LFMALL 여성상품 호부진 속성 분석 리포트

1. 핵심 요약

2026.07.30~08.05 1주간 LFMALL 여성의류 직접채널 데이터 기준. 호조 324 · 부진 747, 총 1,071개 상품에 대해 DB 속성 118개 · AI 이미지 속성 24개 · 픽셀 정량 속성 38개를 추출해 비교했습니다.

MD 읽는 순서 안내
§2 속성별 격차에서 호조·부진 사유를 확인 → §3 유사쌍 대조에서 같은 브랜드·같은 가격대 상품을 눈으로 비교 → §4 세그먼트에서 담당 상품이 어느 유형인지 확인 → §5 셀링포인트·액션플랜에서 처방 확인 → §6 상품별 속성에서 담당 상품코드를 검색해 개별 진단을 내려받으세요.
§7 이후는 분석 근거와 방법론입니다.

이 리포트의 기본 지표 정의

호조율 — 이 리포트에서 가장 자주 나오는 숫자입니다. 어떤 조건에 해당하는 상품 중 몇 %가 호조로 분류됐는지를 뜻합니다. 호조율(%) = (해당 조건 상품 중 호조 개수) ÷ (해당 조건 상품 총 개수) × 100 전체 호조율 = 324 ÷ 1,071 × 100 = 30.3% ← 모든 비교의 기준선 원본 호부진 판정식 (LFMALL에서 이미 산출해 주신 기준) UV = 2026.07.30~08.05 상품 상세페이지 순 방문자 수 (직접채널) CR = 주문고객수 ÷ UV 호조 판정 = (UV > 그 브랜드의 평균 UV) AND (CR > 그 브랜드의 평균 CR) 부진 판정 = (UV > 그 브랜드의 평균 UV) AND (CR ≤ 그 브랜드의 평균 CR) KPI 카드 산출식 평균 판매가 격차 = 부진 평균 566,520원 ÷ 호조 평균 325,808원 = 1.74배 모델 vs 누끼 = 모델착용 805개 중 호조 290개(36%) vs 누끼단독 266개 중 호조 34개(13%) 모델 AUC = 5-fold 교차검증 ROC-AUC (§9 참조)

AUC 읽는 법 — 무작위로 고른 호조 상품 1개와 부진 상품 1개를 모델이 올바른 순서로 맞힐 확률입니다. 0.5면 동전 던지기, 1.0이면 완벽. 0.787은 "속성만으로 상당 부분 설명되지만 전부는 아니다"를 뜻합니다.

가장 강한 신호 6가지

2. 호조 vs 부진 — 속성별 격차

MD가 바로 쓸 수 있도록 호조 사유와 부진 사유를 먼저 정리했습니다. 통계 상세는 아래 효과크기 차트와 검정 결과표에 있습니다.

✅ 호조 사유 — 잘 팔린 상품의 공통점

⛔ 부진 사유 — 안 팔린 상품의 공통점

위 사유 카드의 숫자 읽는 법

카드에 적힌 %는 전부 호조율이고, n은 해당 상품 개수입니다. 전체 평균 30.3%와 비교해서 읽으시면 됩니다. "모델착용 36%" = 모델 착용컷 805개 중 290개가 호조 → 290 ÷ 805 = 36% "플로럴 11% (n=66)" = 플로럴 패턴 66개 중 7개만 호조 → 7 ÷ 66 = 11%

30.3%보다 높으면 그 속성을 가진 상품이 평균보다 잘 팔렸다는 뜻
30.3%보다 낮으면 평균보다 부진했다는 뜻
n이 작으면(30개 미만) 우연일 수 있습니다. 아래 통계 검정에서 ★유의 표시가 붙은 항목만 신뢰하세요

판별력이 없어 사유 목록에서 뺀 항목 — 흔히 부진 사유로 지목되지만, 이번 데이터에서는 호조·부진이 거의 같았습니다. 상품명 핏 정보 미표기 : 호조 88.9% / 부진 90.2% → 격차 −3.1%p 해시태그 미등록 : 호조 91.7% / 부진 89.8% → 격차 +4.5%p 정보완성도점수 평균 : 호조 2.45 / 부진 2.45 → 완전히 동일 LFMALL 여성의류 전반의 공통 미비점이지 호조·부진을 가르는 요인은 아닙니다. 검색·필터 노출 개선 관점에서는 여전히 의미가 있으나, 이번 분석으로는 효과가 검증되지 않았습니다.

