82. SaaS 요금제 및 제품 가격 정책 분석 실습
실전 데이터 분석 82: SaaS 가입 고객의 사용 계정 수 및 기능 활용도 대비 연간 계약 가치(ACV) 분석
📊 실습 개요 (Tutorial Overview)
기업용 SaaS(Software-as-a-Service) 제품의 요금제 가입 및 계약 데이터셋입니다. 사용 계정 수(UserSeats), 주요 기능 활용률(FeaturesUsed), 할인 조건이 최종 연간 계약 가치(ContractValue)에 미치는 영향을 판정하고 시각화합니다.
🛠️ 핵심 분석 실습 역량 (Core Skills)
- 중앙값 대치 (`fillna`): 통계 수집 결함으로 누락된 기능 활용률을 중앙값(Median)으로 대치하여 이상치 왜곡을 줄입니다.
- 요금제별 계약 가격 및 기능 연동 분석 (`barplot`, `scatterplot`): 시트 규모별 평균 계약 가치와 기능 활용 대비 최종 요금 분포를 다차원으로 시각화합니다.
🧐 실무 도메인 지식 가이드 (Domain Knowledge Guide)
🛍️ 이커머스 및 리테일 (E-commerce & Retail) 이커머스와 리테일 분석은 고객의 라이프 사이클(CLV), 구매 전환 여정, 이탈(Churn) 방지 및 상품 가격 탄력성을 규명하여 매출 성장을 이끄는 분야입니다.
- 고객 평생 가치(CLV): 신규 유입 단가 대비 고객 한 명이 장기적으로 기여하는 누적 가치 분석을 통해 마케팅 효율성을 판정합니다.
- 장바구니 포기(Abandonment) 및 이탈: 이탈 직전 행동 로그(예: 가격 비교 빈도, 핫딜 대기 시간) 분석으로 맞춤형 쿠폰 처방 타겟을 고릅니다.
- 가격 탄력성(Elasticity): 가격의 미세 조정에 따라 판매 수량이 민감하게 변화하는 통계 패턴을 파악하여 적정 할인율을 제안합니다.
Step 1: 데이터 불러오기 및 기본 정보 확인 (Data Load)
제공된 CSV 파일을 분석 컴퓨터로 불러와 로드하고, 컬럼의 타입 및 데이터 구조를 확인합니다.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 한글 폰트 설정
import koreanize_matplotlib
sns.set_theme(style="whitegrid")
# 데이터 로드
df = pd.read_csv('./product_pricing.csv')
print(df.info())
print(df.head())
💻 [실행 결과]
<class 'pandas.DataFrame'> RangeIndex: 1000 entries, 0 to 999 Data columns (total 5 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 TierID 1000 non-null int64 1 UserSeats 1000 non-null int64 2 AnnualDiscount 1000 non-null int64 3 FeaturesUsed 985 non-null float64 4 ContractValue 1000 non-null float64 dtypes: float64(2), int64(3) memory usage: 39.2 KB None TierID UserSeats AnnualDiscount FeaturesUsed ContractValue 0 820001 20 0 17.0 2747.05 1 820002 10 10 29.0 1619.03 2 820003 50 0 31.0 6449.93 3 820004 50 20 25.0 4807.11 4 820005 20 10 26.0 2631.37
RangeIndex: 1000 entries, 0 to 999
Data columns (total 5 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 TierID 1000 non-null int64
1 UserSeats 1000 non-null int64
2 AnnualDiscount 1000 non-null int64
3 FeaturesUsed 985 non-null float64
4 ContractValue 1000 non-null float64
dtypes: float64(2), int64(3)
memory usage: 39.2 KB
TierID UserSeats AnnualDiscount FeaturesUsed ContractValue 0 820001 20 0 17.0 2747.05 1 820002 10 10 29.0 1619.03 2 820003 50 0 31.0 6449.93 3 820004 50 20 25.0 4807.11 4 820005 20 10 26.0 2631.37 ```
Step 2: 결측치 및 데이터 정제 (Data Cleaning)
수집 과정에서 빈칸으로 기록된 결측값(NaN)의 존재 여부를 진단하고, 데이터 도메인 성격에 부합하는 통계 수치 대입 기법으로 정제합니다.
