Machine Learning으로 찾아본 알라미 유저들의 사용패턴

간단 소개

알라미 유저의 사용 패턴을 머신러닝을 통해 분석하고, 클러스터링 결과를 활용하여 서비스 개선 방향을 제시합니다.

AI Summary

알라미 유저 사용 패턴 분석
- 딜라이트룸 합류 후 알라미 유저들이 서비스를 '어떻게' 사용하는지, 기상 방식에 따른 잔존율 차이 분석 필요성을 느낌.
- 유저 인터뷰와 경험적 데이터 외에, 유저 데이터를 활용한 전체적인 사용 패턴 뷰를 만들고자 함.
Feature Engineering 및 클러스터링
- 유저 사용 패턴 정의를 위해 알람 미션 여부, 스누즈 횟수, 총 알람 개수, 기상 시간, 알람 인터벌 등 다양한 Feature 정의.
- 주중/주말 데이터 노이즈 제거를 위해 Feature들을 주중/주말로 구분하고 기간 평균을 사용, Outlier 최소화.
- KMeans 클러스터링을 통해 유저 패턴을 분석하고, 각 클러스터 중심값을 확인하여 인사이트 도출.
결과 해석 및 활용
- 클러스터에 직관적인 이름 부여 (유저 페르소나처럼) 하여 이해관계자에게 결과 전달 효과 증대.
- 클러스터별 핵심 지표 현황 파악, 유저 패턴 정의, 기간별 클러스터 변화에 따른 지표 변화 분석.
- 모델 및 유저 Feature, Cluster Label 저장하여 추가 분석 및 일관성 유지.