NS Shop+ 홈쇼핑 – JW Blog

[BigContest] NS Shop+ 홈쇼핑 실적 예측

분석기간: 2020 August ~ 2020 September
본 대회는 BigContest에서 주최한 대회로, NS Shop+의 2020년 6월 실적을 예측하는 것이 주목적이었다.
그리고 이를 바탕으로 최적 수익을 고려한 요일별/시간대별/카테고리별 편성 최적안 방안(모형)을 제시하는 것까지가 대회 요구사항이었다.
평가방법은 MAPE(Mean Abosolute Percentage Error) 평균절대비율오차였다.

My Role

1. 상품군별 데이터 해석

생활용품, 가구, 침구, 무형 카테고리 데이터 해석
상품군별로 특징이 다를 것으로 판단되어 역할을 분담하여 데이터 분석을 실시하였다.

2. 노출시간 전처리

(1-1) 반올림
(1-2) Missing Value Imputation (ffill)
(1-3) 그룹화
(2-1) 노출시간 누적 및 총합 계산

3. Business 모델에 안 맞는 데이터 처리

취급액 = 판매단가 X 주문량
취급액이 판매단가보다 작은 경우는 오류이므로, 0원으로 변경

4. 상품명 전처리

(1) 브랜드 추출
(2) 세트 상품 여부
(3) 상품군별 소분류 추출

What I Have Learned

1. 실제 데이터는 생각보다 오류가 많다.

(My Role의 3번 참고)

2. 제공되지 않은 정보가 많다.

다양한 할인경로로 인해, 고객마다 할인받은 금액이 다르다.

3. 불균형데이터 Upsampling

상품군별 데이터 개수가 달랐는데, 부족한 카테고리의 경우 n배 데이터수를 늘려주었다.
이후 SMOTE와 같은 방법론이 있다는 것을 알게 되었다.

4. 파생변수 하나가 성능 향상으로 이어진다.

누적 노출시간이 성능 향상에 크게 기여하였다.

5. Bayesian Optimization

hyperparameter 선정 시, 사전지식을 활용하면 보다 좋은 성능으로 이어질 수 있다.

Difficulty

데이터가 정제되지 않거나 잘못 정제된 경우가 있었다.
상품군별로 특징이 상이했다.
학습데이터에 존재하지 않는 정보가 평가데이터에 존재했다.
코로나로 인한 영향을 계산하기 어려웠다.

Result

Best Broadcasting Schedule Suggestion

상품군별 PRIME TIME 선정

Prime Time이란, 해당 상품군이 가장 인기있는 시간대를 의미한다.

상품군별 추천 상품

매출액에 큰 부분을 차지하는 상품들은 Prime Time에 배치한다.
구매수량에 영향을 받는 상품들은 비교적 애매한 시간대에 배치한다.
EX) 의류의 경우, prime time에 사치품(다운코트, 밍크코트)을 판매하고, 그외 시간대에는 기본 아이템(플리스 자켓, 티셔츠)을 판매한다.

Presentation

nsshop02

nsshop03

nsshop04

nsshop05

nsshop06

nsshop07

nsshop08

nsshop09

nsshop10

nsshop11

nsshop12

nsshop13

nsshop14

nsshop15

nsshop16

nsshop17

nsshop18

nsshop19

nsshop20

nsshop21

nsshop22

nsshop23

nsshop24

nsshop25

nsshop26

nsshop27

nsshop28

nsshop29

nsshop30

nsshop31

nsshop32

nsshop33

nsshop34

nsshop35

nsshop36

nsshop37

nsshop38

nsshop39

nsshop40