# 1. 컬럼별 결측치 개수 확인
print("--- 정제 전 결측치 확인 ---")
print(df.isnull().sum())
# 2. 결측치 전처리 및 대치 수행
median_feat = df['FeaturesUsed'].median()
df['FeaturesUsed'] = df['FeaturesUsed'].fillna(median_feat)
print(df.isnull().sum())
💻 [실행 결과]
--- 정제 전 결측치 확인 --- TierID 0 UserSeats 0 AnnualDiscount 0 FeaturesUsed 15 ContractValue 0 dtype: int64 TierID 0 UserSeats 0 AnnualDiscount 0 FeaturesUsed 0 ContractValue 0 dtype: int64
UserSeats 0 AnnualDiscount 0 FeaturesUsed 15 ContractValue 0
— 정제 후 결측치 확인 — TierID 0 UserSeats 0 AnnualDiscount 0 FeaturesUsed 0 ContractValue 0 ```
💡 분석가의 통찰 (Analyst’s Insight)
- 기능 활용률 중앙값 대치의 비즈니스 근거: 기능 사용량은 일부 파워 유저들의 대량 탐색으로 인해 평균값 왜곡이 빈번하게 일어납니다. 극단값을 억제하는 중앙값(Median) 대치가 소프트웨어 표준 사용 지표 보정에 더 합당합니다.
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='UserSeats', y='ContractValue', palette='Blues', errorbar=None)
plt.title('가입 계정 수(User Seats)별 평균 연간 계약 가치(ACV)', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 시각화 차트 읽는 법 & 인사이트
- 계정 시트 규모에 따른 계단식 매출 도약: 가입 시트 등급 규모에 비례하여 연간 계약액 막대 높이가 정직하게 큰 단위로 도약합니다. B2B 소프트웨어 시장의 대표적인 과금 모델인 ‘Seat-based Pricing’의 가격 계단 구조가 완벽히 투영되어 있습니다.
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.scatterplot(data=df, x='FeaturesUsed', y='ContractValue', hue='AnnualDiscount', palette='flare', alpha=0.8)
plt.title('기능 사용 종류 수 대비 계약 가치와 할인율 영향', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)
- 기능 활용 비례 가치 상승 및 할인율 분산: 솔루션 내 다양한 기능(FeaturesUsed)을 적극적으로 탐색하는 고객일수록 높은 요금제와 재계약 가치를 유지하는 선형 관계를 그립니다. 연간 할인(AnnualDiscount)이 묶인 고객(진한 붉은색)이 일부 계약 가치 분산 띠의 중하단을 형성하며 프로모션 협상 범위를 가시적으로 입증합니다.
Step 5: 통계적 직관과 해석 (Statistical Logic)
💡 [B2B SaaS 가격 정책과 선형 최적화(Linear Programming)의 원리] 제품의 사용 가격은 단순히 투입 원가의 누적이 아니라, 고객이 체감하는 가치 기반 가격 책정(Value-based Pricing)을 따릅니다.
- 사용 계정(UserSeats)과 핵심 기능(FeaturesUsed)은 제품의 가치를 결정하는 두 가지 중추적인 축입니다. 이들을 변수로 활용하여 OLS 선형 회귀를 돌리면 각 기능 1개 추가 시 고객사 ACV가 평균 몇 달러 증대되는지 가격 민감도 계수($\beta$)를 정량화할 수 있습니다.
- 나아가 선형 최적화 기법을 적용하면, 타겟 계약 고객사 매출을 극대화하기 위한 요금제 구간 설정의 최적 경계를 설계할 수 있습니다.
🎯 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)
- 할인율 유무에 따른 계약 가치 평균 차이 분석: 할인(AnnualDiscount)을 적용받은 고객 집단과 그렇지 않은 집단의 평균
ContractValue차이를 구해 가격 정책의 효과를 진산해 보세요. - 사용자 1인당 단가 파생변수 생성 및 요약: 시트당 연간 가치(
SeatUnit_Value = ContractValue / UserSeats)를 구하고, 계정 규모 등급별로 시트당 단가가 할인되는 체감 지세를 파악하세요.