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.
차트 데이터는 배포 시점에 build_data.py로 미리 계산해 구운 data.json을 읽어 그립니다(정적 호스팅 — 서버에서 실시간 재계산하지 않음).
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)
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)
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)
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)