플러스프로젝트 배경
1) 문제점 - 코호트 분석은 SQL + Python + BI 도구를 조합해야 하며 비개발자에게 진입장벽이 높음 - 리텐션 차이의 통계적 유의성을 직관에 의존해 판단하는 현장 관행 - BG/NBD + Gamma-Gamma LTV 예측 모델은 구현 복잡도 탓에 실무에서 활용하기 어려움 2) 프로젝트 목표 - CSV 업로드만으로 코호트 그룹화·리텐션 히트맵·트렌드 차트를 3초 내 자동 생성 - Ch
프로젝트 성과
Week 1→2 이탈 최대 구간 특정
1,010명 코호트 분석에서 Week 1→2 리텐션이 35.1%p 하락하는 최대 이탈 구간을 데이터로 증명, 개선 ROI 최대 시점 특정.
통계 검정 3종 완전 구현 (외부 라이브러리 0개)
Chi-Square χ²=84.24(p<0.001)·Log-Rank p=0.007·Kaplan-Meier 중앙 생존 1.6주를 순수 JS로 구현, scipy 의존성 없이 브라우저 내 완결.
6개 분석 기능 50ms 이내 처리
코호트 ~50ms / Churn ~15ms / 통계 ~10ms / LTV ~5ms / A/B <1ms. Web Worker 4단계 파이프라인으로 1,010명 전체 분석을 UI 블락 없이 완료.
핵심 기능
코호트 리텐션 히트맵 자동 생성
CSV 업로드만으로 주간 코호트 그룹화·리텐션 히트맵·트렌드 차트를 50ms 이내에 자동 생성.
별도 서버나 Python 환경 없이 브라우저에서 즉시 확인 가능.
별도 서버나 Python 환경 없이 브라우저에서 즉시 확인 가능.
진행 단계
기획 및 설계
2026.02.
분석 요구사항 정의, 6개 분석 엔진 범위 확정, JSDoc 시그니처 Design-First 설계.
샘플 데이터셋(Python Faker 기반 1,010명 / 2,306건) 생성 및 전처리 기준 수립.
샘플 데이터셋(Python Faker 기반 1,010명 / 2,306건) 생성 및 전처리 기준 수립.
프로젝트 상세
─ 1) 포트폴리오 소개 ─ 코호트 리텐션 분석 웹 도구. CSV 파일만 업로드하면 코호트 그룹화·리텐션 히트맵·이탈 예측·LTV 예측·통계 검정·A/B 시뮬레이션 6가지 분석을 브라우저 내에서 50ms 이내에 완료합니다. 1,010명 샘플 데이터 분석에서 Week 1→2 이탈 35.1%p 하락 구간을 특정하고, Chi-Square(p<0.001)·Log-Rank(p=0.007) 검정으로 코호트 간
