<aside> ✅ 실제 업무 현장에 뛰어들기 전, 필수적으로 알아야 할 핵심만 빠르게 다뤄봅니다!

</aside>

Overview

1. 데이터 셋 분석
   • 컬럼별 고유값 확인
   • 고유값 개수 및 비율
   • 범주형 변수 히스토그램
   • 월별 서비스 이용 빈도 시각화
   • type + result 다변량 분석
   • course + status 다변량 분석
   • createdat + status 다변량 분석
2. 이상/결측치 제거
   • 데이터 검토 결과, 각 변수의 값 분포에 특별한 이상치나 결측치가 발견되지 않았습니다. 데이터의 완전성과 신뢰성이 확보된 상태로, 추가적인 정제 작업 없이도 분석을 진행할 수 있는 상태로 보입니다.
3. 요구사항 정리
4. 데이터 대시보드 제작
5. 요구사항 마무리 & 과제 제출
   • 과제 가이드를 나의 노션으로 복제하여, 내용을 채운 후 게시 권한을 설정하여 링크를 제출해 주세요.

Requirements

💬 주어진 데이터셋을 바탕으로, 아래 항목에 답변과 나의 생각을 채워 나가며, 실제 업무에 필요한 필수 역량을 갖추게 될거에요.

<aside> 📌 활용 데이터 셋

데이터분석 온보딩 과제 - data set.csv

</aside>

• 주어진 데이터 셋에서, 각각 아래 질문에 해당하는 답을 채워주세요. (SQL / python 코드 등 활용)

  1. 7월 3일~12월 31일까지, 인텔리픽의 취업코칭 서비스를 한 번 이상 활용한 인원은 몇명인가요?
     • 789명
  2. 해당 데이터에서 최종합격한 인원은 몇명이고, 최종 합격 그룹의 이력서 진단 / 면접 코칭 신청 평균 횟수는 몇 회 인가요?
     • 최종합격한 인원: (총)958명 / (고유)241명
     • 최종 합격 그룹의 이력서 진단 신청 평균 횟수: 약 3.61회
     • 최종 합격 그룹의 면접 코칭 신청 평균 횟수: 약 1.25회
  3. 이력서 진단 + 면접 코칭을 가장 많이 활용한 인원의 각 횟수는 몇번이며, 해당 인원의 id 값은 무엇인가요?
     • 가장 많이 활용한 인원의 id: 1133a29433dd78
       • 이력서 진단 8회 / 면접 코칭 3회

• 주어진 데이터 셋에서, 각각 아래 질문에 해당하는 답과 / 답을 도출한 근거를 설명해 주세요.

  1. 첫 취업코칭 신청 이후, 다음 코칭을 받기 까지의 평균 어느정도의 기간이 걸렸나요? 어떤 방식으로 평균 기간을 도출했나요?

     • 약 7일
     • 과정은 다음과 같습니다:
       1. 각 사용자별로 createdat을 시간 순으로 정렬.
       2. 각 사용자별로 첫 코칭 이후의 코칭 간격 계산.
       3. 첫 코칭 이후 두 번째 신청부터의 간격만 추출. (이 때 첫 번째 신청날은 제외하여 다음 날부터 날짜 계산에 포함시킬 수 있도록 했습니다.)
       4. 평균 기간 계산.

  2. 위의 답변에 대한 근거는 무엇인가요? 어떤 데이터를 비교하셨나요?

     시간 순 정렬:

     • createdat 열을 시간 순으로 정렬하여, 각 사용자가 코칭 서비스를 신청한 모든 일자가 순차적으로 나열되도록 했습니다. 이렇게 함으로써 각 사용자별로 신청 내역의 흐름을 쉽게 파악할 수 있으며, 첫 번째 신청 이후의 간격을 계산할 준비를 마쳤습니다.

     첫 신청 이후 간격 계산:

     • groupby와 diff() 함수를 사용하여, 사용자별로 createdat 열의 시간 차이를 계산했습니다. diff() 함수는 각 사용자 그룹 내에서 첫 번째 신청 이후 신청 간의 간격을 구해주며, 이를 통해 두 번째 신청부터 이후 신청 간의 간격을 계산할 수 있었습니다.

