[GA4 퍼널 분석] Day5-1 장바구니 전환율 가설 검증 (Day3 결과 통합)

추가 분석 이유

이전 분석에서는 Device, User Type, Source, Price Band, Category 등 다양한 가설을 통해 장바구니 전환율 저하 원인을 탐색했다. 그러나 단순 EDA 결과만으로는 어떤 요인이 실제 핵심 변수인지 확정하기 어려웠다. 따라서 Day 5에서는 통계적 검증을 통해 실제 영향력 있는 요인을 선별하고, 우선순위를 재정렬하고자 했다.

 

이전 분석에서 어떤 가설을 세웠는가?

가설	왜 봤는가	초기 결과
Device	모바일 UX 문제 여부	차이 작음
User Type	신규 유저 장벽 여부	차이 작음
Source	유입 채널 품질	일부 차이
Price Band	가격 민감도	차이 큼
Category	상품 경쟁력	차이 큼

초기 EDA 결과 Price Band와 Category가 가장 영향력 높은 후보로 판단되어 우선 검증 대상으로 선정했다

 

왜 통계 검증이 필요했는가?

보이는 차이와 실제 차이는 다르다

예시)

• Low: 25%
• High: 20%

차이가 있어 보이지만, 표본 수 / 우연 / 분산 영향일 수도 있어서 통계 검증이 필요

 

사용한 방법

1. Chi-Square

여러 그룹 전체 차이 검정
(Price 전체 / Category 전체)

 

2. Two-Proportion Z-Test

두 그룹 직접 비교
(Low vs High / Bags vs Home)

 

먼저 전체 구조 차이가 있는지 확인하고 이후 실제 어떤 그룹 차이가 큰지 직접 비교했다.

---

Price Band 검증 – 가격은 실제 중요한가?

Price Band는 EDA 기준 가장 직관적임

 

[Price Band 그래프 삽입]

[Low > Mid > High]

전처리

장바구니 전환 여부를 통계적으로 검정하기 위해 각 그룹별 view_sessions 대비 cart_sessions뿐 아니라, 장바구니에 담지 않은 세션(not_cart_sessions)을 함께 계산해 contingency table 형태로 구성했다.

Price Band Chi-Square

from scipy.stats import chi2_contingency

price_table = price_df[
    ["cart_sessions", "not_cart_sessions"]
].values

chi2, p, dof, expected = chi2_contingency(price_table)

print("=== Price Band Chi-Square Test ===")
print("Chi-Square:", chi2)
print("p-value:", p)
print("Degrees of Freedom:", dof)

low_rate = 25.43
high_rate = 20.15

lift = (low_rate - high_rate) / high_rate * 100
print("lift",lift)

Low vs High Two-Proportion Z-Test

from statsmodels.stats.proportion import proportions_ztest

low = price_df[price_df["price_band"] == "Low"].iloc[0]
high = price_df[price_df["price_band"] == "High"].iloc[0]

count = [low["cart_sessions"], high["cart_sessions"]]
nobs = [low["view_sessions"], high["view_sessions"]]

stat, pval = proportions_ztest(count, nobs)

print("=== Low vs High Z-Test ===")
print("Z-stat:", stat)
print("p-value:", pval)

 

해석

• p-value < 0.001
• Low vs High +26% Lift

저가 상품은 단순히 “조금 더 높은 수준”이 아니라, 실제로 장바구니 진입률이 구조적으로 높았습니다.

 

실무적 생각

• 저가 진입 상품
• 할인
• 엔트리 전략
  - 같은 가격 정책이 중요할 가능성이 높음

“가격은 실제 핵심 변수였다.”

---

Category 검증 – 상품군 자체가 중요한가?

