고객관계관리는 치열한 경쟁환경에서 각 기업이 생존하기 위해 반드시 필요한 하나의 기업전략이 되었다. 고객관계관리의 방법은 다양하지만 가장 기본적인 방법은 특정 고객이 어떤 상품 혹은 상품군을 구매할 것인지를 정확히 예측하는 것이다. 이미 국내외 실무현장에서 전통적인 데이터마이닝 기법을 활용한 고객구매예측모형이 널리 적용되고 있다. 하지만 전통적인 기법의 경우, 정확도가 상대적으로 떨어지거나 혹은 모형의 구축 및 유지관리가 어렵다는 문제가 종종 제기되어 왔다. 이에 본 연구에서는 기존 모형의 문제점을 개선하기 위한 대안으로, 매우 높은 예측력을 나타내면서 동시에 일반화 능력이 우수한 것으로 알려진 Support Vector Machine(SVM)을 이용하여 고객구매예측모형을 구축하고자 한다. 본 연구에서는 고객구매예측의 도구로써 SVM의 적합성을 판단하기 위하여 전통적인 기법인 로지스틱 회귀분석, 인공신경망과 그 성과를 비교하였다. 그 결과, SVM이 다른 기법들에 비해 상대적으로 우수한 성과를 나타냄을 확인할 수 있었다.
고객관계관리는 치열한 경쟁환경에서 각 기업이 생존하기 위해 반드시 필요한 하나의 기업전략이 되었다. 고객관계관리의 방법은 다양하지만 가장 기본적인 방법은 특정 고객이 어떤 상품 혹은 상품군을 구매할 것인지를 정확히 예측하는 것이다. 이미 국내외 실무현장에서 전통적인 데이터마이닝 기법을 활용한 고객구매예측모형이 널리 적용되고 있다. 하지만 전통적인 기법의 경우, 정확도가 상대적으로 떨어지거나 혹은 모형의 구축 및 유지관리가 어렵다는 문제가 종종 제기되어 왔다. 이에 본 연구에서는 기존 모형의 문제점을 개선하기 위한 대안으로, 매우 높은 예측력을 나타내면서 동시에 일반화 능력이 우수한 것으로 알려진 Support Vector Machine(SVM)을 이용하여 고객구매예측모형을 구축하고자 한다. 본 연구에서는 고객구매예측의 도구로써 SVM의 적합성을 판단하기 위하여 전통적인 기법인 로지스틱 회귀분석, 인공신경망과 그 성과를 비교하였다. 그 결과, SVM이 다른 기법들에 비해 상대적으로 우수한 성과를 나타냄을 확인할 수 있었다.
As the competition in business becomes severe, companies are focusing their capacity on customer relationship management (CRM) for survival. One of the important issues in CRM is to build a purchase prediction model, which classifies customers into either purchasing or non-purchasing groups. Until n...
As the competition in business becomes severe, companies are focusing their capacity on customer relationship management (CRM) for survival. One of the important issues in CRM is to build a purchase prediction model, which classifies customers into either purchasing or non-purchasing groups. Until now, various techniques for building purchase prediction models have been proposed. However, they have been criticized because their performances are generally low, or it requires much effort to build and maintain them. Thus, in this study, we propose the support vector machine (SVM) a tool for building a purchase prediction model. The SVM is known as the technique that not only produces accurate prediction results but also enables training with the small sample size. To validate the usefulness of SVM, we apply it and some of other comparative techniques to a real-world purchase prediction case. Experimental results show that SVM outperforms all the comparative models including logistic regression and artificial neural networks.
As the competition in business becomes severe, companies are focusing their capacity on customer relationship management (CRM) for survival. One of the important issues in CRM is to build a purchase prediction model, which classifies customers into either purchasing or non-purchasing groups. Until now, various techniques for building purchase prediction models have been proposed. However, they have been criticized because their performances are generally low, or it requires much effort to build and maintain them. Thus, in this study, we propose the support vector machine (SVM) a tool for building a purchase prediction model. The SVM is known as the technique that not only produces accurate prediction results but also enables training with the small sample size. To validate the usefulness of SVM, we apply it and some of other comparative techniques to a real-world purchase prediction case. Experimental results show that SVM outperforms all the comparative models including logistic regression and artificial neural networks.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서, SVM은 입력벡터 X를 고차원의 특징공간 (high-dimensional feature space)으로 사상 시킨 후 두 분류집단 사이의 여백 (margin)을 최대화시키는 분리 경계면를 찾는 것을 목적으로 한다. 이러한 최대마진 분리 경계면(maximum margin hyperplane)은 두 분류 사이를 최대 거리로 분리한다.
