1. RFM 기반 데이터 가공

이 데이터는 거래 데이터가 아니라 행동 데이터라서 클래식 RFM(구매 기반)이 아니라 Engagement-based RFM으로 만들고, Engagement 컬럼을 추가하였다.

컬럼명	사용 컬럼	의미
activity_score	notifications_clicked	사용자의 알림 클릭 횟수를 기반으로 한 최근 활동 수준 지표.
adjusted_frequency	weekly_songs_played * (1 - song_skip_rate)	노래 재생 횟수에 스킵 비율을 반영한 실제 콘텐츠 소비 빈도 지표.
Monetary	weekly_hours	주간 청취 시간을 기반으로 한 서비스 이용 가치 지표.
Engagement	num_playlists_created + num_platform_friends + num_shared_friends	플레이리스트 생성, 친구 추가, 공유 활동을 합산한 플랫폼 참여도 지표.
subscription_risk	num_subscription_pauses	구독 일시정지 횟수를 기반으로 한 사용자 이탈 위험 신호 지표.
support_pressure	customer_service_inquiries	고객센터 문의 횟수를 기반으로 한 서비스 불만 또는 문제 경험 지표.

2. Kmeans를 활용한 clustering

2.1. 적절한 k값 구하기

2.1.1. elbow method 활용

출력 결과 클러스터 수가 증가할수록 inertia가 점진적으로 감소하는 경향을 보였지만, 뚜렷한 elbow 지점은 나타나지 않았다.
이는 데이터가 자연스럽게 몇 개의 군집으로 강하게 분리되는 구조가 아니라는 것을 의미 한다.

2.1.2. silhouette score

k = [2, 3, 4, 5] 로 실행을 해본 결과, 모든 k값들의 군집이 다 비슷한 실루엣 계수를 가지고 있었다. 그래서 특정 값이 명확하게 우수하다고 판단하기 어려웠다.
점수가 다 비교적 낮은 수준으로 나타났는데, 이는 사용자 행동 데이터가 뚜렷하게 분리된 군집 구조라기보단 연속적인 행동 스펙트럼 형태를 가지고 있기 때문이라고 해석 된다.

2.1.3. k값 결정

Silhouette Score와 Elbow 분석에서 명확한 최적 k값이 나타나지 않았기 때문에, 최종 클러스터 수는 서비스 분석 관점에서의 해석 가능성과 활용성을 고려하여 k = 4로 결정하였다.

2.2. 클러스터링 후 간단한 분석

2.2.1. 각 군집 별 고객 수 도출

클러스터링 후 각 군집 별 고객 수를 도출해보았다.