     첫 신청일 제외:

     • 첫 신청일은 분석 대상이 되는 간격의 기준점 역할을 하기 때문에, 간격 계산에 포함하지 않았습니다. 이렇게 함으로써 두 번째 신청부터 다음 신청 간격의 평균을 산출할 수 있도록 하였으며, 첫 번째 신청일 이후의 실제 간격 정보만을 분석에 포함했습니다.

     평균 기간 계산:

     • 모든 사용자에 대해 첫 번째 신청 후 두 번째 신청까지의 간격 데이터를 수집하고, 이를 바탕으로 평균 기간을 산출했습니다. 이 평균 기간은 사용자가 첫 취업코칭 신청 후 다음 코칭까지 도달하는 데 걸리는 전반적인 시간을 나타냅니다.

     비교 데이터: 여러 사용자들의 첫 번째 신청과 두 번째 신청 간의 간격 데이터를 추출하여, 전체적인 평균을 계산했습니다.

     • 이를 통해 사용자들이 서비스에 재참여하는 시간적 패턴을 이해하고, 코칭의 빈도나 추가 지원이 필요한 시점을 계획하는 데 활용할 수 있었습니다.

  3. 인텔리픽 서비스 이용자 중, course별 최종 합격인원은 각각 몇 명, 몇 퍼센트인가요? 그들은 다른 이용자들과 어떤 차이점을 보이고 있나요?

     • course에는 NBCamp, Hanghae 두 가지가 있었고, 세부내용은 다음과 같습니다:
       • NBCamp의 최종합격 인원: 509명 약 41.89%
       • Hanghae의 최종합격 인원: 449명 약 50.56%
       • Hanghae 코스의 최종 합격 비율이 NBCamp보다 높습니다. 이는 Hanghae 코스의 학습 지원이나 커리큘럼이 더 효과적일 수 있음을 시사합니다.
     • 다른 이용자들과의 차이점:
       • 최종 합격자와 전체 이용자들의 type 분포 비교
       • 코스별 최종 합격자와 비합격자들의 코칭횟수 비교

  4. 위의 답변에 대한 근거는 무엇인가요? 어떤 데이터를 비교하셨나요?

     • 위 답변의 근거는 다음과 같습니다:

     1. 최종 합격 인원 수와 비율:

        • course별로 최종합격 상태의 인원 수를 계산하고, 전체 인원 대비 비율을 구하여 NBCamp와 Hanghae의 합격률을 비교했습니다. 이를 통해 Hanghae 코스의 합격률이 NBCamp보다 높다는 점을 확인하였으며, 이는 각 코스의 학습 방식이나 지원 체계의 차이가 영향을 미쳤을 수 있음을 시사합니다.

        2. type 분포 비교:

           • 최종 합격자와 전체 이용자 간 type의 비율을 value_counts(normalize=True) 함수를 사용하여 비교했습니다. 최종 합격자 중 interview 코칭을 받은 비율이 전체 평균보다 높게 나타나, 면접 코칭이 합격률에 긍정적 영향을 미칠 가능성이 있음을 확인했습니다.

        3. 코스별 코칭 횟수 비교:

           • groupby와 mean 함수를 사용해 NBCamp와 Hanghae 코스에서 최종 합격자와 비합격자의 평균 코칭 횟수를 비교했습니다. 분석 결과, 최종 합격자들이 비합격자보다 평균적으로 더 많은 코칭을 받았으며, 이는 코칭 횟수가 증가할수록 피드백을 통해 역량을 개선할 기회가 많아져 최종 합격 가능성을 높이는 데 중요한 요인이 될 수 있음을 시사합니다.

• 인텔리픽 서비스를 통해 최종 합격률을 높이기 위해, 어떤 액션을 시도할 수 있을까요?

  • 어떤 데이터를 비교했는지, 연결된 데이터를 통해 어떤 인사이트를 얻었는지 근거와 함께 제시해 주세요.