인과로 읽지 마세요 — "플로럴이라서 안 팔렸다"가 아니라 "플로럴 상품군이 결과적으로 부진했다"입니다. 플로럴 상품이 주로 고가·수입 브랜드에 몰려 있을 수 있고, 그렇다면 진짜 원인은 가격입니다. §8 브랜드 통제에서 이 부분을 걸러냅니다.

통계 상세

범주형은 Cramér's V, 연속형은 Cohen's d로 효과크기를 산출하고 Benjamini–Hochberg FDR 보정(q<0.05)을 적용했습니다.

범주형 효과크기 (Cramér's V) TOP 20

Cramér's V — 범주형 변수의 효과 크기

"이 속성이 호조/부진을 얼마나 잘 갈라놓는가"를 0~1 사이 한 숫자로 나타낸 값입니다. V = √( χ² ÷ ( n × min(행수−1, 열수−1) ) ) χ² : 카이제곱 통계량 n : 표본 수(1,071)

0.1 미만 거의 무관 · 0.1~0.2 약한 연관 · 0.2~0.3 보통 · 0.3 이상 강한 연관
막대 색: 파랑 = FDR 보정 후에도 유의(★), 회색 = 유의하지 않음

가격구간 V=0.303 — 상품을 가격대별로 나누면 호조/부진이 뚜렷하게 갈립니다. 반면 무채색여부 V=0.0은 흑백이든 컬러든 결과에 차이가 없다는 뜻입니다.

연속형 효과크기 (Cohen's d) TOP 20 — 우측=호조 우세

Cohen's d — 연속형 변수의 효과 크기

두 집단 평균 차이를 표준편차 단위로 환산한 값입니다. 단위가 다른 변수끼리도 비교할 수 있게 됩니다. d = (호조 평균 − 부진 평균) ÷ 합동표준편차 합동표준편차 = √( ((n₁−1)·s₁² + (n₂−1)·s₂²) ÷ (n₁+n₂−2) )

|d| 0.2 작음 · 0.5 중간 · 0.8 큼 (Cohen 관례)
막대가 오른쪽(+)이면 호조가 큰 값, 왼쪽(−)이면 부진이 큰 값

로그판매가 d=−0.73 — 부진 상품이 호조보다 표준편차 0.73배만큼 비쌉니다. 중간~큰 효과로, 이 분석에서 가장 큰 단일 격차입니다.
왜 로그를 쓰나요? 가격은 5만원~200만원까지 퍼져 있어 그대로 평균 내면 초고가 몇 개가 전체를 끌고 갑니다. 로그를 씌우면 "몇 배 차이인가"로 비교하게 되어 왜곡이 줄어듭니다.

변수별 수준 호조율 (노란 세로선 = 전체 평균 30.3%)

수준별 호조율 차트 읽는 법

각 막대는 그 수준에 해당하는 상품들의 호조율이고, 막대 안 노란 세로선이 전체 평균 30.3%입니다. 막대 길이 = 해당 수준 호조율(%) n = 해당 수준 상품 개수 초록 = 기준선 +8%p 이상 (유리) 빨강 = 기준선 −8%p 이하 (불리) 회색 = 기준선 근처 상단 헤더의 V값은 그 변수 전체의 효과크기, ★유의는 FDR 보정 통과 여부입니다. 칩을 눌러 보고 싶은 변수를 켜고 끌 수 있습니다.

n이 15 미만인 수준은 차트에서 제외했습니다. 상품 몇 개로 계산한 호조율은 한두 건만 바뀌어도 크게 흔들리기 때문입니다.

전체 통계 검정 결과

통계 검정 결과표 읽는 법

컬럼	의미	판단 기준
Cramér's V / Cohen's d	효과 크기 — 차이가 얼마나 큰가	클수록 실무적으로 중요
χ² (카이제곱)	관측 빈도와 기대 빈도의 차이 총량	p값 계산용 중간값
p	실제로는 차이가 없는데 우연히 이만큼 차이 날 확률	작을수록 우연 아님
q (FDR)	다중검정 보정 후 p값	q < 0.05 만 신뢰

왜 p가 아니라 q를 봐야 하나요? 변수 165개를 동시에 검정 → 실제로 아무 차이가 없어도 165 × 0.05 = 약 8개가 우연히 p<0.05로 나옵니다. → Benjamini–Hochberg FDR 보정으로 이 "우연한 발견"을 걸러낸 값이 q입니다.