가격만으로 설명 안 될 수 있기 때문

같은 가격이어도 어떤 상품군은 잘 담기고 어떤 상품군은 안 담길 수 있음

Category Chi-Square

category_table = category_df[
    ["cart_sessions", "not_cart_sessions"]
].values

chi2_cat, p_cat, dof_cat, expected_cat = chi2_contingency(category_table)

print("=== Category Chi-Square Test ===")
print("Chi-Square:", chi2_cat)
print("p-value:", p_cat)
print("Degrees of Freedom:", dof_cat)

Top 10 Category

	item_category	view_sessions	cart_sessions	add_to_cart_rate	not_cart_sessions
48	Home/Stationery/Writing/	976	399	40.88	577
47	Home/Apparel/Hats/	6226	2529	40.62	3697
46	Writing	413	149	36.08	264
45	Home/Stationery/Stickers/	1583	514	32.47	1069
44	Home/Shop by Brand/#IamRemarkable/	102	32	31.37	70
43	Drinkware	3361	1037	30.85	2324
42	Campus Collection	1529	467	30.54	1062
41	Home/Stationery/Notebooks/	2010	612	30.45	1398
40	Home/Apparel/Socks/	1018	310	30.45	708
39	Home/Campus Collection/	3142	916	29.15	2226

 

Bottom 10 Category

	item_category	view_sessions	cart_sessions	add_to_cart_rate	not_cart_sessions
0	Accessories/	106	2	1.89	104
1	Backpacks/	468	19	4.06	449
2	Water Bottles/	161	15	9.32	146
3	Men's T-Shirts	372	47	12.63	325
4	Home/Shop by Brand/Google Cloud/	221	28	12.67	193
5	Mugs & Tumblers/	242	31	12.81	211
6	Bags	2688	356	13.24	2332
7	Home/Shop by Brand/YouTube/	4754	744	15.65	4010
8	Men's T-Shirts/	1810	291	16.08	1519
9	Lifestyle/Bags/	4796	843	17.58	3953

 

카테고리별 편차가 매우 컸고 단순 가격 외에 상품 구조 / 구매 의도 / 상품력의 영향 가능성이 커 보였습니다.

 

소표본 제거 (500+)

Accessories 106회, Hats 32회와 같이 극단값 가능성 있음

따라서 view_sessions 500 이상 필터함

 

카테고리 분석 초기에는 일부 카테고리의 전환율이 매우 높거나 낮게 나타났지만, 표본 수가 지나치게 적은 경우 우연에 의한 왜곡 가능성이 있었다. 따라서 보다 신뢰도 높은 비교를 위해 view_sessions 500 이상 카테고리만 선별해 안정 표본 기준으로 재분석했다.

 

Stable Top 10 Category

	item_category	view_sessions	cart_sessions	add_to_cart_rate	not_cart_sessions
48	Home/Stationery/Writing/	976	399	40.88	577
47	Home/Apparel/Hats/	6226	2529	40.62	3697
45	Home/Stationery/Stickers/	1583	514	32.47	1069
43	Drinkware	3361	1037	30.85	2324
42	Campus Collection	1529	467	30.54	1062
41	Home/Stationery/Notebooks/	2010	612	30.45	1398
40	Home/Apparel/Socks/	1018	310	30.45	708
39	Home/Campus Collection/	3142	916	29.15	2226
38	Home/Sale/	9763	2839	29.08	6924
37	Sale	7887	2283	28.95	5604

 

 

Stable Bottom 10 Category

	item_category	view_sessions	cart_sessions	add_to_cart_rate	not_cart_sessions
6	Bags	2688	356	13.24	2332
7	Home/Shop by Brand/YouTube/	4754	744	15.65	4010
8	Men's T-Shirts/	1810	291	16.08	1519
9	Lifestyle/Bags/	4796	843	17.58	3953
10	NaN	4986	909	18.23	4077
11	Eco-Friendly	2189	404	18.46	1785
12	Kids	1212	227	18.73	985
13	Home/Apparel/	6548	1252	19.12	5296
14	Home/New/	5335	1030	19.31	4305
15	New	1499	296	19.75	1203

 

Main Category Grouping

카테고리가 너무 세분화되어 있으면 실무 액션 어려움

예시)

 