    1. 면접 코칭(interview) 강화
    • 비교한 데이터: 최종 합격자와 전체 이용자의 type 분포를 비교했을 때, 최종 합격자 중 interview 코칭을 받은 비율이 전체 평균보다 높게 나타났습니다. 이는 면접 코칭을 받은 사용자가 이력서 진단만 받은 사용자보다 최종 합격에 더 유리한 경향이 있음을 보여줍니다.
    • 인사이트 및 액션: 최종 합격자 중 interview 코칭 이용 비율이 높다는 점에서, 면접 코칭의 효과성을 강화하는 것이 최종 합격률에 긍정적 영향을 줄 수 있다는 인사이트를 얻을 수 있습니다. 따라서 다음과 같은 액션을 시도할 수 있습니다.
    • 면접 코칭 세션 강화: 모의 면접 횟수를 늘리거나, 심화된 면접 피드백을 제공하여 사용자가 보다 철저히 준비할 수 있도록 합니다.
    • 면접 관련 학습 자료 제공: 면접 준비 가이드, 예상 질문, 우수 답변 사례 등을 제공하여 interview 코칭의 준비 과정을 체계화할 수 있습니다.
    2. 이력서 진단과 면접 코칭의 연계 프로그램 도입
    • 비교한 데이터: 최종 합격자들은 resume과 interview 코칭을 병행한 비율이 높았습니다. 즉, 이력서 진단과 면접 코칭을 모두 받은 사용자가 최종 합격 가능성이 높았습니다.
    • 인사이트 및 액션: 이력서 진단과 면접 코칭이 상호 보완적으로 작용하여 최종 합격률을 높일 수 있음을 시사합니다. 이를 바탕으로 다음과 같은 액션을 시도할 수 있습니다.
    • 연계 프로그램 도입: 이력서 진단을 완료한 사용자에게 자동으로 면접 코칭을 추천하는 프로그램을 마련하여, 두 가지 코칭을 자연스럽게 연결합니다.
    • 패키지 상품 개발: 이력서 진단과 면접 코칭을 묶은 패키지 프로그램을 제공하여 사용자들이 두 가지 코칭을 모두 경험할 수 있도록 유도합니다.
    3. 코칭 횟수 증가 유도
    • 비교한 데이터: 최종 합격자의 평균 코칭 횟수가 비합격자보다 높았습니다. NBCamp 코스에서는 약 3.77회, Hanghae 코스에서는 약 4.24회로, 비합격자들에 비해 두 코스의 최종 합격자들이 더 많은 코칭을 받은 경향이 있었습니다.
    • 인사이트 및 액션: 코칭 횟수가 많을수록 피드백을 통해 개선할 기회가 많아지고, 이는 최종 합격률 향상에 긍정적으로 작용할 수 있다는 인사이트를 얻을 수 있습니다. 이를 바탕으로 다음과 같은 액션을 시도할 수 있습니다.
    • 추가 세션 추천 시스템: FAIL 결과를 받은 사용자에게 추가 코칭 세션을 추천하여, 피드백을 통해 개선할 기회를 제공합니다.
    • 재신청 유도 메시지: 일정 기간이 지나거나 FAIL 결과를 받으면 다시 코칭을 신청하도록 유도하는 리마인더 메시지를 발송합니다.
    4. 사용자 맞춤형 피드백 및 개선 포인트 제공
    • 비교한 데이터: 최종 합격자들은 PASS 비율이 상대적으로 높고, FAIL 비율은 전체 평균보다 낮았습니다. 이를 통해 코칭에서 긍정적인 결과(PASS)를 받은 경우, 최종 합격률이 높아질 가능성이 크다는 점을 확인할 수 있습니다.
    • 인사이트 및 액션: 코칭 결과에 따라 사용자에게 맞춤형 피드백을 제공하여 개선 포인트를 구체적으로 제시하면, 사용자의 역량이 더욱 강화되어 최종 합격률이 높아질 가능성이 큽니다. 이를 바탕으로 다음과 같은 액션을 시도할 수 있습니다.
    • 피드백 자동화 시스템 구축: FAIL 결과를 받은 사용자에게는 구체적인 개선 포인트를 포함한 피드백을 자동으로 제공하여 재신청 시 참고할 수 있도록 합니다.
    • 개인화된 개선 계획 제안: 과거 코칭 기록을 바탕으로 개인별 맞춤형 개선 계획을 제시하고, 다음 코칭 세션에서 이를 반영할 수 있도록 합니다.

    종합 결론 위와 같은 액션들은 최종 합격자와 비합격자 간의 데이터를 비교한 결과에서 도출된 인사이트에 기반하며, 면접 코칭 강화, 연계 프로그램 도입, 코칭 횟수 증가 유도, 맞춤형 피드백 제공이 최종 합격률을 높이는 데 기여할 수 있을 것입니다.

• 추가 구현 사항(선택)