검정 방법 — 범주형은 카이제곱 독립성 검정, 연속형은 Mann-Whitney U 검정(정규분포를 가정하지 않는 비모수 검정)을 썼습니다. UV·CR 같은 지표는 한쪽으로 심하게 치우쳐 있어 t검정보다 적합합니다.

3. 호조↔부진 유사쌍 1:1 대조

동일 브랜드 · 동일 품목 · 가격 ±25% 조건으로 호조↔부진을 1:1 매칭했습니다. 브랜드·카테고리·가격을 모두 고정했을 때 남는 차이가 순수 속성 효과입니다.

유사쌍 매칭 방법 — 이 섹션이 가장 신뢰도 높은 이유

브랜드·카테고리·가격이 결과에 미치는 영향을 물리적으로 제거하기 위해, 조건이 거의 같은 호조↔부진 상품을 1:1로 짝지었습니다. 매칭 조건 (셋 다 만족): ① 브랜드가 같다 (BRAND_CD 일치) ② 품목이 같다 (MDP 품목코드 일치 — 티셔츠는 티셔츠끼리) ③ 가격이 비슷하다 (부진 판매가가 호조 판매가의 75% ~ 125% 이내) 매칭 방식: 비복원 1:1 (한 상품은 한 번만 사용), 가격 차이가 가장 작은 상품 우선 결과: 244쌍 확보 (브랜드 13개 · 품목 9종)

왜 이렇게 하나요? 단순 비교에서는 "누끼컷이 부진하다"고 나오지만, 누끼컷을 쓰는 브랜드가 원래 고가 수입 브랜드라면 그건 촬영 방식 탓이 아니라 가격·브랜드 탓입니다. 브랜드·품목·가격을 똑같이 맞춰놓고 비교하면 순수하게 남는 차이만 보이게 됩니다.

쌍 내부 평균 차이 (호조 − 부진)

쌍에서 속성이 서로 다른 비율

쌍 내부 차이 검정 방법

쌍내 평균차 = 평균( 호조 상품 값 − 짝지어진 부진 상품 값 ) 호조 우위 쌍 = 244쌍 중 호조 값이 더 큰 쌍의 개수 검정 = Wilcoxon 부호순위 검정 (짝지어진 데이터용 비모수 검정)

Wilcoxon 검정은 쌍마다의 차이에 순위를 매겨 "호조가 큰 쪽으로 치우쳤는가"를 봅니다. 정규분포를 가정하지 않아 5점 척도 같은 데이터에도 쓸 수 있습니다.
p < 0.05면 브랜드·품목·가격을 똑같이 맞춰도 그 차이가 남는다는 뜻입니다.
속성 상이 비율 = (짝에서 그 속성 값이 서로 다른 쌍 수) ÷ 244 × 100

피사체 색분산 +4.97 (p=0.0047) — 244쌍 중 135쌍에서 호조 이미지의 색 변화가 더 컸고, 우연일 확률은 0.47%입니다. AI 시선집중도 −0.07 (p=0.274) — 82쌍 대 82쌍으로 완전히 반반이라 차이가 없다고 봐야 합니다.

대조 뷰어 — 좌 호조 / 우 부진

4. 부진 상품 5개 세그먼트

K-means(k=5)로 부진 747개를 군집화했습니다. 세그먼트마다 부진 원인과 처방이 다릅니다.

세그먼트 상세 프로파일

세그먼트 산출 방법 및 지표 정의

알고리즘 : K-means 군집분석 (k=5, 초기값 25회 시도 후 최적해) 사용 변수 : 연속형 14개 + 범주형 6개(원-핫 인코딩) = 총 20개 축 전처리 : 모든 변수를 z-점수 표준화 ( (값 − 평균) ÷ 표준편차 ) → 가격(수십만 단위)과 5점 척도가 같은 비중을 갖도록 표의 각 지표

지표	산출식
비중%	세그먼트 상품 수 ÷ 부진 747 × 100
주문0비율%	세그먼트 내 주문고객수가 0인 상품 수 ÷ 세그먼트 상품 수 × 100
브랜드내가격백분위	같은 브랜드 안에서 판매가 순위를 0~1로 환산 (1에 가까울수록 그 브랜드 최고가)
모델착용% / 무지% / SS비율%	세그먼트 내 해당 조건 상품 비율
시선집중도 등 5점 척도	세그먼트 내 평균값 (AI 판독, 1~5점)
최다 브랜드/품목/시즌	세그먼트 내 최빈값(mode)

K-means는 정답이 없는 방법입니다. k=5는 해석 가능성을 기준으로 정했고, k를 바꾸면 경계가 달라집니다. 세그먼트 번호 자체보다 각 세그먼트의 프로파일(가격대·시즌·연출방식 조합)을 보고 판단하세요.