(2005), 박정민 등(2005), 민재형과 이영찬(2005) 등은 기업신용평가를 위한 모형에 응용하였다. 본 연구에서는 경영학 분야에서 성공적으로 활용되고 있는 SVM을 지금까지 적용되지 않았던 새로운 분야인 고객구매예측모형 구축에 적용하여 그 응용가능성을 확인하고자 한다.
본 연구에서는 주가지수예측과 기업 신용평가 등의 분야에서 활발하게 응용되고 있는 SVM을 고객 구매예측에 최초로 적용하여 그 가능성을 확인해 보았다. 실험 결과, SVM은 기존에 적용되던 로지스틱 회귀분석이나 ANN과 같은 기법들보다 우수한 예측력을 보임을 알 수 있었다.
적용될 수 있다. 본 장에서는 기존 연구들에 적용된 다양한 데이터마이닝 기법들을 간략하게 살펴보고, 본 연구에서 제안하고자 하는 Support Vector Machine에 대해 알아보도록 한다.
이처럼 기존 전통적인 기법들을 적용할 경우 발생하는 한계점을 최소화하기 위해, 본 연구에서는 최근 새롭게 각광 받고 있는 SVM(support vector machine)을 고객구매 예측에 적용하고자 한다. SVM은 Vapnik에 의해 제안된 학습이론으로 분류 문제를 해결하기 위해 최적의 분리 경계면을 제공한다(Vapnik, 1995).
제안 방법
고객구매예측모형을 SVM을 이용해 구축하고, 그 성과를 기존의 다른 기법과 비교해 보기 위해, 본 연구에서는 실제 데이터에 모형을 적용, 그 결과를 도출한다. 데이터는 G 인터넷 쇼핑몰의 구매데이터로서, 이 쇼핑몰은 국내 최대 규모의 다이어트 전문 인터넷 쇼핑몰이다.
본 연구에서는 선형 SVM과 비선형 SVM의 모든 경우를 실험한다. 비선형 SVM의 경우, 가우시안 RBF 그리고 다항식 함수를 커널 함수로 적용해 본다.
그런데, SVM의 성능에 있어서 커 널함수의 상한 C와 커널 파라미터 52, d가 중요한 역할을 한다고 보고하고 있다(Tay & Cao, 2002; Kim, 2003). 본 연구에서도 SVM의 파라미터에 대해 제시된 일반적인 가이드를 따라 보고된 범위 내에서 다양한 값을 대입하여 모형을 변경시킨다. SVM 실험은 LIBSVM(Chang & Lin, 2001) 을 사용한다.
본 장에서는 SVM의 실험결과를 각 커널 함수와 파라미터에 따라 정리해보고, 추가적으로 비교 대상 기법인 LOGIT, ANN의 실험결과와 비교해 보도록 한다.
데이터는 상품과 관련된 정보를 비롯해, 구매자의 연령, 체중, 키, 기타 건강 정보 등 고객의 개인적인 특성과 관련된 정보가 대부분을 이루고 있다. 예측의 대상이 되는 변수는 고객이 각 상품군 1를 구매한 이력이 있는지, 없는지를 토대로 생성하였으며, 이 때, 상품군의 구분은 현재 온라인 G 다이어트 쇼핑몰에서 대분류로 사용하고 있는 4가지 상품군 분류 체계를 그대로 도입해 사용하였다. 각 상품군의 명칭과 특성은<표 1>과 같다.
대상 데이터
G 사이트로부터 본 연구의 모델링을 위해 확보한 데이터는 2001년 5월부터 8월 사이에 구매한 총 3298명의 회원의 4353건에 대한 구매 내역 데이터이다. 가용한 변수는 전처리 이후를 기준으로 해서 총 46개인데, 이 중 41개의 변수가 명목형 (nominal) 변수이고, 나머지 5개가 비율(ratio)척도로 된 변수이다.
도출한다. 데이터는 G 인터넷 쇼핑몰의 구매데이터로서, 이 쇼핑몰은 국내 최대 규모의 다이어트 전문 인터넷 쇼핑몰이다. 오프라인에서 이미 다이어트 분야에 확고한 입지를 가지고 있는 P사가 운영하고 있는 G 사이트는 방대한 컨텐츠와 우수한 서비스, 그리고 운영사의 신뢰도 높은 브랜드이미지로 인해 국내 다이어트 인터넷 쇼핑몰 분야에서 단연 선두를 달리고 있는 전문 인터넷 쇼핑몰이다.
본 연구는 총 5장으로 구성하였다. 1장에서는 연구의 내용과 목적을 간단히 소개하고, 2장에서는 기존의 고객구매모형에 적용된 기법들과 SVM 에 관해 알아보도록 한다.
