Causal-Lab · 데이터는 여전히 말하지 않는다
데이터셋 후보 소개
이메일 실험, 소매 거래, 광고 실험. 세 후보의 배경과 실제 관측 내용을 살펴보고, 무엇을 분석할지와 어떻게 정의할지는 러너들이 결정합니다.
1. Hillstrom Email Marketing
어떤 데이터인가
최근 12개월 이내 구매한 고객 64,000명을 세 이메일 집단에 무작위 배정하고, 이후 2주간 방문·구매·지출을 기록한 데이터입니다. 한 행은 고객 한 명의 사전 특성과 캠페인 이후 결과를 담습니다.
생각해볼 질문
이메일을 받은 집단과 받지 않은 집단의 방문·구매·지출은 얼마나 다를까요?
변수
64,000행 × 12열, 결측 없음
| 변수 | 의미 | 값·분포 |
|---|---|---|
| recency | 마지막 구매 이후 개월 수 | 1~12개월 |
| history | 이전 1년 구매금액 | $29.99~3,345.93 |
| history_segment | 이전 구매금액 구간 | 7개 구간 |
| mens | 남성 상품 구매 경험 | 0/1, 1의 비율 55.10% |
| womens | 여성 상품 구매 경험 | 0/1, 1의 비율 54.97% |
| zip_code | 지역 유형 | 도시 40.10%·교외 44.96%·농촌 14.94% |
| newbie | 최근 12개월 신규 고객 | 0/1, 신규 50.22% |
| channel | 이전 구매 채널 | 웹 44.09%·전화 43.78%·복수 채널 12.13% |
| segment | 이메일 배정 집단 | 남성 상품·여성 상품·미발송 |
| visit | 이후 2주 방문 여부 | 0/1, 방문 14.68% |
| conversion | 이후 2주 구매 여부 | 0/1, 구매 0.90% |
| spend | 이후 2주 구매금액 | $0~499, 0인 고객 99.10% |
mens·womens는 고객의 성별이 아니라 구매한 상품 종류입니다.
수치 변수의 분포
| 변수 | 평균 | 표준편차 | 25% 지점 | 중앙값 | 75% 지점 |
|---|---|---|---|---|---|
| recency·개월 | 5.76 | 3.51 | 2 | 6 | 9 |
| history·$ | 242.09 | 256.16 | 64.66 | 158.11 | 325.66 |
| spend·$ | 1.05 | 15.04 | 0 | 0 | 0 |
배정 집단별 관측 결과
| 배정 집단 | 고객 수 | 방문율 | 구매율 |
|---|---|---|---|
| 남성 상품 이메일 | 21,307 | 18.28% | 1.25% |
| 여성 상품 이메일 | 21,387 | 15.14% | 0.88% |
| 미발송 | 21,306 | 10.62% | 0.57% |
해석의 한계
- 결과는 캠페인 이후 2주만 관찰합니다.
- 고객 ID·상세 주문·이메일 열람·캠페인 비용·원가가 없습니다.
- 개인별 효과, 장기 선호, 순이익을 바로 알 수 없습니다.
- 모든 값이 같은 반복 행이 6,562개 있지만, 고객 ID가 없어 중복 고객으로 단정할 수 없습니다.
출처와 이용 조건
명시적 재배포 라이선스는 확인되지 않았습니다.
2. Online Retail II
어떤 데이터인가
영국 온라인 소매업체의 2009년 12월~2011년 12월 거래 기록입니다. 한 행은 고객이나 주문 전체가 아니라, 송장에 기록된 상품·수량 등의 한 줄입니다. 취소와 조정 기록도 포함되어 있습니다.
생각해볼 질문
어떤 고객이 다시 구매할까요? 취소 처리와 집계 기준에 따라 고객·매출의 모습은 얼마나 달라질까요?
변수
두 시트 합계 1,067,371행 × 8열
| 변수 | 의미·형태 | 관측 현황 |
|---|---|---|
| Invoice | 송장 번호·식별자 | 고유값 53,628개, C로 시작하는 취소 표시 포함 |
| StockCode | 상품 코드·식별자 | 고유값 5,305개, 조정용 코드도 포함 |
| Description | 상품 설명·문자열 | 결측 4,382행·0.41% |
| Quantity | 수량·정수 | −80,995~80,995 |
| InvoiceDate | 거래 일시 | 2009-12-01~2011-12-09 |
| Price | 단가·수치, GBP | −53,594.36~38,970 |
| Customer ID | 고객 식별자 | 확인 가능한 고유 ID 5,942개, 결측 243,007행·22.77% |
| Country | 국가·지역 표기 | 43개 표기, Unspecified 포함 |
Description과 Customer ID 외에는 결측이 없습니다. 식별자가 숫자로 저장돼 있어도 크기를 비교하는 수치형 변수로 해석하지 않습니다.