• Home/Drinkware/Mugs
• Home/Drinkware/Bottles
• Lifestyle/Bags

 

- 상위 카테고리(main_category) 기준 통합

 

세부 카테고리는 지나치게 분산되어 있어 구조적 패턴을 파악하기 어려웠다. 따라서 item_category의 상위 분류(main_category) 기준으로 그룹핑해 보다 실무적인 수준에서 어떤 상품군 구조가 전환율에 영향을 주는지 재정리했다.

	main_category	view_sessions	cart_sessions	add_to_cart_rate
3	Drinkware	3361	1037	30.853913
2	Campus Collection	1529	467	30.542838
13	Sale	7887	2283	28.946367
15	Stationery	1110	307	27.657658
6	Home	73639	18925	25.699697
17	Women's	3470	867	24.985591
5	Google	2578	606	23.506594
9	Men's	7700	1779	23.103896
12	Notebooks	746	172	23.0563
8	Lifestyle	18889	4298	22.753984
14	Small Goods	3068	666	21.707953
0	Apparel	3191	673	21.090567
11	New	1499	296	19.746498
7	Kids	1212	227	18.729373
4	Eco-Friendly	2189	404	18.455916
16	Unknown	4986	909	18.231047
10	Men's T-Shirts	1810	291	16.077348
1	Bags	2688	356	13.244048

---

Bags Deep Dive (Bags 심층 분석)

Category가 중요하다고 끝나면 무엇을 개선해야 하는지 모릅니다.

그래서 Category 내부에서 가장 문제 가능성 높은 세부군을 탐색했습니다.

Bags 선택 이유

• 충분한 트래픽
• 낮은 전환율
• 실무 개선 가치 큼

 

Bags vs Home

Bags vs DrinkWare

Bags vs Non-Bags

from statsmodels.stats.proportion import proportions_ztest

comparison_targets = ["Drinkware", "Sale", "Home"]

bags = stable_grouped_category[
    stable_grouped_category["main_category"] == "Bags"
].iloc[0]

for target in comparison_targets:
    target_row = stable_grouped_category[
        stable_grouped_category["main_category"] == target
    ].iloc[0]

    count = [
        bags["cart_sessions"],
        target_row["cart_sessions"]
    ]

    nobs = [
        bags["view_sessions"],
        target_row["view_sessions"]
    ]

    stat, pval = proportions_ztest(count, nobs)

    print(f"=== Bags vs {target} ===")
    print("Bags Rate:", round(bags["add_to_cart_rate"], 2))
    print(f"{target} Rate:", round(target_row["add_to_cart_rate"], 2))
    print("Z-stat:", round(stat, 4))
    print("p-value:", pval)
    print("-" * 40)

 

 

• 고성과군 대비 낮음
• 평균 대비 낮음
• 가격보다도 낮음

 

단순히 비싸서가 아니라 Bags 자체 구조 문제 가능성 있음

• 상세페이지
• 리뷰
• 프로모션
• 무료배송

나머지 가설은 어땠는가?

Device: 유의미하지 않음

User Type: 유의미하지 않음

Source: 일부 유의

 

누가 들어왔는가? 보다 무슨 상품을 봤는가? 가 더 중요함

 

최종 우선순위 재정렬

Tier 1

Price Band

Category (특히 Bags)

Tier 2

Source

Tier 3

Device / User Type

 

처음엔 다양한 가능성을 봤지만 검증 결과 실제 핵심은 Price + Category였습니다.

 

그래서 무엇을 해야 하는가?

 

Price : 전사 가격 전략

Category : 상품 구조 전략

Bags : 즉시 실행 대상

• 할인
• 엔트리 상품
• 리뷰 강화
• 무료배송

 

오늘 분석을 통해 장바구니 전환율의 핵심 병목이 가격과 카테고리 구조에 있음을 확인했다.

다음 단계에서는 장바구니 이후 결제 단계에서 어떤 추가 이탈이 발생하는지 분석할 예정이다.