초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

최근 경제가 발전함에 따라 산업이 다양해졌다. 산업이 다양해 지면서 각 산업에 대하여 경쟁사들이 생겨났다. 특히 통신업계, 게임업계, 카드업계, 보험업계 등 여러 경쟁사와 서로 경쟁하며 유지되고 있다. 또한, 정보의 공유가 다양한 루트로 이루어지고 있으며 이러한 정보를 쉽게 접할 수 있게 되었다. 기업의 고객들은 여러 정보를 접하며 서비스를 비교 분석 후 선택하게 되었다. 이러한 과정에서 기존의 서비스를 탈퇴하고 다른 서비스에 가입하는 고객 이탈 현상이 발생하게 되었다.
4차 산업혁명이 도래한 현시점에서 기업들은 고객을 가장 큰 자산으로 인식한다. 그리고 고객들로부터 발생된 데이터를 가장 중요한 자원으로 생각하게 되었다. 기업의 자산을 계속 유지 시키기 위해 기업들은 자원을 이용하여 비즈니스 정책을 수립하는 이른바 데이터 비즈니스를 펼치고 있다. 따라서 고객의 데이터를 이용하여 고객의 보유율을 높이기 위해서는 휴면 및 이탈 고객을 정확히 예측하며 예측된 결과로부터 떠날 것 같은 고객에 미리 대비하는 것이 중요하다. 기업들은 신규 고객을 유치시키거나 기존의 고객을 유지를 위하여 많은 노력과 비용을 들인다. 고객과 관련한 비즈니스 과정에서 신규 고객을 유치하는데 드는 비용은 기존의 고객을 유지하는데 사용되는 비용보다 5~6배 정도 많다는 연구결과가 있었다. 그만큼 기업들은 기존의 고객을 유지 시키는 비즈니스 전략을 세우려 많은 노력을 기울이고 있다.
여러 산업에서 고객의 이탈 및 휴면을 예측하는 연구가 진행 중이다. 특히 카드 산업은 현재 과포화 상태에 이르렀다. 많은 고객은 하나의 신용카드만 이용하는 것이 아닌 두 개 이상의 신용카드를 소지하고 이용하고 있다. 또한, 카드별로 혜택이 다양하여서 고객들은 혜택에 따라 카드를 선택적으로 사용하고 있다. 이러한 현상으로 인하여 카드 산업에서 신규 고객 유치는 매우 어려운 실정에 이르렀다. 이에 따라 카드 산업에서 고객을 유지 시키는 것은 무엇보다 중요해졌다. 또한, 카드산업에서 고객의 휴면은 신용카드의 사용과 관련된 이슈이다. 현대에는 카드의 기술적 편리성보다도 신용카드사에서 제공하는 서비스를 활용하기 위해 카드를 이용하는 경우가 많다. 따라서 본 연구에서는 ...