5. 셀링포인트 & MD 액션플랜

부진 747개 전 상품에 진단 규칙을 적용해 개선 레버와 우선순위를 산출했습니다.

5-1. 진단 플래그 빈도

레버별 개선 대상 규모

레버 요약표 산출식

대상 상품 수 = 그 레버에 해당하는 플래그를 1개 이상 가진 부진 상품 수 비중(%) = 대상 상품 수 ÷ 747 × 100 커버 UV = 대상 상품들의 UV 총합 (개선 시 영향받는 트래픽 규모) 평균 개선폭 = 대상 상품들의 (그 레버 플래그 pp 절대값 합)의 평균

커버 UV를 보는 이유 — 상품 수가 같아도 트래픽이 많은 상품을 고치는 편이 효과가 큽니다. 컨텐츠 레버는 747개 전부 해당하며 커버 UV 122,983으로 가장 넓고, 실행 비용도 가장 낮습니다.

진단 플래그 판정 규칙 — 조건과 pp 산출 근거

부진 747개 각각에 아래 규칙을 전부 적용했습니다. 한 상품이 여러 플래그를 동시에 가질 수 있습니다.pp(격차) 산출식 — 수기로 정한 값이 아니라 데이터에서 계산했습니다. pp = (그 조건에 해당하는 상품의 호조율) − (해당하지 않는 상품의 호조율) ※ 전체 1,071개(호조+부진) 기준. 부진 747개만으로는 호조율을 계산할 수 없기 때문 채택 기준 — pp ≤ −5.0%p 인 조건만 점수에 반영 → 격차가 작거나 오히려 호조 쪽이 많은 조건은 제외했습니다

pp는 "고치면 이만큼 오른다"가 아닙니다. 현재 관측된 호조율 격차일 뿐이며, 상당 부분이 브랜드·가격과 교락되어 있습니다(§8 참조). 우선순위를 매기는 상대적 가중치로만 쓰시고, 실제 개선 효과는 A/B 테스트로 확인해야 합니다.

5-2. 셀링포인트 처방 5대 원칙

5-3. 최우선 개선 대상 상품 (임팩트점수 = log(UV) × 실행가능 개선폭)

임팩트 점수 · 우선등급 산출식

부진 상품의 UV는 0부터 2,249까지 퍼져 있습니다. 그대로 곱하면 트래픽 상위 몇 개가 순위를 독식해 개선 여지가 큰 상품이 묻힙니다.
로그를 씌우면 "트래픽이 있다/없다"의 구분은 살리면서 극단값의 영향을 눌러줍니다.

계산 예시 — HRSW6E911W2 (히스 헤지스 우먼 니트) UV = 2,249 · 실행가능 개선폭 = 70.6pp 임팩트 = ln(1 + 2249) × 70.6 = 7.719 × 70.6 = 544.9 개선폭 자체는 중간이지만 트래픽이 압도적이라 A등급에 올랐습니다. 반대로 개선폭 152.8pp의 ISDR6F581WT는 UV가 53에 불과해 임팩트 609.5로 비슷한 수준이 됩니다.

이 점수는 "무엇부터 손댈지" 정하는 도구입니다. 절대적 수익 예측치가 아니며, 매출액 데이터가 결합되면 (임팩트 × 마진)으로 재산출하는 것이 정확합니다.

6. 상품별 속성 데이터

1,071개 상품 × 개 속성. 필터·정렬 후 CSV / JSON / Excel로 다운로드할 수 있고, 행을 클릭하면 개별 상품의 전체 속성을 볼 수 있습니다.

다운로드

컬럼 사전 — 계산이 필요한 속성의 정의

원본 DB에서 그대로 가져온 컬럼(브랜드명·판매가·소재 등) 외에, 이 분석에서 계산해서 만든 속성의 산출식입니다.

