Data-Analyst-Portfolio

🛒 Instacart 고객 리텐션 분석

데이터로 증명된 ‘7일의 리듬’: 리텐션을 가르는 건 객단가가 아닌 구매 주기다

📅 2026.01.14 ~ 2026.01.22

팀 프로젝트 (4인)

---

📌 프로젝트 개요

Walmart, Uber Eats, DoorDash 등 경쟁 플랫폼의 증가로 고객 이탈 위험이 높아지는 상황. 단순 마케팅이 아닌, 고객 행동 데이터 기반으로 리텐션 분기점을 규명하고 장기 고객으로 전환시키는 행동 구조를 설계하는 것을 목표로 했다.

🔬 분석 가설

사용자의 장기 유지 여부는 ‘무엇을 구매했는가’ 보다 ‘얼마나 빠르게 반복 주문 리듬을 형성했는가’ 에 더 크게 좌우된다

---

📊 데이터

| 항목 | 내용 | |——|——| | 출처 | Kaggle — Instacart Online Grocery Shopping Dataset | | 수집 시기 | 2017년 | | 규모 | 약 206,000명 유저 / 340만+ 주문 기록 | | 주요 테이블 | orders, order_products_prior, products, aisles, departments |

---

🛠 기술 스택

| 구분 | 내용 | |——|——| | DB 설계 | SQL — 분석 마트 View 3개 설계 (mart_product / mart_order / mart_user), 재주문율·구매 주기 등 파생 지표 집계 쿼리 작성 | | 분석·시각화 | Python (Pandas, Matplotlib) |

---

🔍 분석 과정

1. 분석 마트 구축 (SQL) — 재주문율·장바구니 크기·구매 주기 등 파생 지표 정의 및 뷰 생성
2. 리텐션 곡선 분석 — 주문 회차별 유저 잔존율 계산, 이탈 집중 구간 파악
3. 고리텐션 vs 일반 유저 비교 — 총 주문 수 상위 20%(23회 이상)를 고리텐션 그룹으로 정의하고, 장바구니 크기·구매 주기·재주문율을 비교해 리텐션 결정 요인 검증
4. 구매 리듬 형성 시점 분석 — 7일 주기가 장기 사용의 결과인지 초기 신호인지 검증

---

💡 핵심 인사이트

1. 이탈 병목은 2→3 주문 구간이다

• 전체 유저의 94% 가 2번째 주문까지 도달하지만, 주요 이탈은 2→3 구간에 집중
• 이 구간을 넘긴 유저의 75% 는 이후에도 구매를 지속

2. 리텐션을 가르는 건 객단가가 아닌 ‘구매 리듬’이다 — 반전 인사이트

구분	고리텐션 (Top 20%)	일반
평균 주문 수	42회	8회
구매 주기	~7일	~12일
재주문율	68%	39%
장바구니 크기	유의미한 차이 없음	-

“얼마나 많이 샀느냐”가 아니라 “얼마나 일정하게 돌아왔느냐”가 리텐션을 결정한다

3. 7일 리듬은 장기 사용의 결과가 아닌, 초기부터 형성된 신호다

• 고리텐션 그룹의 7일 구매 주기는 3번째 주문 시점에 이미 형성
• 즉, 7일 리듬은 오래 쓴 사람의 특성이 아니라, 장기 고객이 될 가능성을 보여주는 초기 행동 신호

4. 상품(Produce·Dairy·Pantry)은 리텐션의 원인이 아닌 신호다

• 같은 상품을 구매하더라도, 고리텐션 유저는 ‘주간 루틴’으로 / 일반 유저는 ‘단발 이벤트’로 소비
• 상품 카테고리 자체가 리텐션을 만드는 것이 아님

---

📋 전략 제언

전략의 초점은 구매 유도가 아닌, 다시 돌아오게 만드는 재방문 구조 설계

액션	내용
6~7일 리마인드	2번째 주문 후 6~7일차에 자주 구매한 상품 중심 푸시 알림
장바구니 자동화	“늘 사시던 상품, 장바구니에 담아두었습니다” UX 강화
초기 경험 설계	재구매 주기가 명확한 카테고리를 첫 경험으로 유도 → 루틴 정착 가속

---

⚠️ 한계점

• 실제 이탈 원인(경쟁사 이동, 가격 불만 등) 데이터 없어 직접 검증 불가
• 구매 주기와 리텐션의 인과관계 확인 불가 (상관관계 수준)
• 2017년 수집 데이터 — 현재 플랫폼 경쟁 환경과 차이 존재

---

📁 산출물

| 파일 | 설명 | |——|——| | 📓 analysis.ipynb | EDA 및 시각화 전 과정 | | 📊 Instacart_ppt.pdf | 최종 발표 자료 |