select
p.product_name,
a.unit
from (
select
product_id,
sum(unit) unit
from orders
where order_date like '2020-02%'
group by product_id
having sum(unit) >= 100
) a
join products p
on a.product_id = p.product_id
방법2. 조인 → 조건필터링
select
p.product_name,
sum(unit) unit
from products p
join orders o
on p.product_id = o.product_id
where o.order_date like '2020-02%'
group by o.product_id
having sum(unit) >= 100
2. Python
2-1. 통계 라이브세션 2회차 복습
✅ 변수들의 데이터 유형에 따른 통계적 검증방법
A/B 테스트
특히 마케팅에서 필수적인 통계적 가설검증 방법
일종의 대조실험
목적
고객의 니즈 파악 (UI/UX 서비스 개선)
최소 투자 최대 이익 (구매 전환율 증대, ROI 극대화)
프로세스
현재 데이터 탐색
가설설정 (귀무가설, 대립가설)
유의수준 설정 (p-value를 어떻게 판단할지의 기준)
테스트 설계 및 진행
결과 분석 (t값, p-value 활용)
주요 지표
1. 서비스 가입률
2. 재방문율
3. CTR(Click-through Rate) 노출 대비 클릭률 (= 광고 클릭해서 사이트 들어온 비율)
4. CVR 클릭 대비 전환율 (= 클릭해서 사이트 들어와서 구매까지 간 비율)
5. ROAS (Retrun On Ad Spend) 캠페인 비용 대비 캠페인 수익 (= 광고수익율)
6. eCPM (Effective Cost per Mile) 노출 1000회당 얻은 수익 '광고 노출 1000번해서 얼마 범?'
계산방법 : (총 수익 / 노출 수) * 1000
7 .eCPC (Effective Cost per Click) 클릭 1번당 얻은 수익 '1클릭당 얼마 범?'
계산방법 :(총 수익 / 클릭 수)
[ 캠페인 구매 방법 ] ☞ 지표로 활용
CPM (Cost per Mile)노출 1000번당 광고비 '광고 노출 1000번하는 데 얼마 필요함?'
광고 노출 수가 많은 대형 매체, 특정 인물에 적합
계산방법 : (집행 비용 / 노출 수) * 1000
노출(Impression) : 총 노출 횟수
도달(Reach) : 광고를 본 총 유저 수
예시
'네이버 배너 10000원 CPM' = 배너 1000회 뷰당 10000원
제니 인스타그램 게시글 1개가 1000명에게 노출되는데 소요된 비용
CPC (Cost per Click) 클릭 한 번당 비용 '1클릭당 얼마 필요함?'
노출이 몇번 됐는지 관계없이 '실질적인 클릭 수'가 중요
계산방법 :(집행 비용/ 클릭 수)
예시
네이버 파워링크, 위메프 핫딩 등 상단에 띄워놓고 1클릭당 100원으로 설정
10만원을 광고비용으로 투자했다면 1000번 클릭될 때까지 상단 노출됨
1000번 클릭을 통해 매출이 10만원을 초과해야 이익 발생
CPA (Cost per Action) 특정 액션 1건당 비용
여기서 액션이란, 마케터가 의도한/기대하는 고객의 행동
예를 들어, 기대액션이 회원가입이라면
특정 이미지,링크를 통해 사이트 진입해서 회원가입을 하면 1회원당 1000원 지불
CPS (Cost per Sale) 판매 1건당 광고비
CPA의 일부 (특정 액션 = 구매)
공동구매 수수료, 스마트 스토어 입점 등
CPI (Cost per Install) 설치 1건당 광고비
CPA의 일부 (특정 액션 = 설치)
앱테크할 때 어플리케이션 설치하면 1000포인트 주는 것
핵심 개념
유의수준
신뢰수준의 반대개념 !!
귀무가설을 기각하지 말지 판단하는 상한선
제 1종 오류의 허용범위
보통 0.05(5%) 사용
▶ 유의수준 해석
유의수준 0.05(5%)로 설정하겠다.
= 신뢰수준 95%로 진행하겠다.
= p-value 값을 어떻게 판단할 것인지 그 기준값을 0.05로 하겠다.
= 표본에서 100번 실험했을 때 귀무가설이 참인데도 기각하는 오류(=제 1종 오류)를 5번 이하로 허용하겠다.
▶ p-value ≤ 0.05 해석
= 귀무가설이 참일 때 현재 t값(혹은 더 극단적인 값)이 우연히 나올 확률이 5%이하이다.
= 두 그룹간 차이는 우연이라고 보기 어렵다. 서로 연관이 있다.
= 귀무가설을 기각한다. 대립가설을 채택한다.
t-value
A/B 두 그룹 간의 평균 차이가 어떠한지를 나타내는 값
귀무가설을 기각하지 말지 결정하는 핵심 지표인 p-value를 산출하는 확률변수 (T 검정의 검정통계량)
p-value (Probability-value)
t-value가 '우연히' 나올 확률 (t-value가 아무리 높게 나와도 두 그룹간 차이가 우연인지 아닌지 판단해야 함)
