QUALITY
07
Data AnalysisHypothesis TestingE-commercePython
수요 급증 시 경험 품질 붕괴 탐지
트렌드(수요) 상승 국면에서 리뷰 평점이 통계적으로 유의미하게 하락하는 패턴을 검증하고, 기능 추가가 아니라 기대 관리/경험 순서 조정이 핵심 해결 방향임을 도출했습니다.
130K+
리뷰 데이터
-0.441
Pearson r
4.81e-16
p-value
문제 정의
주차별 리뷰 수가 급증하는 구간에서 평균 평점이 급격히 하락하는 패턴이 반복적으로 관찰되었습니다. 트렌드 상승이 오히려 평점 하락으로 이어지면 성장 성과가 장기 LTV를 훼손할 위험이 있었습니다.
가설
- H1. 트렌드 지수가 상승할수록 평균 평점은 하락한다.
- H2. 리뷰 수가 급증하는 주에는 평점 하락 폭이 더 커진다.
방법 / 실험
- 리뷰 130K+ (score, at, content) + 주별 트렌드 지수 데이터 병합
- ISO year-week 기준 주차 정렬 및 병합
- 주별 추이 라인차트, 산점도, 3변수 시각화
- Pearson / Spearman 상관분석
결과
- Pearson r = -0.441 (p = 4.81e-16) — 유의미한 음의 상관 확인
- Spearman ρ = -0.235 (p = 3.26e-05)
- 트렌드 상승 → 운영/UX 병목 → 경험 붕괴 → 평점 하락 연쇄 구조 가능성 도출
의사결정
기능 추가보다 '경험 제공 순서 조정'을 우선. 주문 이전 단계에서 기대치 관리와 정보 제공 타이밍을 재설계하는 방향을 선택했습니다.
배운 점
- 데이터 분석은 결론이 아니라 의사결정을 가능하게 하기 위한 수단
- 문제의 본질은 기능 부족이 아니라 기대 관리 및 경험 순서의 미정렬일 수 있음
- 성장(수요 증가)과 경험 품질(평점)은 트레이드오프가 아니라 동시 관리해야 할 지표