컬럼	산출식 / 정의	범위
CR	주문고객수 ÷ UV	0~1
브랜드내가격백분위	같은 브랜드 상품들 안에서 판매가 순위를 0~1로 환산	0(최저가)~1(최고가)
실질할인율	(정상가 − 판매가) ÷ 정상가 × 100	0~100%
등록후경과일	2026-08-05 − STB_PRODUCT.REG_DT (일)	일수
정보완성도점수	마케팅문구·해시태그·모델명·상품명 핏표기·상품명 소재어·상품명 색상어·소재설명 상세 7개 중 채워진 개수	0~7
AI종합매력도	(썸네일가독성 + 상품형태인지도 + 시선집중도 + 스타일링연출도) ÷ 4	1~5
dom1_name / dom1_hex	피사체 영역 픽셀을 K-means 3색으로 나눴을 때 가장 넓은 색의 이름·색상값	—
평균명도 / 평균채도	이미지를 HSV로 변환한 뒤 V채널·S채널 전체 평균 ÷ 255	0~1
대비	흑백 변환 이미지의 밝기 표준편차 ÷ 255	0~1
엔트로피	밝기 히스토그램(64구간)의 섀넌 엔트로피 — 이미지 정보량	0~6
엣지밀도	경계 검출 필터 적용 후 강도 30 초과 픽셀의 비율	0~1
피사체점유율	피사체 마스크 픽셀 수 ÷ 전체 픽셀 수	0~1
피사체색분산	피사체 영역 픽셀의 R·G·B 각 표준편차 평균 — 색 변화 정도	0~128
배경명도	테두리 3px 픽셀 평균 RGB ÷ 255	0~1
배경균일도	1 ÷ (1 + 테두리 픽셀 색 표준편차) — 1에 가까울수록 완전 단색 배경	0~1
상품배경명도차	\|주지배색 명도(V) − 배경명도\| — 작을수록 상품이 배경에 묻힘	0~1
웜쿨지수	(평균 R − 평균 B) ÷ 255 — 양수면 따뜻한 톤	−1~1
세그먼트명	§4 K-means 군집 결과 (부진 상품만 부여)	S0~S4
실행가능개선폭pp / 임팩트점수 / 우선등급	§5 산출식 참조	—

피사체 마스크 산출법 — 위 픽셀 지표의 기준이 되는 영역 분리 방식입니다. ① 이미지 테두리 3px 픽셀의 평균 RGB를 배경색으로 추정 ② 각 픽셀과 배경색의 유클리드 거리를 계산 ③ 거리 > 28 인 픽셀을 피사체(옷/모델)로 판정

원본 이미지는 110×139px 썸네일입니다. 픽셀 지표는 이 해상도에서 안정적으로 계산되지만, 원단 질감이나 미세 프린트처럼 고해상도가 필요한 정보는 담기지 않습니다.

7. 속성 조합 연관규칙

Apriori 알고리즘으로 부진/호조에 강하게 연결되는 속성 조합을 마이닝했습니다. lift > 1이면 무작위 대비 해당 결과가 더 자주 발생함을 의미합니다.

지지도 · 신뢰도 · lift 의 뜻

장바구니 분석에 쓰이는 지표를 그대로 적용했습니다. "이 속성들을 동시에 가진 상품은 부진할 확률이 얼마인가"를 봅니다. 지지도(support) = 그 조합에 해당하는 상품 수 ÷ 전체 1,071 → 이 조합이 얼마나 흔한가 신뢰도(confidence) = 그 조합 중 결과(부진/호조)가 나온 수 ÷ 그 조합 상품 수 → 이 조합이면 얼마나 확실히 그 결과인가 lift = 신뢰도 ÷ 전체 결과 비율 부진 기준선 69.7% · 호조 기준선 30.3% → 무작위보다 몇 배 자주 나타나는가 (1이면 무관)

계산 예시 — "상품중심 구도 + 모델착용 + 21~30% 할인" 규칙 해당 상품 25개 (지지도 25 ÷ 1,071 = 2.33%) 그중 호조 25개 → 신뢰도 = 25 ÷ 25 = 100% lift = 100% ÷ 30.3% = 3.31배 전체 평균보다 호조일 확률이 3.31배 높은 조합입니다.

지지도가 낮은 규칙은 조심하세요. 상품 20~40개로 만들어진 규칙은 우연일 수 있습니다. 이 표는 지지도 3%(부진) / 2%(호조) 이상만 남긴 것이지만, 그래도 n=25~50 수준입니다. 규칙을 그대로 믿기보다 반복해서 등장하는 요소(누끼단독, 팬츠, 21~30% 할인 등)에 주목하세요.

부진 연관 조합 TOP 15

호조 연관 조합 TOP 15

8. 브랜드 고정효과 통제 분석

브랜드는 호조율의 최대 교락 요인입니다. 브랜드 내부 편차만으로 재분석해 브랜드 효과와 속성 효과를 분리했습니다.

