이효준 — 고객은 왜 이탈하는가: 이커머스 CS 데이터 인사이트 대시보드

모두의연구소 2~3주차 프로젝트 — HTML/Plotly.js 정적 버전 (Streamlit 버전과 동일한 데이터·필터·드릴다운)

핵심 요약 (정직한 버전) 1. VOC: 결제/환불이 부정비율 최고(47.9%)이나, 카테고리 간 차이는 6.4%p로 크지 않음
2. 만족도: NPS 평균(6.60)만 보면 무난하지만 정식 계산법으로는 -14.1 — '평균의 함정'은 재현됨
3. 재문의·이탈: 반복재문의·회원등급·지역 신호는 이 합성 데이터에서 이탈과 뚜렷한 상관을 보이지 않음(일부는 반대 방향) — 처방적 제안은 데이터 한계로 보류
4. 상담원(3주차): eNPS는 -60.0으로 평균의 함정이 재현되나, 번아웃·교육이수와 고객경험의 상관관계는 통계적으로 유의하지 않음(r=-0.32, p=0.17 등). 근속기간을 통제하면 이 상관은 거의 사라져 — '번아웃'보다 '신입 온보딩 기간' 문제일 가능성

이 대시보드는 모두의연구소 2~3주차 프로젝트로 제작되었습니다. raw/의 데이터는 100% 가상(합성) 이커머스 CS 데이터이며 실제 서비스 데이터가 아닙니다. 일부 탭의 결과는 노이즈성이거나 예상과 반대 방향으로 나왔고, 이를 숨기지 않고 그대로 표시합니다. data.json은 배포 시점에 build_data.py로 구운 원자료(raw rows)이며, 아래 필터는 이 브라우저 안에서 즉시 재계산됩니다(서버 재계산 아님).

기간 ~

VOC 대분류

VOC 채널

교안엔 "해지관련" VOC 대분류가 있지만 이 데이터엔 없어, 가장 가까운 소분류 "탈퇴 문의"(회원/계정)로 대체했다. 이력 있는 고객의 이탈율이 전체 평균보다 낮게 나오는 등 반대 방향일 수 있음(표본이 작고 이탈여부가 VOC와 독립 생성된 데이터 한계).

대분류별 소분류 분해

🔍 드릴다운: 원문 문의내용 조회

해석: 대분류 간 부정 비율 차이가 크지 않다는 것 자체가, 특정 카테고리 하나의 문제가 아니라 부정 여론이 고르게 분포한다는 신호로 보인다.

시사점: 결제/환불을 하나로 뭉뚱그리지 않고 쿠폰/포인트·결제오류·이중결제·환불속도·부분환불 정책을 개별 과제로 분리해 개선하는 것이 효과적일 것으로 보인다.

신뢰도: 높음 (데이터 직접 확인)

상담 채널

위 2개 단일축 차트가 더 읽기 쉽지만(두 지표를 한 축에 겹치면 비교가 왜곡될 수 있음), 과제에서 요구하는 결합차트(dual-axis) 형태도 함께 남겨둔다.

🔍 드릴다운: 저만족(CSAT 1~2점) 상담 코멘트 조회

해석: NPS 평균의 함정은 재현되지만(6.60 → 정식계산 -14.1), 채널·카테고리별 효과는 텔레콤 원본만큼 뚜렷하지 않다.

시사점: 이 데이터로 '어느 채널을 우선 개선해야 하는가'를 확정하기는 어렵다. 다만 평균만 보고 안심하면 안 된다는 방법론적 교훈은 유효하다.

신뢰도: 중간 (패턴 추정)

🔍 드릴다운: 재문의 구간별 고객 목록

해석: 반복재문의(2회+) 고객의 이탈율이 재문의 없는 고객보다 오히려 낮게 나와, 텔레콤 원본과 반대 방향이다.

