63일차) 내일배움캠프 데이터 분석 TIL - 실전 프로젝트(7)

1. Tableau vs Python 계산값 불일치 문제

• Python에서 계산한 RPS, AOV 값이 Tableau에서 구현하면 3배 차이가 나는 오류 발생
• 원인: 중복 집계(aggregation) 문제로 추정
• 해결 방법: 계산식을 단계별로 분리해서 SUM(amount), COUNT 등 개별 값을 하나씩 찍어보며 디버깅

Tableau 계산 필드를 만들 때 집계 방식이 Python과 다르게 작동할 수 있으므로, 중간 값을 반드시 검증해야 한다

 

2. ARPU vs ARPPU 차이

• ARPU (Average Revenue Per User): 전체 고객 수 기준
• ARPPU (Average Revenue Per Paying User): 실제 구매한 고객 수 기준
• 우리 프로젝트에서는 구매 고객 기준으로 분석하고 있으므로 ARPPU가 더 적합
• VIP는 지출이 없는 고객이 없으므로 PU = PPU이지만, 용어 혼동 방지를 위해 ARPPU로 통일하기로 결정

분모 기준을 팀 전체가 통일하지 않으면 지표 해석에 혼란이 생긴다

3. 채널 분석 데이터 한계

• 튜터 피드백: "채널 분석은 현재 데이터 구조로 채널 효과라고 말하면 안 됩니다"
• 채널별 총매출, 총거래수, RPS, ARPU 등 여러 지표를 그냥 넣으면 인과관계 오해 소지가 있음
• 대응: 채널 포함 지표를 쓰되, "채널 자체 효과가 아님"을 명시하는 설명 추가 필요

데이터가 있다고 다 쓸 수 있는 게 아니라, 데이터 구조의 한계를 인지하고 해석에 주석을 달아야 한다

 

4. 퍼널 분석과 다중오퍼 처리

• 다중오퍼 퍼널은 현재 정의로는 퍼널 구조가 깨짐 (발송 건수 ≠ 완료 건수 불일치)
• 다중오퍼를 퍼널에 포함하지 않고 별도 분석으로 분리하는 게 올바른 접근
• 퍼널 단계: Receive → View → Complete (3단계)

퍼널 분석에서 데이터 정의가 맞지 않으면 퍼널 자체가 무의미해진다. 다중오퍼처럼 예외 케이스는 별도 처리해야 한다

 

5. Tableau 오퍼 인스턴스 테이블 활용

• 복잡한 퍼널 계산식(전략적/우연적/정보성 등)을 Tableau에서 직접 구현하기 어려울 때
• → Python에서 만든 오퍼 인스턴스 테이블을 CSV로 추출해서 Tableau 원본 데이터로 활용
• 튜터 확인: 퍼널 분석을 할 거면 오퍼 인스턴스 테이블은 무조건 만들어야 함

Tableau가 모든 계산을 다 처리할 필요 없다. Python에서 전처리된 테이블을 원본으로 넣는 방식도 좋은 접근이다

 

6. 대시보드 설계 원칙

• 그래프 수가 너무 많으면 가시성 저하 → 핵심 지표 위주로 압축
• 그래프 유형을 다양화하고 중요도 순으로 배치
• 대시보드 간 탭 전환 링크 구현 가능 → UX 향상
• Figma로 배경 이미지를 만들고 수치만 Tableau에서 동적으로 표시하는 방식도 활용 가능