Spotify 트랙 데이터를 활용해 아티스트, 장르, 연도별 인기 및 음악적 특성 분석

• SQL: 데이터베이스 설계, 테이블 생성, 데이터 탐색, 집계, 그룹화, 윈도우 함수, CTE 활용
• 데이터 분석: 인기 트랙/아티스트 도출, 장르별 트렌드, 연도별 변화 분석

Spotify 데이터를 기반으로 트랙, 아티스트, 장르별 음악적 특성과 인기 트렌드를 분석했습니다.

목적:

• 인기 있는 아티스트·트랙과 장르별 트렌드 파악
• 연도별 음악적 변화 및 밸런스(valence, energy 등) 분석
• 특정 음악적 조합(tempo, valence)과 청취자 반응 잠재력 탐색

• Top Tracks & Artists
• 인기 트랙 상위 10개, 아티스트 평균 인기 상위 10명 도출
• 트랙 수가 많으면서 인기 있는 아티스트 식별

• 장르별 평균 인기 점수 및 평균 템포 분석
• 연도별 트랙 수, 인기 트랙, 인기 아티스트 변화 확인

• tempo >150 & valence <0.3 조합 트랙 탐색 → 텐션 유발 가능성 평가
• 아티스트별 valence·energy 변화 폭 분석 → 음악적 다양성 파악
• 연도별 valence 변화 최대 폭 분석 → 음악적 트렌드 변화 시각화

배운 점:

• SQL 집계, 윈도우 함수, CTE 활용으로 복합 분석 가능성을 이해

• 음악적 특성과 청취자 반응 간의 연관성을 데이터 기반으로 정량화

• 적용 가능성:

• 추천 시스템, 플레이리스트 큐레이션, 음악 트렌드 분석 및 마케팅 전략 수립에 활용 가능

통신사 고객 데이터를 기반으로 이탈 원인 분석과 ML 기반 고객 이탈 예측 모델 개발

• SQL: 계약 유형, 요금제, 서비스 가입 여부, 결제 방식, 연령대별 고객 이탈률 분석
• Python & ML: Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, XGBoost, Imbalanced-learn(SMOTE)
• 모델링: Logistic Regression, Random Forest, Gradient Boosting, XGBoost, SVM, Ensemble

통신사 고객 데이터에서 고객 이탈 패턴과 위험 요인을 파악하고, 머신러닝 모델을 통해 조기 이탈 가능 고객을 예측하는 것이 목표였습니다.

• SQL 탐색 분석으로 계약 유형·요금제·결제 방식·서비스 가입 여부별 이탈률 확인
• Python 기반 ML 모델로 고객 세그멘테이션 및 예측 모델 성능 검증

• SQL 기반 탐색 분석
• 계약 유형별 이탈률: Month-to-Month 계약 고객의 이탈률이 가장 높음
• 요금제·결제 방법·인터넷 서비스 유형·추가 서비스 가입 여부에 따른 이탈률 확인
• 조기 이탈 가능 고객(tenure ≤6개월, MonthlyCharges >70) 식별
• 고객 세그멘테이션: VIP 고객, 이탈 위험 고객, 업셀링 가능 고객 등 분류

데이터 전처리: 결측값 처리, One-Hot Encoding, StandardScaler, SMOTE 적용 모델 성능:

• Logistic Regression: Accuracy 0.8055 | F1 0.6040 | AUC 0.8419
• Random Forest: Accuracy 0.7779 | F1 0.5321 | AUC 0.8164
• Gradient Boosting: Accuracy 0.8062 | F1 0.5895 | AUC 0.8432
• XGBoost: Accuracy 0.7736 | F1 0.5384 | AUC 0.8217
• SVM: Accuracy 0.7913 | F1 0.5518 | AUC 0.7905
• Optimized Random Forest: 하이퍼파라미터 튜닝 후 F1 향상
• Ensemble Model: VotingClassifier 기반 F1 0.5997 | AUC 0.8338

Feature Importance 분석: MonthlyCharges, tenure, Contract, 서비스 가입 여부 등 주요 변수 확인

배운 점:

• SQL로 탐색적 데이터 분석(EDA)을 통해 이탈 패턴과 비즈니스 인사이트 도출
• ML 파이프라인 구축, SMOTE 활용 불균형 데이터 처리, 다양한 모델 성능 비교 경험

적용 가능성: 고객 유지 전략 설계, 마케팅 타겟팅, 조기 이탈 방지 캠페인, 추천형 요금제 제안 등 실무 적용 가능