시사점: 이 결과를 실제 비즈니스 결론으로 사용하면 안 된다. 체인 분석 방법론 자체(횟수로 쪼개서 보기)는 유효하다.

신뢰도: 낮음 (가설 — 데이터 한계로 판단)

지역을 클릭해보세요

버블 클릭 시 고객수·이탈수·이탈율 표시

🔍 드릴다운: 고객 목록 조회

해석: 회원등급별 이탈율 차이는 작고 상식과 다른 방향으로도 나타난다. 지역은 제주(n=30)를 제외한 전 지역이 표본 30건 미만이라 참고용에 그친다.

시사점: 규칙 기반 위험 스코어링도 신호 간 방향이 엇갈려 합산 점수가 작동하지 않음을 확인했다 — 처방적 제안(Top3)은 데이터 한계로 보류한다.

신뢰도: 낮음 (가설 — 표본·데이터 생성 한계)

상담원 관점: 직원만족도와 고객 경험

해석: 직원만족도를 NPS 계산법 그대로 적용하면 eNPS가 크게 마이너스로 나오는 '평균의 함정'은 재현되지만(전체 -60.0), 번아웃-CSAT 상관관계는 이 데이터 전체 기준으로는 방향만 같고 통계적으로 유의하지 않다(r=-0.32, p=0.17).

신뢰도: 낮음 (가설) — 위 두 관계 자체의 confidence

근속기간(재직기간) 교란변수 분석

근속기간이 만족도·초과근무·교육이수와 모두 매우 유의하게 연결돼 있다는 것을 표와 그래프로 직접 확인한다.

핵심 발견: 근속기간이 만족도(r=0.86)·초과근무(r=-0.81)·교육이수(r=0.79)와 모두 p<0.0001로 강하게 연결돼 있다(위 표·산점도). 교육이수 여부별 근속기간 박스플롯을 보면 두 그룹이 근속기간으로 거의 완벽히 갈리는 것을 점 하나하나로 확인할 수 있다. 근속기간을 통제하면 번아웃-CSAT 상관은 -0.32→-0.13, 만족도-재문의율은 -0.29→+0.15(부호 역전)로 오른쪽 막대그래프처럼 거의 사라진다 — '번아웃 관리'보다 '신입 온보딩 기간' 문제일 가능성이 높다.

신뢰도: 중간 (근속기간 교란변수 확인 자체는 높음, 고객지표로의 연결은 여전히 낮음) — 자세한 근거는 위키 이커머스_직원만족도_고객경험_상관관계_유의성부족 참고

이직(turnover) 위험과 근속기간 — 이번 분석에서 가장 유의한 발견

핵심 발견: 이직 여부는 근속기간과 point-biserial r=-0.60 (p=0.005)로 유의하게 연결된다(Mann-Whitney U 검정도 p=0.002로 일치). 이직자 3명(AG09·AG16·AG20)은 전원 근속 19~24개월인 반면, 재직중인 상담원의 평균 근속은 51개월이다. 이번 상담원 분석 전체에서 가장 통계적으로 확실한 신호다.

추가 확인(QA 점수는 독립 신호가 아님): qa_score는 만족도(r=0.99)·초과근무(r=-0.97)·근속기간(r=0.86)과 거의 완벽히 겹친다 — 사실상 근속기간의 재진술이며, 향후 성과 스코어링에서 별도 가중치로 중복 반영하면 안 된다.

3팀 근속기간 직접 확인: 3팀 평균 근속 39.3개월로 1팀(48.0)·2팀(51.3)보다 짧은 편이나, Kruskal-Wallis 검정 결과 팀 간 근속기간 차이 자체는 유의하지 않다(p=0.42) — "3팀에 신입이 많다"는 가설은 방향은 맞지만 아직 통계적으로 확정되지 않았다.

신뢰도: 높음 (이직-근속기간 관계는 직접 검정으로 확인됨. n=20/이직 3명이라는 표본 자체의 한계는 여전히 존재)