광고 데이터

데이터 전처리 & 분석

• 데이터 : 2025.08.01 ~ 2025.08.29 (임의 생성 데이터)

• random.randint, random.choice 활용

• 지표 계산 : CTR, CPC, 전환율, CPA, ROAS, CPM

• 전처리 : INF → NaN → 0 대체, 반올림 처리, 정수형 변환

sample

df.head(5)

date	노출수	click	전환수	cost	revenue	CTR	CPC	전환율	CPA	ROAS	CPM
2025-08-01	76422	438	19	86557	51000	0.57	198	4.34	4556	59	1133
2025-08-02	35795	398	27	93763	0	1.11	236	6.78	3473	0	2619
2025-08-03	20860	408	14	92606	89000	1.96	227	3.43	6615	96	4439
2025-08-04	58158	519	27	71534	68000	0.89	138	5.20	2649	95	1230
2025-08-05	74343	537	6	89127	172000	0.72	166	1.12	14854	193	1199

df.info()

Data columns (total 12 columns):
 #   Column   Non-Null Count  Dtype         
---  ------   --------------  -----         
 0   date     29 non-null     datetime64[ns]
 1   노출수      29 non-null     int64         
 2   click    29 non-null     int64         
 3   전환수      29 non-null     int64         
 4   cost     29 non-null     int64         
 5   revenue  29 non-null     int64         
 6   CTR      29 non-null     float64       
 7   CPC      29 non-null     int64         
 8   전환율      29 non-null     float64       
 9   CPA      29 non-null     int64         
 10  ROAS     29 non-null     int64         
 11  CPM      29 non-null     int64

df.describe()

.	노출수	click	전환수	cost	revenue	CTR	CPC	전환율	CPA	ROAS	CPM
count	29	29.000000	29.000000	29.00000	29.000000	29.000000	29.000000	29.000000	29.000000	29.000000	29.000000
mean	48840.000000	444.379310	13.586207	80454.37931	105241.379310	1.107931	184.827586	3.156897	15024.241379	137.344828	2034.448276
min	20769.000000	358.000000	1.000000	61016.00000	0.000000	0.490000	113.000000	0.210000	2179.000000	0.000000	860.000000
25%	31284.000000	400.000000	6.000000	69268.00000	51000.000000	0.680000	154.000000	1.180000	3839.000000	68.000000	1150.000000
50%	48693.000000	438.000000	13.000000	82002.00000	99000.000000	0.890000	169.000000	3.020000	6615.000000	131.000000	1633.000000
75%	64732.000000	484.000000	21.000000	89127.00000	155000.000000	1.640000	227.000000	4.680000	13714.000000	225.000000	2502.000000
max	79735.000000	539.000000	29.000000	99976.00000	278000.000000	2.230000	268.000000	7.840000	93159.000000	304.000000	4771.000000
std	20123.509439	60.875994	9.206043	12358.18273	66029.027801	0.543345	41.004415	2.237111	21905.027738	88.517261	1127.575578

전반적으로 평균과 중앙값이 유사하지만 CPA, CPM의 분산이 매우 크다.

시각화

import plotly.graph_objects as go
from plotly.subplots import make_subplots

# 추세 분석 (광고비 vs 매출액)
fig1 = go.Figure()
fig1.add_trace(go.Scatter(x=df["date"], y=df["cost"], mode="lines+markers", name="광고비"))
fig1.add_trace(go.Scatter(x=df["date"], y=df["revenue"], mode="lines+markers", name="매출액"))
fig1.update_layout(title="일자별 광고비 vs 매출액", template="plotly_white")
fig1.update_yaxes(tickformat=',')
               
# 퍼널 분석 (노출 → 클릭 → 전환)
fig2 = go.Figure(go.Funnel(
    y=["노출수", "클릭수", "전환수"],
    x=[df["노출수"].sum(), df["click"].sum(), df["전환수"].sum()],
    textinfo="value+percent initial"
))
fig2.update_layout(title="퍼널 분석 (노출 → 클릭 → 전환)")
fig2.update_yaxes(tickformat=',')

# 비용 효율성 비교 (CPC, CPM, CPA)
fig3 = go.Figure()
fig3.add_trace(go.Bar(x=df["date"], y=df["CPC"], name="CPC"))
fig3.add_trace(go.Bar(x=df["date"], y=df["CPM"], name="CPM"))
fig3.add_trace(go.Bar(x=df["date"], y=df["CPA"], name="CPA"))
fig3.update_layout(barmode="group", title="주차별 비용 효율 비교", template="plotly_white")
fig3.update_yaxes(tickformat=',')

