✈️ AI 기반 항공 고객 만족도 분석 프로젝트

고객의 항공 서비스 이용 데이터를 기반으로
고객 만족 여부를 예측하고,
서비스 품질 향상을 위한 핵심 요인을 분석한 머신러닝 및 딥러닝 프로젝트입니다.

---

📌 프로젝트 개요

본 프로젝트는 항공 고객 만족도 데이터를 활용하여
고객 만족 여부를 예측하고,
어떤 서비스 요소가 고객 경험에 가장 큰 영향을 미치는지 분석하는 것을 목표로 진행되었습니다.

단순한 모델 정확도 향상보다
데이터를 기반으로 실제 서비스 개선 방향을 도출하는 과정에 집중하였습니다.

---

🎯 프로젝트 목표

• 고객 만족 여부 예측 모델 구축
• 서비스 품질 영향 요소 분석
• 연령대별 만족 요인 차이 분석
• 데이터 기반 의사결정 경험 습득
• 머신러닝 모델 성능 비교 및 개선

---

🛠 사용 기술 스택

Language

• Python

Data Analysis

• Pandas
• NumPy

Visualization

• Matplotlib
• Seaborn

Machine Learning / Deep Learning

• Scikit-learn
• TensorFlow
• Keras

Environment

• Google Colab
• Jupyter Notebook

---

📂 프로젝트 구조

Airline-Customer-Satisfaction/
│
├── 01 - 탐색적 데이터 분석.ipynb
├── 02 - 기본 모델링.ipynb
├── 03 - 모델 추가 학습.ipynb
│
├── data.csv
├── survey.csv
├── new_train.csv
├── new_test.csv
│
├── base_model.keras
├── scaler.pkl
│
└── README.md

---

📊 데이터 분석 과정

1️⃣ 탐색적 데이터 분석(EDA)

• 데이터 구조 확인
• 결측치 및 이상치 확인
• 변수별 분포 분석
• 고객 만족/불만족 비율 분석
• 상관관계 분석
• 서비스 항목별 시각화 진행

---

2️⃣ 데이터 전처리

• 범주형 데이터 인코딩
• 데이터 정규화(StandardScaler)
• 학습/테스트 데이터 분리
• 모델 입력 데이터 가공

---

3️⃣ 머신러닝 모델링

사용 모델

• RandomForestClassifier

진행 내용

• 모델 학습
• 성능 비교
• 정확도 분석
• 변수 중요도 확인
• 예측 결과 평가

---

📈 주요 분석 결과

✔ 고객 만족도에 영향을 주는 핵심 요소 확인

다음 요소들이 고객 만족도에 큰 영향을 미치는 것으로 나타났습니다.

• 좌석 편의성
• 기내 서비스 품질
• 청결도
• 기내 와이파이 서비스
• 비행 지연 시간

---

✔ 연령대별 중요 요소 차이 발견

연령대에 따라 중요하게 생각하는 서비스 요소가 서로 다르게 나타났습니다.

예시:

• 젊은 연령층 → 와이파이/엔터테인먼트 중요
• 높은 연령층 → 좌석 편의성/청결도 중요

---

✔ 데이터 기반 서비스 개선 가능성 확인

단순 예측 모델 구축을 넘어
고객 경험 개선 방향을 데이터 기반으로 제안할 수 있음을 확인했습니다.

---

🤖 모델링 결과

모델	특징
Random Forest	변수 중요도 해석 가능

---

🧠 딥러닝 모델 구축

본 프로젝트에서는 머신러닝(Random Forest)뿐 아니라
딥러닝 모델을 함께 구축하여
고객 만족도 예측 성능을 비교 분석하였습니다.

---

📌 딥러닝 모델 구조

TensorFlow/Keras 기반 Sequential 모델을 사용하였습니다.

사용 Layer

• Dense Layer
• Batch Normalization
• Activation(ReLU)
• Dropout

---

📌 모델 학습 과정

학습 단계

1. 데이터 정규화 진행
2. 학습/검증 데이터 분리
3. DNN 모델 설계
4. 모델 학습 및 검증
5. 성능 비교 및 추가 학습 진행

---

📌 사용 기술

TensorFlow
Keras
Sequential
Dense
BatchNormalization
Dropout
Adam Optimizer

---

📌 딥러닝 모델 성능 개선

기본 모델 학습 이후 추가 학습을 통해
과적합(Overfitting)을 줄이고 예측 성능 개선을 시도하였습니다.

적용 내용

• Epoch 조정
• Layer 구조 변경
• BatchNormalization 적용
• Activation 함수 조정
• Validation 기반 성능 비교

---

📌 모델 저장 및 재사용

학습 완료된 모델은 .keras 형식으로 저장하여
추후 재사용 및 예측 시스템 구축이 가능하도록 구성하였습니다.

저장 파일

base_model.keras
base_model (1).keras

---

📊 머신러닝 vs 딥러닝 비교

구분	Random Forest	DNN
장점	변수 중요도 해석 가능	복잡한 패턴 학습 가능
특징	해석 중심	예측 성능 중심
활용	중요 변수 분석	고객 만족 예측

---

🔥 프로젝트 핵심 차별점

본 프로젝트는 단순 데이터 분석에 그치지 않고,

• 머신러닝 기반 변수 중요도 분석
• 딥러닝 기반 고객 만족 예측
• 모델 성능 비교
• 서비스 개선 방향 도출

까지 연결한 데이터 기반 AI 프로젝트입니다.

💡 프로젝트를 통해 배운 점

• 데이터 전처리의 중요성
• 모델별 성능 및 특성 차이 이해
• 변수 중요도 분석 경험
• 데이터 기반 문제 해결 사고 방식 습득
• 서비스 개선 관점의 데이터 해석 경험

---

🚀 향후 개선 방향

• XGBoost / LightGBM 모델 추가 비교
• SHAP 기반 Explainable AI 적용
• 실시간 예측 시스템 구축
• 대시보드 시각화 구현
• 사용자 맞춤형 서비스 추천 기능 확장

---

▶ 실행 방법

패키지 설치

pip install -r requirements.txt

---

Jupyter Notebook 실행

jupyter notebook

또는

Google Colab에서 .ipynb 파일 실행

---

📷 프로젝트 예시 화면

• 데이터 시각화 그래프
• 변수 중요도 분석
• 모델 성능 비교 결과
• 만족도 분포 시각화

(추후 이미지 추가 예정)

---

📌 프로젝트 기대 효과

• 고객 경험 개선 방향 도출
• 데이터 기반 서비스 전략 수립
• 항공 서비스 품질 향상 지원
• 머신러닝 기반 고객 만족 예측 활용 가능

---

👨‍💻 작성자

김남효
Data Analysis / Machine Learning Project

GitHub Portfolio Project