99. 피트니스 클럽 회원 연장 및 Churn 이탈 분석 실습
실전 데이터 분석 99: 피트니스 헬스장의 월 방문 빈도 및 단체 수업 참여 여부 대비 회원권 연장 재등록 예측 분석
📊 실습 개요 (Tutorial Overview)
스포츠 피트니스 헬스 클럽 회원의 결제 계약 유지 로그 데이터셋입니다. 회원의 월평균 헬스장 방문 빈도(MonthlyVisits), 가입 유지 기간(MembershipDuration_Months), 단체 요가/스피닝 수업 이수 여부(ClassParticipation)가 최종 회원권 만기 시 재등록 연장(Renewed)에 미치는 잔존 가치를 판독합니다.
🛠️ 핵심 분석 실습 역량 (Core Skills)
- 결측치 상수 대치 (`fillna`): 게이트 출입 태깅 장애로 유실된 회원 방문 횟수를 미방문 처리하여
0회로 안정적 정제합니다. - 단체 GX 참가별 재등록 빈도 및 회원 연차별 방문 상자 대조 (`countplot`, `scatterplot`): 단체 수업 참여별 연장 카운트 막대 및 가입 기간 대비 월 방문의 재등록 분산 산점도를 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('./fitness_club_churn.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 MemberID 1000 non-null int64 1 MonthlyVisits 985 non-null float64 2 MembershipDuration_Months 1000 non-null int64 3 ClassParticipation 1000 non-null int64 4 Renewed 1000 non-null str dtypes: float64(1), int64(3), str(1) memory usage: 41.9 KB None MemberID MonthlyVisits ... ClassParticipation Renewed 0 990001 16.0 ... 0 No 1 990002 6.0 ... 0 No 2 990003 19.0 ... 0 Yes 3 990004 22.0 ... 1 Yes 4 990005 20.0 ... 0 Yes [5 rows x 5 columns]
RangeIndex: 1000 entries, 0 to 999
Data columns (total 5 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 MemberID 1000 non-null int64
1 MonthlyVisits 985 non-null float64
2 MembershipDuration_Months 1000 non-null int64
3 ClassParticipation 1000 non-null int64
4 Renewed 1000 non-null str
dtypes: float64(1), int64(3), str(1)
memory usage: 39.2 KB
MemberID MonthlyVisits MembershipDuration_Months ClassParticipation Renewed 0 990001 16.0 21 0 No 1 990002 6.0 28 0 No 2 990003 19.0 9 0 Yes 3 990004 22.0 31 1 Yes 4 990005 20.0 23 0 Yes ```
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
df['MonthlyVisits'] = df['MonthlyVisits'].fillna(0)
print(df.isnull().sum())
💻 [실행 결과]
--- 정제 전 결측치 확인 --- MemberID 0 MonthlyVisits 15 MembershipDuration_Months 0 ClassParticipation 0 Renewed 0 dtype: int64 MemberID 0 MonthlyVisits 0 MembershipDuration_Months 0 ClassParticipation 0 Renewed 0 dtype: int64
MonthlyVisits 15 MembershipDuration_Months 0 ClassParticipation 0 Renewed 0
— 정제 후 결측치 확인 — MemberID 0 MonthlyVisits 0 MembershipDuration_Months 0 ClassParticipation 0 Renewed 0 ```
💡 분석가의 통찰 (Analyst’s Insight)
- 미방문 0회 대치의 피트니스 비즈니스 근거: 헬스 클럽 게이트 태깅 시스템에서 월 방문 결측이 잡힌 회원들은 기기 단선이 아닌 이상, 당월 매장을 단 한 번도 밟지 않은 ‘장기 휴면 유령 회원’ 상태를 대변합니다. 이를 평균 방문수(예: 8회)로 대입하면 이탈 가능성이 99%인 유령 회원을 우수 방문 회원으로 포장하여 매출 누수 진단을 방해하므로, 비방문
0회로 정밀 정제하는 것이 맞습니다.
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.countplot(data=df, x='ClassParticipation', hue='Renewed', palette='Set1')
plt.title('GX 단체 수업 참가 여부별 회원권 연장(Renewed) 빈도', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 시각화 차트 읽는 법 & 인사이트
- 단체 수업 참여가 보장하는 압도적 우수 고객 락인: 요가/스피닝 단체 운동(GX)에 적극 참여한 그룹(1)의 만기 시 재등록(Renewed=Yes) 비율 막대가 미참가 그룹(0) 대비 확연하게 우위를 점합니다. 단체 운동을 통해 회원들 간의 커뮤니티가 묶이거나 강사 강제력이 부여되는 혜택이 이탈 억제에 중추적인 역할을 함을 입증합니다.
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='MembershipDuration_Months', y='MonthlyVisits', hue='Renewed', palette='Set2', alpha=0.8)
plt.title('회원 유지 기간 대비 월 방문 횟수와 재등록 분포', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)
- 이탈 경고선 3회 방문 임계 경계선 규명: 회원 유지 연차(X축)와 관계없이, 월 방문 횟수(Y축)가 3회 미만으로 떨어진 가로수 띠 구역은 거의 전부 Churn=No(해지 이탈) 빨간색 점들로 묶여 가시화됩니다. 아무리 2년 이상 장기 다닌 충성 회원일지라도 최근 월 방문이 3회 밑으로 떨어지면 해지 직전의 이탈 경보 상태로 수렴하므로, 매장 관리자는 즉시 출석 촉진 알림을 보내 락인해야 함을 통계적으로 입증합니다.
Step 5: 통계적 직관과 해석 (Statistical Logic)
💡 [피트니스 비즈니스와 RFM(Recency, Frequency, Monetary) 고객 세분화 분석] … (생략: CRM 마케팅용 RFM 세분화 기법 및 피트니스 이탈 경보 통계 연계)
🎯 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)
- 가입 기간(MembershipDuration_Months)별 평균 월 방문 수 분석: 헬스 클럽 등록 후 기간이 흐르며 방문 열정이 시들어가는 ‘의지 박약 감가 주기’를 개월 수 범주별로 산출해 보세요.
- 휴면 이탈 경보 대상자 목록 필터링: 월 방문이 2회 이하이면서 GX 단체 수업도 참여하지 않는 ‘이탈 리스크 위험 회원’들의 명단을 코드 출력해 보세요.