및 커뮤니케이션 ====

**비즈니스 관점 해석**
  * 통계적 유의성 + 실질적 의미
  * ROI 관점에서의 평가
  * 리스크와 기회의 균형

**스토리텔링**
  * 데이터를 이야기로 전환
  * 시각적 자료 활용
  * 행동 가능한 인사이트 제공

----

===== 🔗 관련 문서 =====

  * [[wiki:hr:statistics:statistics_glossary|통계 용어집]]
  * [[wiki:hr:statistics:r_programming_guide|R 프로그래밍 가이드]]
  * [[wiki:hr:excel:excel_vba|Excel VBA 가이드]]

----

===== 📚 추가 학습 자료 =====

**도서**
  * "데이터 기반 의사결정" - 김영수
  * "비즈니스 통계학" - 이민호
  * "마케팅 분석" - 박지원

**온라인 강의**
  * Coursera: "Business Statistics and Analysis"
  * edX: "Data Science for Business"
  * Udemy: "Marketing Analytics"

----

> **💡 팁**: 비즈니스 통계는 복잡한 수식보다는 실무 적용에 초점을 맞추세요. 작은 개선부터 시작해서 점진적으로 고도화된 분석을 도입하는 것이 성공의 비결입니다!