수치 변수의 분포
| 변수 | 평균 | 표준편차 | 25% 지점 | 중앙값 | 75% 지점 |
|---|---|---|---|---|---|
| Quantity | 9.94 | 172.71 | 1 | 3 | 10 |
| Price·GBP | 4.65 | 123.55 | 1.25 | 2.10 | 4.15 |
주요 분포와 기록 특성
- 영국 표기가 전체 행의 91.94%, EIRE 1.67%, 독일 1.65%, 프랑스 1.34%입니다.
- 수량이 음수인 행은 22,950개·2.15%입니다.
- 단가가 0인 행은 6,202개, 음수인 행은 5개입니다. 음수 단가는 대손 조정 기록으로 확인되었습니다.
- 두 시트는 2010년 12월 1~9일이 겹칩니다. 전체를 합치면 첫 행 이후 완전히 같은 반복 행이 34,335개·3.22%입니다.
해석의 한계
- 구매하지 않은 방문자, 광고 노출, 실험 배정 정보가 없습니다.
- 고객 ID 결측 때문에 모든 거래를 고객별로 연결할 수 없습니다.
- 취소·조정·반복 기록의 처리에 따라 집계 결과가 달라집니다.
- 이 자료만으로 가격·광고의 인과효과나 소비자의 선호 구조를 바로 식별할 수 없습니다.
출처와 이용 조건
이용 조건: CC BY 4.0, 출처 표시가 필요합니다.
3. Criteo Uplift Prediction · v2.1
어떤 데이터인가
여러 광고 증분효과 실험에서 모은 사용자 단위 자료입니다. 광고 타기팅 대상 집단과 대조군 배정, 실제 노출, 방문·전환 여부를 담습니다. 설명 변수는 익명화되어 있습니다.
생각해볼 질문
전환할 가능성이 높은 사용자와 광고로 전환이 늘어날 사용자는 같을까요?
변수
13,979,592행 × 16열, 결측 없음
| 변수 | 의미·형태 |
|---|---|
| f0~f11 | 익명화·변환된 수치 특성 12개. 원래의 변수명과 단위는 비공개 |
| treatment | 광고 타기팅 대상 집단 배정 여부, 0/1 |
| exposure | 실제 광고 노출 여부, 0/1 |
| visit | 방문 여부, 0/1 |
| conversion | 전환 여부, 0/1. 공개 설명만으로 모든 전환을 구매라고 단정하지 않습니다 |
익명 특성별 분포
소수 둘째 자리 반올림
| 변수 | 평균 | 표준편차 | 최솟값 | 25% 지점 | 중앙값 | 75% 지점 | 최댓값 |
|---|---|---|---|---|---|---|---|
| f0 | 19.62 | 5.38 | 12.62 | 12.62 | 21.92 | 24.44 | 26.75 |
| f1 | 10.07 | 0.10 | 10.06 | 10.06 | 10.06 | 10.06 | 16.34 |
| f2 | 8.45 | 0.30 | 8.21 | 8.21 | 8.21 | 8.72 | 9.05 |
| f3 | 4.18 | 1.34 | −8.40 | 4.68 | 4.68 | 4.68 | 4.68 |
| f4 | 10.34 | 0.34 | 10.28 | 10.28 | 10.28 | 10.28 | 21.12 |
| f5 | 4.03 | 0.43 | −9.01 | 4.12 | 4.12 | 4.12 | 4.12 |
| f6 | −4.16 | 4.58 | −31.43 | −6.70 | −2.41 | 0.29 | 0.29 |
| f7 | 5.10 | 1.21 | 4.83 | 4.83 | 4.83 | 4.83 | 12.00 |
| f8 | 3.93 | 0.06 | 3.64 | 3.91 | 3.97 | 3.97 | 3.97 |
| f9 | 16.03 | 7.02 | 13.19 | 13.19 | 13.19 | 13.19 | 75.30 |
| f10 | 5.33 | 0.17 | 5.30 | 5.30 | 5.30 | 5.30 | 6.47 |
| f11 | −0.17 | 0.02 | −1.38 | −0.17 | −0.17 | −0.17 | −0.17 |
배정 집단별 관측 결과
| 배정 집단 | 행 수 | 방문율 | 전환율 | 실제 노출률 |
|---|---|---|---|---|
| 대조군 | 2,096,937 | 3.820% | 0.194% | 0% |
| 타기팅 대상 | 11,882,655 | 4.854% | 0.309% | 3.604% |
타기팅 대상으로 배정됐다고 모두 실제 광고를 본 것은 아닙니다. 전체 표본의 전환율은 0.292%입니다.
해석의 한계
- 비균등 표본 추출 때문에 공개 표본의 효과 크기를 원래 광고 대상 전체의 효과로 그대로 해석할 수 없습니다.
- 익명 특성으로는 행동 이유를 구체적인 비즈니스 변수에 연결하기 어렵습니다.
- 사용자 ID·시각·광고주 식별자·주문금액·표본 가중치가 없습니다.
- 구버전에 정보 누출 문제가 보고돼 있어, 여기서는 수정된 v2.1을 사용했습니다.
출처와 이용 조건
이용 조건은 CC BY-NC-SA 4.0입니다. 비상업적 이용·출처 표시·동일조건변경허락 조건이 적용됩니다.