최근 경제가 발전함에 따라 산업이 다양해졌다. 산업이 다양해 지면서 각 산업에 대하여 경쟁사들이 생겨났다. 특히 통신업계, 게임업계, 카드업계, 보험업계 등 여러 경쟁사와 서로 경쟁하며 유지되고 있다. 또한, 정보의 공유가 다양한 루트로 이루어지고 있으며 이러한 정보를 쉽게 접할 수 있게 되었다. 기업의 고객들은 여러 정보를 접하며 서비스를 비교 분석 후 선택하게 되었다. 이러한 과정에서 기존의 서비스를 탈퇴하고 다른 서비스에 가입하는 고객 이탈 현상이 발생하게 되었다.
4차 산업혁명이 도래한 현시점에서 기업들은 고객을 가장 큰 자산으로 인식한다. 그리고 고객들로부터 발생된 데이터를 가장 중요한 자원으로 생각하게 되었다. 기업의 자산을 계속 유지 시키기 위해 기업들은 자원을 이용하여 비즈니스 정책을 수립하는 이른바 데이터 비즈니스를 펼치고 있다. 따라서 고객의 데이터를 이용하여 고객의 보유율을 높이기 위해서는 휴면 및 이탈 고객을 정확히 예측하며 예측된 결과로부터 떠날 것 같은 고객에 미리 대비하는 것이 중요하다. 기업들은 신규 고객을 유치시키거나 기존의 고객을 유지를 위하여 많은 노력과 비용을 들인다. 고객과 관련한 비즈니스 과정에서 신규 고객을 유치하는데 드는 비용은 기존의 고객을 유지하는데 사용되는 비용보다 5~6배 정도 많다는 연구결과가 있었다. 그만큼 기업들은 기존의 고객을 유지 시키는 비즈니스 전략을 세우려 많은 노력을 기울이고 있다.
여러 산업에서 고객의 이탈 및 휴면을 예측하는 연구가 진행 중이다. 특히 카드 산업은 현재 과포화 상태에 이르렀다. 많은 고객은 하나의 신용카드만 이용하는 것이 아닌 두 개 이상의 신용카드를 소지하고 이용하고 있다. 또한, 카드별로 혜택이 다양하여서 고객들은 혜택에 따라 카드를 선택적으로 사용하고 있다. 이러한 현상으로 인하여 카드 산업에서 신규 고객 유치는 매우 어려운 실정에 이르렀다. 이에 따라 카드 산업에서 고객을 유지 시키는 것은 무엇보다 중요해졌다. 또한, 카드산업에서 고객의 휴면은 신용카드의 사용과 관련된 이슈이다. 현대에는 카드의 기술적 편리성보다도 신용카드사에서 제공하는 서비스를 활용하기 위해 카드를 이용하는 경우가 많다. 따라서 본 연구에서는 통합기술수용이론(UTAUT)을 이용하여 고객들이 카드 사용에 관련된 요인을 정의하고 변수로써 활용하였다.
고객의 데이터는 시간에 따라 변화하는 데이터이다. 하지만 기존의 연구에서 고객의 변화하는 데이터를 인식하지 못한 채 휴면이나 이탈을 예측해 왔었다. 즉 시계열 데이터를 이용하지 않고 고객의 평균치 데이터를 이용하여 정적 알고리즘을 다수 이용하였으며 시간의 정보를 담지 못한 한계점도 지적된 바 있었고, 시간의 정보를 담은 예측 방법이 더욱 안정적인 결과를 도출해낸다는 지적도 있었다. 따라서 고객 데이터를 이용할 때, 시간의 속성을 고려하여 예측하는 것이 중요하다.
본 연구에서는 카드 산업의 고객 데이터를 이용하여 고객의 휴면을 예측하였다. 기존의 선행연구에서 이탈 예측에 많이 사용된 Logistic Regression(이하 GLM), Support Vector Machine(이하 SVM), Random Forest(이하 RF)를 선정하였다. 또한, 휴면을 예측하는 데 있어 시간의 흐름을 잘 학습할 수 있는 Deep Learning(이하 DL) 방법론인 Recurrent Neural Network(이하 RNN)기반을 둔 모형을 사용하였다. 긴 시간의 흐름을 학습할 때, 학습이 잘되지 않는 현상을 보완한 Long Short-Term Memory(이하 LSTM)을 휴면 예측 분석에 이용하였다. 모형의 전반적인 예측 정확도와 F-1 score를 통하여 모형을 예측 성능을 평가하였으며 Hit-Ratio와 관련된 Curve를 이용하여 예측 휴면 확률이 높은 고객에 대한 적중률을 통해 모형의 결과를 해석하였다. 마지막으로 모형들의 예측 정확도를 통계적 검정을 통하여 여러 정적모형이 LSTM알고리즘과 통계적으로 유 의미하게 다른 예측 정확도를 도출하는지 알아보았다. 그 결과 LSTM알고리즘을 통한 휴면 예측 결과는 다른 모형들보다 더욱 안정적인 결과와 좋은 성능을 도출했다. 통계적 검정 결과 LSTM알고리즘과 다른 비교 모형의 예측 정확도는 서로 다른 결과를 도출한 것으로 나타났다.
본 연구의 결과를 이용하여 기존 고객을 유지 시키는 비즈니스 정책을 수립하는 기업에 휴면 고객을 정확히 예측하는데 도움을 줄 수 있다. 또한, 예측 결과는 휴면 예측 확률이 높은 고객에게 맞춤형 마케팅 활동을 시행할 수 있게 하는 중요한 자료로써 활용이 될 수 있다. 더 나아가 고객생애가치(이하 CLV)를 계산하여 휴면 확률이 높으면서 가치가 높은 고객을 분류하여 기업은 효율적인 고객관리를 하는 참고 자료로써 이용할 수 있을 것으로 예상된다.

주제어