브랜드별 호조율 편차

브랜드 고정효과 통제 — 어떻게 계산했나

브랜드 자체의 인지도·트래픽 차이를 제거하고, 같은 브랜드 안에서의 상대적 차이만 남겨 비교했습니다. 연속형 변수 — 브랜드 내 중심화(within-brand centering) 중심화 값 = 개별 상품 값 − 그 상품이 속한 브랜드의 평균값 → 브랜드별 수준 차이가 0으로 맞춰지고, 브랜드 내부 편차만 남음 → 이 중심화 값으로 호조·부진을 Mann-Whitney U 검정 범주형 변수 — 브랜드 내 호조율 리프트(%p) 리프트 = Σ [ (브랜드 b에서 그 수준의 호조율 − 브랜드 b 전체 호조율) × n_b ] ÷ Σ n_b (브랜드별 상품 수로 가중평균) 대상: 상품 20개 이상 & 호조·부진이 모두 있는 브랜드 9개 / 1,021개 상품 브랜드별 호조율 차트 막대 = 브랜드 호조율 = 그 브랜드 호조 수 ÷ 그 브랜드 상품 수 × 100 노란 세로선 = 전체 평균 30.3% · n = 브랜드별 상품 수 (15개 이상만 표시)

이 섹션이 중요한 이유 — 단순 비교에서 "모델착용 36% vs 누끼단독 13%"로 23%p 차이가 났지만, 브랜드를 통제하면 +1.1%p로 줄어듭니다. 즉 그 차이의 대부분은 "누끼로 찍는 브랜드가 원래 부진했다"였던 것입니다. 반대로 브랜드 내 가격 하위 25% +10.7%p(9개 브랜드 전부)처럼 통제 후에도 크게 남는 항목이 진짜 신호입니다.

관여 브랜드 수를 꼭 확인하세요. 리프트 옆 "n=109/7브"는 상품 109개, 브랜드 7개에서 관측됐다는 뜻입니다. 브랜드 1~2개에서만 나온 리프트는 그 브랜드의 특성일 가능성이 높아 일반화하기 어렵습니다.

브랜드 통제 후 호조율 리프트 (%p) — 상위

브랜드 통제 후 호조율 리프트 (%p) — 하위

브랜드 통제 후 연속형 변수

브랜드 통제 후 연속형 결과표 읽는 법

호조/부진 평균편차 = 브랜드 평균을 뺀 뒤의 그룹별 평균 (0이 브랜드 평균 수준) 효과크기 d = (호조 평균편차 − 부진 평균편차) ÷ 합동표준편차 p = Mann-Whitney U 검정 p값 (★는 p < 0.05)

브랜드내가격백분위 d=−0.44 — 호조는 브랜드 평균보다 0.087만큼 싼 쪽, 부진은 0.038만큼 비싼 쪽에 위치합니다. 브랜드를 완전히 통제해도 같은 브랜드 안에서 상대적으로 싼 상품이 잘 팔린다는 뜻입니다.

9. 예측 모델 · 변수 중요도

호조 여부를 종속변수로 한 분류 모델의 5-fold 교차검증 AUC와 변수 기여도입니다.

모델 AUC · 변수 중요도 산출 방법

학습 설정 종속변수 : 호조=1, 부진=0 독립변수 : 연속형 31개 + 범주형 36개(원-핫 인코딩) → 약 250개 피처 검증 : 5-fold 층화 교차검증 (데이터를 5등분해 4개로 학습·1개로 평가, 5회 반복 후 평균) 지표 : ROC-AUC AUC(ROC 곡선 아래 면적) = 무작위로 고른 호조 1개와 부진 1개를 모델이 올바른 순서로 판별할 확률 0.50 → 동전 던지기 수준 (무작위) 0.70 → 어느 정도 판별 가능 0.79 → 이번 RandomForest 결과 1.00 → 완벽 판별

AUC 0.787을 어떻게 해석하나요? 추출한 속성만으로 호조/부진을 상당 부분 설명할 수 있지만 전부는 아니라는 뜻입니다. 나머지 약 21%는 이번에 측정하지 못한 요인 — 마케팅 노출, 검색 랭킹, 리뷰, 재고 상태, 개별 상품의 매력도 등 — 에 있습니다. 기준선 0.6975는 "무조건 부진이라고 답하기"의 정확도로, 모델이 이보다 의미 있게 높습니다.

