실전 데이터 분석 74: 리테일 마트 매장 카테고리별 적재 수량 대비 유실/도난 손실량 및 보안 등급별 억제 효과 분석
📌 강의 개요 (30분 완성)
대형 소매 유통 마트의 연간 재고 실사 기록 데이터셋입니다. 각 매장 코너별 적재된 재고량 대비 실제 분실, 훼손, 도난으로 분류된 손실 수량(LostUnits)을 파악하고 물리 보안 수준(SecurityLevel)의 실질 예방력을 검증합니다.
학습 목표:
- 미발생 품목 0 일괄 대치 (
fillna): 손실 수량이 비어 있는 기록을 유실 미발생 상태인 0으로 보완하여 집계 왜곡을 차단합니다. - 카테고리 및 보안 시너지 분석 (
barplot,boxplot): 코너 품목 종류별 평균 손실 막대 비교 및 보안 CCTV 수준별 손실량 수렴 상자를 대조 분석합니다.
🧐 실무 도메인 지식 가이드 (Domain Knowledge Guide)
🚚 물류 및 공급망 (Logistics & Supply Chain) 물류 및 배송 분석은 재고 입출고 회전율, 운송 지연 시간(Lead Time), 라스트마일 최적 경로 및 재고 손실 관리를 다루는 유통 핵심 분야입니다.
- 재고 실무 리스크(Shrinkage): 창고 관리에서 장부 재고와 실재고의 불일치(유실, 도난)를 진단하여 공급망 보안 비용을 진단합니다.
- 배송 리드타임 지연 분석: 날씨, 도로 상태 등의 다변수가 최종 라스트마일 배송에 미치는 통계적 유효 지연 분 단위(p-value)를 분석합니다.
- 크로스도킹 및 정박 혼잡도: 터미널 내 하역 적체 시간을 최소화하기 위해 운송 차량 유입 스파이크를 분산 배치하고 시간 병목을 완화합니다.
Step 1: 데이터 구조 살펴보기 (Data Overview)
csv_data 폴더에 준비해 둔 inventory_shrinkage.csv 파일을 판다스로 불러옵니다.
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# 그래프 설정 (한글 폰트 및 마이너스 기호 깨짐 방지)
import koreanize_matplotlib
plt.rcParams['axes.unicode_minus'] = False
sns.set_theme(style="whitegrid")
# 로컬 CSV 파일 불러오기
df = pd.read_csv('./inventory_shrinkage.csv')
# 데이터 구조 및 첫 5행 확인
df = pd.read_csv('./inventory_shrinkage.csv')
print(df.info())
print(df.head())
💻 [실행 결과]
<class 'pandas.DataFrame'> RangeIndex: 1000 entries, 0 to 999 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 RecordID 1000 non-null int64 1 Department 1000 non-null str 2 ItemCategory 1000 non-null str 3 TotalUnits 1000 non-null int64 4 LostUnits 985 non-null float64 5 SecurityLevel 1000 non-null str dtypes: float64(1), int64(2), str(3) memory usage: 65.1 KB None RecordID Department ItemCategory TotalUnits LostUnits SecurityLevel 0 740001 Home Budget 1188 16.0 Low 1 740002 Clothing Budget 3886 109.0 Low 2 740003 Clothing Premium 3747 89.0 Low 3 740004 Sports Premium 1060 5.0 High 4 740005 Clothing Budget 2718 58.0 Low
<class ‘pandas.DataFrame’>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 6 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 RecordID 1000 non-null int64
1 Department 1000 non-null str
2 ItemCategory 1000 non-null str
3 TotalUnits 1000 non-null int64
4 LostUnits 985 non-null float64
5 SecurityLevel 1000 non-null str
dtypes: float64(1), int64(2), str(3)
memory usage: 47.0 KB
RecordID Department ItemCategory TotalUnits LostUnits SecurityLevel
0 740001 Home Budget 1188 16.0 Low
1 740002 Clothing Budget 3886 109.0 Low
2 740003 Clothing Premium 3747 89.0 Low
3 740004 Sports Premium 1060 5.0 High
4 740005 Clothing Budget 2718 58.0 Low
```
💡 코드 딥다이브 (Code Deep Dive)
주요 분석 대상 컬럼:
RecordID: 재고 실사 품목 관리 일련 번호Department: 마트 내 관리 부서 (Electronics, Clothing, Beauty, Sports 등)ItemCategory: 해당 상품의 단가 포지션 (Premium: 고가 명품, Standard: 일반, Budget: 저가)TotalUnits: 해당 상품의 총 매장 진열 적재 수량LostUnits: 실사 결과 누락 분실 및 도난당한 유실 수량 (개 단위) (결측치 존재)SecurityLevel: 해당 진열대에 적용된 보안 강도 수준 (High, Medium, Low)
Step 2: 전처리와 결측치 정제 (Preprocess)
현실의 데이터는 항상 누락이 있거나 유효성 정제가 필요합니다. 데이터 전처리 단계에서 결측 상태를 확인하고 올바르게 보정합니다.