# 상관관계 분석 (클릭수 vs 전환수, 광고비 vs 매출액)
fig4 = make_subplots(rows=1, cols=2, subplot_titles=("클릭수 vs 전환수", "광고비 vs 매출액"))
fig4.add_trace(go.Scatter(
    x=df["click"], y=df["전환수"],
    mode="markers",
    text=df["date"].dt.strftime("%m-%d"), 
    hoverinfo="text+x+y",
    name="클릭→전환"), row=1, col=1
)
fig4.add_trace(go.Scatter(
    x=df["cost"], y=df["revenue"],
    mode="markers",
    text=df["date"].dt.strftime("%m-%d"),
    hoverinfo="text+x+y",
    name="광고비→매출"), row=1, col=2 
)
fig4.update_layout(title="상관관계 분석", template="plotly_white")
fig4.update_yaxes(tickformat=',')

# 성과 비율 시각화 (CTR, 전환율)
conversion_rate = df["전환수"].sum() / df["click"].sum()
fig5 = go.Figure(data=[
    go.Pie(labels=["CTR 평균", "전환율 평균"],
           values=[df["CTR"].mean(), conversion_rate])
])
fig5.update_layout(title="CTR & 전환율 비율 비교")

# 효율지표 종합 대시보드 (ROAS, CPC, CPA)
fig6 = make_subplots(rows=1, cols=3, subplot_titles=("ROAS", "CPC", "CPA"))
fig6.add_trace(go.Bar(x=df["date"], y=df["ROAS"], name="ROAS", marker_color="skyblue"), row=1, col=1)
fig6.add_trace(go.Bar(x=df["date"], y=df["CPC"], name="CPC", marker_color="orange"), row=1, col=2)
fig6.add_trace(go.Bar(x=df["date"], y=df["CPA"], name="CPA", marker_color="green"), row=1, col=3)
fig6.update_layout(title="효율지표 종합 대시보드", template="plotly_white")
fig6.update_yaxes(tickformat=',')

fig1.show()
fig2.show()
fig3.show()
fig4.show()
fig5.show()
fig6.show()

(1) 일자별 광고비 vs 매출액

• 광고비는 일정하지만 매출은 들쭉날쭉

• 광고비가 매출을 직접적으로 설명하지 못함(영향x)

• 매출이 갑자기 튀는 구간은 특정 이벤트/프로모션, 채널별 차이일 가능성이 높다.

“광고비 증가 = 매출 증가”라는 단순 구조가 아님

(2) 퍼널 분석 (노출 → 클릭 → 전환)

• 노출 대비 클릭률, 클릭 대비 전환률 모두 낮음

• 광고는 보이지만 흥미를 못 끎 → 타겟팅 문제 가능성

• 클릭 후 전환 장벽이 큼 → 랜딩 페이지 UX, 구매 과정 문제 가능성

개선 포인트: 타겟 세분화, 랜딩 페이지 개선

(3) 비용 효율성 (CPC, CPM, CPA)

• CPC 낮음 → 클릭 자체는 잘 유도됨

• CPM 중간 → 노출 대비 비용은 보통

• CPA 높음 → 전환수가 적어 단위 비용이 급등

구조적 문제 : 클릭은 잘 되는데, 전환이 안 되는 병목 존재

(4) 상관관계 분석

• 클릭수 ↔ 전환수 : 강한 선형 패턴 없음 → 상관성 낮음

• 광고비 ↔ 매출액 : 상관성 약함 → 광고비 증액이 매출 증가를 보장하지 않음(다른 외부 요인 영향 큼)

광고비 자체보다 소재·채널·타겟팅 요인·이벤트 등 외부요인이 더 중요한 변수일 수 있다.

(5) CTR & 전환율 비교

• CTR 평균 > 전환율 평균

• 광고 자체는 주목을 잘 받지만(CTR 높음), 클릭 후 기대 행동으로 이어지지 않음(전환율 낮음).

(6) 효율지표 종합 대시보드 (ROAS, CPC, CPA)

• ROAS: 일정치 않음 → 광고 효율 불안정(투자 대비 효율 일정x)

• CPC: 안정적 → 클릭 단가는 유지

• CPA: 급등락 반복 → 전환 효율이 가장 큰 문제

• 클릭은 충분히 발생하나 전환 최적화 부족 → CPA 비정상적으로 높음(전환 효율이 개선 포인트)

정리

• 광고 클릭은 잘 발생하지만 전환으로 이어지지 않아 CPA가 상승

• 광고비 대비 매출의 변동성이 크고 불안정해 효율성이 낮음

• CTR은 양호하지만 전환율이 낮아 타겟팅 정교화와 랜딩 경험 등 개선 필요

• 광고비와 성과 간 상관관계가 약해 비용 증가만으로 성과를 보장하지 않음

→ 따라서 광고 성과 개선의 핵심은 전환 최적화(CRO) 와 세분화된 타겟팅 전략이다.

CTR이 높은 점을 보면 광고 자체의 매력도는 충분하다. → 광고는 소비자에게 잘 전달되고 있다.

그러나 실제 구매 전환 성과는 부족한 상황이다.