RandomForest 변수중요도 TOP 22

로지스틱 회귀 계수 (표준화) — 우측=호조 방향

로지스틱 계수와 오즈비(OR)

모델 : L2 정규화 로지스틱 회귀 (C=0.3), 모든 변수 표준화 후 학습 계수 = 그 변수가 1 표준편차 늘어날 때 호조 로그오즈의 변화량 오즈비 = e^계수 → OR > 1 호조 방향 / OR < 1 부진 방향

로그판매가 계수 −0.737 (OR 0.479) — 가격이 1 표준편차 오르면 호조가 될 오즈가 약 절반(0.48배)으로 떨어집니다.
AI 시선집중도 계수 +0.427 (OR 1.53) — 시선집중도가 1 표준편차 오르면 호조 오즈가 1.53배가 됩니다.

"오즈"는 확률이 아닙니다. 오즈 = 확률 ÷ (1−확률)이며, OR 0.48이 곧 "확률이 절반"을 뜻하지는 않습니다. 또한 다른 변수를 모두 고정했을 때의 값이라, 서로 얽힌 변수들(가격·브랜드·연출)이 많은 이 데이터에서는 방향과 순위 참고용으로 쓰는 편이 안전합니다.

RandomForest 변수중요도의 의미

중요도 = 그 변수로 데이터를 나눌 때 줄어드는 불순도(Gini)의 총합 600개 의사결정나무 전체에서 누적 → 전체 합이 1이 되도록 정규화

값이 클수록 호조/부진을 가르는 데 자주·크게 기여한 변수입니다.
연속형 변수가 상위에 몰리는 경향이 있습니다(나눌 지점이 많아서). 범주형과 직접 비교할 때는 주의하세요.
방향(호조/부진 어느 쪽인지)은 알려주지 않습니다. 방향은 옆의 로지스틱 계수 차트를 보세요.

상관이 높은 변수끼리는 중요도가 나눠 가집니다. 예를 들어 로그판매가·브랜드내가격백분위·가격구간은 사실상 같은 정보라, 셋의 중요도를 합쳐서 봐야 "가격"의 진짜 비중이 보입니다.

10. 상품당 속성 체계

한 상품당 DB 추출 속성 · AI 이미지 속성 · 픽셀 정량 속성 3계층으로 구성했습니다.

3계층 속성이 어떻게 만들어졌는가

① DB 추출 속성 (119개) 출처: 상품 DB DATA 229컬럼 229개 중 → 전량 공란 52개 · 단일값(무변별) 75개 제외 → 실사용 103개 여기에 파생변수(가격 백분위·경과일·소재 파싱·정보완성도 등)를 더해 최종 119개 ② AI Vision 속성 (24개) 1,085장을 20장 단위 컨택트시트 55장으로 재구성 → 11개 AI 에이전트가 병렬로 이미지를 직접 판독 → 고정 스키마(허용값 목록) + 자유태그 3~6개 → 전건 검증: 필드 누락 0 · 허용값 위반 0 · 상품코드 매핑 불일치 0 ③ 픽셀 정량 속성 (38개) AI 판독의 주관성을 보완하는 객관 지표 Pillow + scikit-learn(K-means)으로 이미지에서 직접 계산

왜 3계층으로 나눴나요? AI 판독은 "모델착용인가 누끼인가" 같은 의미 판단에 강하지만 5점 척도 같은 주관 평가는 흔들립니다. 픽셀 지표는 객관적이지만 의미를 모릅니다. DB 속성은 정확하지만 이미지 정보가 없습니다. 셋을 겹쳐놓고 보니, §3 유사쌍 검정에서 AI 주관 점수는 무너지고 픽셀 지표만 살아남는 결과가 나왔습니다.

① DB 추출 속성군 (10군)

② AI Vision 속성 (24종)

③ 픽셀 정량 속성 (38종)

11. 데이터 구성 및 정합성 검증

4개 소스(성과 데이터 · 이미지 · 상품 DB · 코드 마스터)의 상품코드 정합성을 전수 검증했습니다.

소스별 규모

이미지 ↔ 상품코드 매핑 검증 결과

이미지 ↔ 상품코드 매핑 검증 방법

엑셀에 삽입된 이미지는 셀에 들어있는 것이 아니라 시트 위에 떠 있는 도형이라, 어느 행에 붙어있는지를 앵커(anchor) 좌표로 따로 확인해야 합니다. ① openpyxl로 각 이미지의 앵커 좌표(from.row)를 읽음 — 0부터 시작 ② 시트 행 번호로 변환: 시트행 = 앵커행 + 1 ③ 해당 시트행의 A열 상품코드와 이미지를 매핑 ④ 6가지 오류 유형을 전수 검사 검사한 오류 유형