# 1. 컬럼별 결측치 개수 확인
print("--- 정제 전 결측치 확인 ---")
print(df.isnull().sum())
# 2. 결측치 전처리 및 대치 수행
df['LostUnits'] = df['LostUnits'].fillna(0)
print(df.isnull().sum())
💻 [실행 결과]
--- 정제 전 결측치 확인 --- RecordID 0 Department 0 ItemCategory 0 TotalUnits 0 LostUnits 15 SecurityLevel 0 dtype: int64 RecordID 0 Department 0 ItemCategory 0 TotalUnits 0 LostUnits 0 SecurityLevel 0 dtype: int64
— 정제 전 결측치 확인 — RecordID 0 Department 0 ItemCategory 0 TotalUnits 0 LostUnits 15 SecurityLevel 0
— 정제 후 결측치 확인 — RecordID 0 Department 0 ItemCategory 0 TotalUnits 0 LostUnits 0 SecurityLevel 0
```
💡 분석가의 통찰 (Analyst’s Insight)
- 0값 일괄 대치의 논리적 타당성: 재고 유실 수량(
LostUnits)이 누락된 품목은 장기 분실이 아예 발생하지 않은 완벽 무결 상태를 의미합니다. 이를 NaN 상태로 내버려 두면 연간 매매 유실률 합계 산출 시 배제되므로 0으로 확실히 정제하여 마트 마진 계산의 기초 데이터를 지켜냅니다.
Step 3: 단변수 분포 분석 (Univariate EDA)
가장 먼저 핵심 변수가 전체 데이터에서 어떤 빈도와 분포를 가졌는지 단일 변수 시각화를 통해 파악해 봅니다.
plt.figure(figsize=(8, 5))
# 단변수 분석 그래프 생성
sns.barplot(data=df, x='ItemCategory', y='LostUnits', palette='autumn', errorbar=None)
plt.title('상품 카테고리별 평균 손실/도난 수량', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 시각화 차트 읽는 법 & 인사이트
- 품목 단가 및 종류별 유실 평균 비교: 고가 상품이나 부피가 작아 숨기기 쉬운 특정 상품 카테고리의 평균 손실량이 저가 일상 용품 코너 대비 눈에 띄게 높게 형성됩니다. 이는 고위험 유실 구역을 타겟팅한 전술적 방어의 기초 증거가 됩니다.
Step 4: 다변수 상관관계 및 이상치 분석 (Multivariate EDA)
두 개 이상의 변수를 동시에 결합하여, 조건에 따른 수치 차이나 독립 변수와 종속 변수 간의 통계적 경향을 분석합니다.
plt.figure(figsize=(9, 6))
# 다변수 분석 그래프 생성
sns.boxplot(data=df, x='SecurityLevel', y='LostUnits', palette='Set1')
plt.title('보안 레벨 등급별 연간 손실/도난 수량 분산', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)
- 물리적 보안 수준이 발휘하는 실질 도난 억제력: 보안 강도가 ‘High’ 등급(CCTV 밀착형 및 전용 잠금장치 탑재)인 진열대의 손실량 분포 박스는 0 부근에 극도로 얇게 압축되어 수렴해 있습니다. 반면 보안이 취약한 ‘Low’ 진열대는 수염 범위가 100개 이상으로 크게 뻗어 나가는 통제력 유실 상태를 적나라하게 실증합니다.
Step 5: 통계적 직관과 해석 (Statistical Logic)
💡 [소매업 감수율(Shrinkage Rate)과 손실 방지(Loss Prevention)의 정량화] … (생략: 소매 감수율 및 보안 투자 효과 산출 공식 설명)
🎯 30분 강의 마무리 및 심화 과제
오늘 우리는 실전 데이터셋을 분석하여 판다스로 데이터를 가공 및 정제하고, 시각화를 활용하여 핵심 변수 간의 통계적 유의성을 검증했습니다. 데이터 속에서 숨겨진 패턴을 올바른 시각으로 탐색하는 능력이 데이터 사이언티스트의 가장 강력한 무기입니다.
📝 심화 과제 (Advanced Challenge)
- 매장 부서(Department)별 총 재고 대비 유실율 산출: 각 부서별
LostUnits.sum() / TotalUnits.sum()유실 비중을 구하여, 가장 감수 관리가 취급 시급한 부서를 요약해 보세요. - 보안 인프라 가치 대비 ROI 평가: 보안 등급이 ‘Low’인 상태에서 ‘High’로 격상 시 방어할 수 있는 평균 손실 재고 가치(개당 $15로 환산)의 잠재 예산을 산정해 보세요.