인공신경망 모형은 일반적으로 가장 많이 이용하는 3충 구조의 은닉층이 1개인 네트워크 모형을 기준 모형으로 활용하는데, 은닉층 노드의 개수는 입력변수의 개수를 ”이라 할 때/”, 〃, 3”, 2n 의 총 4가지 경우를 대상으로 실험한다. 기타 인공신경망 모형의 설정으로는 학습률 0.
이론/모형
본 연구에서도 SVM의 파라미터에 대해 제시된 일반적인 가이드를 따라 보고된 범위 내에서 다양한 값을 대입하여 모형을 변경시킨다. SVM 실험은 LIBSVM(Chang & Lin, 2001) 을 사용한다.
SVM의 경우, 본 연구에서는 SVM의 커널 함수로서 가장 널리 사용되는 다항식 커널과 가우시안 RBF를 사용한다. 그런데, SVM의 성능에 있어서 커 널함수의 상한 C와 커널 파라미터 52, d가 중요한 역할을 한다고 보고하고 있다(Tay & Cao, 2002; Kim, 2003).
또한 로지스틱 회귀분석의 경우, 모형에 적합한 변수를 탐색하기 위해 단계별 로지스틱 회귀분석 (stepwise logistic regression) 모형의 전진 선택 방법 (forward-conditional) 을 활용하며 단계별 선택의 확률은 진입 0.05, 제거 0.10이다.
성능/효과
<표 4> 비선형 SVM / 다항식 커널 적용시 실험 결과
결과에서 볼 수 있듯이, 상품군 2를 제외하고는 선형 SVM보다 비선형 SVM이, 그 중에서도 특히 커널 함수를 가우시안 RBF로 사용한 경우에 가장 우수한 성과를 보이고 있음을 알 수 있다
.
한계점도 가지고 있다. 먼저, SVM의 경우, 파라미터를 어떻게 설정하느냐에 따라 성과가 변동될 수 있는데, 아직까지 SVM의 최적 파라미터를 결정할 수 있는 일반적인 방안이 있지 않아 한정된 범위 내에서만 파라미터 변동의 효과를 확인할 수 밖에 없어서 SVM의 우수한 성과를 제대로 제시하지 못하였을 가능성이 있다. 한편, 결과의 일반화와 관련해서 교차검정 등을 시행하여 충분한 표본을 확보하여 다양한 실험조건에서의 강건성 등을 확인해야 할 것이다.
보았다. 실험 결과, SVM은 기존에 적용되던 로지스틱 회귀분석이나 ANN과 같은 기법들보다 우수한 예측력을 보임을 알 수 있었다. 특히 성과는 우수하나, 모형 구죽에 많은 연산과 시간이 소요되는 ANN에 비해, 성과도 우수하고 모형 구축이 훨씬 단순하다는 측면에서 SVM이 높은 적용 가능성을 지닌 기법이라는 점을 확인할 수 있었다.
함께 비교하고 있다. 이 결과를 통해 알 수 있듯이 모든 상품군에서 SVM이 가장 우수한 예측성과를 보임을 알 수 있다.
실험 결과, SVM은 기존에 적용되던 로지스틱 회귀분석이나 ANN과 같은 기법들보다 우수한 예측력을 보임을 알 수 있었다. 특히 성과는 우수하나, 모형 구죽에 많은 연산과 시간이 소요되는 ANN에 비해, 성과도 우수하고 모형 구축이 훨씬 단순하다는 측면에서 SVM이 높은 적용 가능성을 지닌 기법이라는 점을 확인할 수 있었다.
후속연구
한편, 결과의 일반화와 관련해서 교차검정 등을 시행하여 충분한 표본을 확보하여 다양한 실험조건에서의 강건성 등을 확인해야 할 것이다. 따라서 향후에는 한계점으로 제시한 SVM의 파라미터 최적화와 성과의 일반화를 위한 추가 연구가 필요하다.
먼저, SVM의 경우, 파라미터를 어떻게 설정하느냐에 따라 성과가 변동될 수 있는데, 아직까지 SVM의 최적 파라미터를 결정할 수 있는 일반적인 방안이 있지 않아 한정된 범위 내에서만 파라미터 변동의 효과를 확인할 수 밖에 없어서 SVM의 우수한 성과를 제대로 제시하지 못하였을 가능성이 있다. 한편, 결과의 일반화와 관련해서 교차검정 등을 시행하여 충분한 표본을 확보하여 다양한 실험조건에서의 강건성 등을 확인해야 할 것이다. 따라서 향후에는 한계점으로 제시한 SVM의 파라미터 최적화와 성과의 일반화를 위한 추가 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.