유형	검사 내용	결과
ANCHOR_NO_CODE	이미지 앵커 행에 상품코드가 없음	0건
DUP_IMAGE_SAME_CODE	같은 상품코드에 이미지가 2개 이상	0건
IMAGE_READ_FAIL	이미지 바이너리 추출 실패	0건
IMAGE_DECODE_FAIL	추출은 됐으나 이미지로 열리지 않음	0건
CODE_NO_IMAGE	상품코드는 있으나 대응 이미지 없음	0건
그룹 라벨 불일치	호조 파일 이미지가 부진으로 분류된 경우 등	0건

추가 검사 — md5 해시 중복 이미지 바이너리의 md5 해시를 전부 비교했습니다. 호조 파일에서 완전히 동일한 이미지 1쌍(HSPA6B301BA · HSPA6B301BK)이 나왔습니다. 서로 다른 컬러 상품인데 같은 컷을 쓴 것으로, 매핑 오류는 아니지만 컬러 변형별 대표 이미지 관리 관점에서 확인이 필요합니다.

소스 간 커버리지 갭

12. 상품 DB 매핑 구조

상품 DB DATA의 229개 컬럼은 컬럼 정의서 순서와 100% 일치하며, 4개 테이블이 PROD_CD를 축으로 좌→우 결합된 구조입니다.

229컬럼을 4개 테이블로 분해한 방법

① 컬럼 정의서(상품 정보 DB 테이블 정보.xlsx)에서 테이블별 컬럼 목록과 순서를 읽음 STB_PRODUCT 135 + STB_ITEM 39 + LST_PRODUCT_DTL 21 + MDP기본상품정보관리 34 = 229 ② DB DATA의 1~229번 컬럼을 이 순서대로 각 테이블에 배정 ③ 배정된 컬럼명이 실제 헤더와 일치하는지 229개 전부 대조 → 불일치 0건 (호조·부진 파일 모두) ④ 중복 컬럼명은 테이블 접두어를 붙여 정규화 예: PROD_CD → STB_PRODUCT.PROD_CD / LST_PRODUCT_DTL.PROD_CD

이 검증을 통과했기 때문에, 앞으로 DB에서 직접 쿼리를 짜실 때 이 매핑 구조를 그대로 쓰실 수 있습니다. 4개 테이블을 PROD_CD로 조인하면 동일한 229컬럼 뷰가 재현됩니다.

13. 원본 기준 검증 및 분석 한계

본 분석의 신뢰 구간을 명확히 하기 위해 원본 호부진 판정 기준의 통계적 특성을 진단했습니다.

검증 지표 산출식

부진 중 주문 0건(%) = 부진 중 주문고객수 = 0 인 상품 수 ÷ 747 × 100 = 579 ÷ 747 × 100 = 77.5% 호조 중 주문 0건(%) = 정의상 0% (CR > 브랜드 평균이려면 주문이 있어야 함) 라벨링 커버리지(%) = 분석 대상 1,071 ÷ 전체 여성의류 3,779 × 100 = 28.3% 브랜드 간 UV 격차 = (n≥20 브랜드 중 최대 평균UV) ÷ (최소 평균UV)

이 4개 숫자가 뜻하는 것 — 부진의 77.5%가 주문 0건이라는 것은, "부진"이라는 라벨이 실질적으로 "1주간 주문이 한 건도 없었던 고UV 상품"에 가깝다는 뜻입니다. 관측 기간을 4주로 늘리면 이 중 상당수의 라벨이 바뀔 수 있습니다. 아래 한계 목록과 함께 읽어주세요.

브랜드별 성과 편차

확인된 한계 및 해석 주의사항

14. 참고문헌 및 근거 자료

본 리포트의 해석 프레임은 아래 학술 논문 및 산업 리포트를 참조했습니다. 인용된 수치는 각 출처의 발표값이며, 본 분석 데이터로 직접 검증한 값이 아닙니다.

인용 정확도에 관한 고지 — 외부 출처의 수치(전환율 상승률 등)는 각 기관이 서로 다른 표본·기간·측정 방식으로 산출한 값입니다. 본 분석의 LFMALL 데이터와 직접 비교할 수 없으며, 방향성 참고용으로만 활용하시기 바랍니다. 의사결정에 활용하실 경우 원문 확인을 권장합니다.

LFMALL 여성상품 호부진 속성 분석 · 생성일 2026-08-07
분석 대상 1,071개 상품 / 성과 기준일 2026-07-30 ~ 2026-08-05 (7일)