SQL 분석 프로젝트 - Uber 데이터 분석

분석의 목적

Uber 서비스의 고객 요청수와 운전자 수 간의 관계를 분석해, 서비스 품질을 개선하고 운전자 배치를 최적화하는 방법은 무엇일까요?

Q. 어떤 시간대에 차량을 가장 많이 놓치는가?

Q. 고객 수와 운전자 수의 패턴은 어떠한가?

Q. 운전자 수와 요청 수 간의 관계는 어떠한가?

결과

1. 2시~ 6시 시간대:
   1. 특징:
      1. 가장 많이 차를 못 찾는 시간대.
      2. 전체 고객 수가 가장 적음.
      3. 운전자 수도 가장 적음.
         
         
   2. 원인:
      1. 고객 수가 적어 운전자 수도 자연스럽게 감소.
      2. 운전자 부족으로 인해, 차를 못 찾는 비율이 높음.
         
         
2. 7시~ 22시 기간대
   1. 특징:
      1. 고객 수가 많아짐.
      2. 운전자 수가 차량 요청 수를 크게 윗돔.
         
         
   2. 원인:
      1. 고객 수 증가에 따라 운전자 수도 증가.
      2. 수요보다 공급이 크게 많은 상태.

제안

1. 2시~ 6시 시간대:
   1. 운전자 유치 및 유지 제안:

      1. 인센티브 제공: 이 시간대에 활동하는 운잔자에게 추가 보상을 제공.

         ex) 시간당 추가 수수료, 보너스 지급.

      2. 스케줄 유연성: 운전자들이 이 시간대에 더 많이 활동할 수 있도록 유연한 스케줄 제공.

         ex) 파트타임 근무 옵션, 야간 근무 수당.
         
         

2. 7시~ 22시 시간대:
   1. 운전자 효율성 극대화:
      1. 수요 예측 모델링: 머신러닝을 활용한 실시간 수요-공급 매칭.
      2. 대기 시간 관리: 핫스팟(수요 집중 지역)에 운전자 우선 배치.
   2. 고객 경험 강화:
      1. 프리미엄 서비스: 프라미엄 차량 무료 체험, 빠른 예약 옵션
         
         
3. 공통 제안:
   1. 시간대별 Zeroes 비율, 요청-운전자 비율 모니터링 시스템 구축.
   2. 운전자/고객 설문조사를 통한 서비스 개선 방향 수립

데이터 설명

• 데이터 범위: 2주 동안의 시간대별 데이터 (0시~ 23시)
• 주요 지표:
  • Date: 날짜
  • Time (Local): 시간
  • Eyeballs: Uber 앱 접속 소객수
  • Zeroes: 차량 미확보 고객 수
  • Requests: 차량 요청 수
  • Completed Trips: 완료된 트립 수
  • Unique Drivers: 로그인한 운전자 수

분석 과정 및 근거

⇒ 토요일 > 금요일 > 일요일 순으로 요청수나 완료되는 트립 수가 가장 많음.

⇒ 2시부터 6시 사이에 고객들이 차량을 못찾는 비율이 제일 큼.

⇒ 2시부터 6시 사이에 고객들이 차량을 못찾는 비율이 제일 큼.

⇒ 앱 접속자수가 줄어드는 시간대이다 보니 운전자 수도 같이 줄어든다. (아무래도 이렇기에 놓치는 비율도 커지는듯.)

⇒ 앱 접속자수/요청수가 줄어드는 시간대이다 보니 운전자 수도 같이 줄어든다. (아무래도 이렇기에 놓치는 비율도 커지는듯.)