매장 판매량, 어떻게 높이지? - [Brightics Studio 실습] 차원 축소 - 주성분분석(PCA)

#브라이틱스서포터즈 #브라이틱스스튜디오 #BrighticsAI #데이터분석 #통계분석 #PCA #차원축소

하루종일 이런저런 실습 데이터를 찾다가 튜토리얼 이상의 좋은 데이터를 아직 못찾아서
이번 포스트까지 튜토리얼 실습 리뷰입니다 ! 튜토리얼 진짜 체고 ( •͈ᴗ-)ᓂ-ෆ ..

이번 실습에서 주어진 시나리오는 매장 판매량을 높일 수 있는 방법을 찾기 위해
PCA(주성분분석)를 이용하여 매장 판매량을 설명할 수 있는 잠재 변수 찾기 예요.

그럼 이번에도 PCA 개념을 간단히 살펴본 후에 실습 리뷰를 진행할게요!
이번 실습은 정말정말 짧으니 처음부터 끝까지 집중해서 읽어주세요 (ღ˘⌣˘ღ)

※ PC 화면에 최적화된 포스트입니다.
※ 브라이틱스 AI의 튜토리얼 중 잠재변수 탐지 (1)을 바탕으로 한 실습입니다!
아래 실습에서 사용한 데이터도 해당 페이지에서 다운 받으시면 됩니다!

Brightics Studio

---

𝒃𝒓𝒊𝒈𝒉𝒕𝒊𝒄𝒔 𝒑𝒓𝒐𝒄𝒆𝒔𝒔

 

𝟏. 𝐋𝐨𝐚𝐝

오늘 실습한 데이터는 PCA 분석이다보니 초기 변수가 생각보다 많아요.

- sell_high : 판매량 라벨 ( 1 : 많이 팔린 날, 2 : 적게 팔린 날 )
- weekend : 주말 여부 ( 0 : 평일, 1 : 주말 )
- temperature : 온도
- rain : 강수량
- humidity : 습도
- promotion_1 : 1번 행사 여부 ( 0 : 하지 않음, 1 : 행사중 )
- promotion_2 : 2번 행사 여부 ( 0 : 하지 않음, 1 : 행사중 )
- population : 주변 인구 유동량
- sell_prev : 전년도 동일 시점 판매액

9개의 실수형 변수로 이루어진 81개의 데이터입니다!

이렇게 여러 개의 변수를 동시에 사용해서 모델링을 하게 되면
복잡해져 속도도 느리고, 그렇다고 성능이 좋아지는 것도 아니기 때문에,
데이터의 차원을 축소하는 과정을 거치는 게 바람직합니다.

차원을 축소하는 방법으로는 여러 가지가 있는데 이번에는 그중에서 주성분 분석 (PCA)을 활용할 거예요.
여러 데이터의 분포 형태를 보고, 그러한 분포가 어떤 주요한 성분으로 이루어져 있는지 설명하는 방법이라고 할 수 있는데,
쉬운 개념은 아니라 더욱 자세한 원리와 계산 방법을 알고 싶다면 아래 포스트들을 참고하면 좋을 것 같아요!

[선형대수학 #6] 주성분분석(PCA)의 이해와 활용

 

차원 축소 - PCA, 주성분분석 (1)

𝟐. 𝐍𝐨𝐫𝐦𝐚𝐥𝐢𝐳𝐚𝐭𝐢𝐨𝐧

그런데 이런 주성분 분석 과정에서 특정 변수의 scale이 다른 변수에 비해 유독 크다보면, 다음 분석에 영향을 줄 수 있어서
0부터 1 사이의 동일한 크기로 정규화할 수 있도록 Normalization 함수를 사용합니다.

범주형 변수를 제외한 다섯 가지 변수 (온도, 강수량, 습도, 주변 인구 유동량과 전년도 동시점 판매량)를 선택하고,
정규화 종류는 MinMaxScaler를 선택해서 실행해주면, 정규화된 다섯 변수 값이 각각 새로운 변수로 생성됩니다.

𝟑. 𝐏𝐂𝐀

그리고 바로 PCA 함수를 가져와줍니다! 방금 정규화한 다섯 가지 변수를 선택하고 실행하면
projected_# 형태의 새로운 잠재 변수들이 생성됩니다.

 

그리고 수행한 PCA 결과를 Scatter Plot으로도 확인해보았어요.
X축은 projected_0, Y축은 projected_1로 선택하고, 판매량을 나타내는 변수로 색깔을 구분 지어보면?
판매량이 많은 날 (1)과 판매량이 적은 날 (0)이 어느 정도 구분이 된 것이 보이죠?

 

---

지금까지 PCA 수행을 통해서 잠재변수를 생성하고,
이를 바탕으로 판매량을 높이기 위해서 어떤 변수를 조절해야 하는지 알 수 있도록 모델링을 해보았습니다!
실습은 꽤 간단하지만 결과를 해석하기 위해서는 여러 방향으로 고민해야 했던 실습인 것 같아요.

읽어주셔서 감사합니다~!