[논문]혼성 표본 추출과 적층 딥 네트워크에 기반한 은행 텔레마케팅 고객 예측 방법

이현진

doi:10.17662/ksdim.2019.15.3.197

혼성 표본 추출과 적층 딥 네트워크에 기반한 은행 텔레마케팅 고객 예측 방법
A Method of Bank Telemarketing Customer Prediction based on Hybrid Sampling and Stacked Deep Networks 원문보기

디지털산업정보학회논문지 = Journal of the Korea Society of Digital Industry and Information Management, v.15 no.3, 2019년, pp.197 - 206

이현진 (숭실사이버대학교 ICT공학과)

Abstract ▼ AI-Helper

Telemarketing has been used in finance due to the reduction of offline channels. In order to select telemarketing target customers, various machine learning techniques have emerged to maximize the effect of minimum cost. However, there are problems that the class imbalance, which the number of marketing success customers is smaller than the number of failed customers, and the recall rate is lower than accuracy. In this paper, we propose a method that solve the imbalanced class problem and increase the recall rate to improve the efficiency. The hybrid sampling method is applied to balance the data in the class, and the stacked deep network is applied to improve the recall and precision as well as the accuracy. The proposed method is applied to actual bank telemarketing data. As a result of the comparison experiment, the accuracy, the recall, and the precision is improved higher than that of the conventional methods.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 혼성 표본 추출과 적층 딥 네트워크를 결합하여 은행의 텔레마케팅 가망 고객을 선정하는 데 있어서 정확도, 정밀도, 재현율에서 우수한 성능을 보이는 모델을 제안하였다. 캠페인 성공 고객이 적은 불균형한 데이터로 인해 정확도에 비해 재현율과 정밀도가 저하되는 문제를 해결하기 위하여 혼성 표본 추출로 범주간 데이터 개수의 균형을 맞추어 성능을 향상시키고, 적층 딥 네트워크를 통하여 구매 가망 고객 선정의 분류의 성능을 높이는 방법을 제안하였다. 제안하는 방법을 은행의 텔레마케팅 데이터에 적용하여 실험한 결과 구매 가망 고객의 선정에 있어서 정확도, 재현율, 정밀도에서 우수한 성능을 보였다.

제안 방법

따라서 혼성 표본 추출(Hybrid Sampling)에 의한 데이터 균형화를 통하여 성공한 고객의 수와 실패한 고객의 수에 대한 균형 잡힌 데이터를 생성한다. 그리고 적층 딥 네트워크(Stacked Deep Networks) 모델을 적용하여 텔레마케팅 구매 가망 고객의 포함을 향상시키는 방법을 제안한다. 본 논문의 구성은 다음과 같다.

대상 데이터

실험에 사용한 데이터는 UCI 기계 학습 저장소 (machine learning repository)에서 제공하는 은행 마케팅 데이터집합(bank marketing data set)이다[15]. 이 데이터는 2008년 5월에서 부터 2010년 11월까지에 포르투갈의 은행에서 텔레마케팅으로 장기 예금 상품을 판매했던 결과를 정리한 데이터이다.
실험에 사용한 데이터는 UCI 기계 학습 저장소 (machine learning repository)에서 제공하는 은행 마케팅 데이터집합(bank marketing data set)이다[15]. 이 데이터는 2008년 5월에서 부터 2010년 11월까지에 포르투갈의 은행에서 텔레마케팅으로 장기 예금 상품을 판매했던 결과를 정리한 데이터이다. 상품 판매는 캠페인 기간에 콜센터 상담원이 특정 고객에게 직접 전화한 것과 해당 기간에 고객이 콜센터에 전화하였을 때 상품을 제안하는 방법으로 진행되었다.

데이터처리

제안하는 적층 딥 네트워크(SDN)의 성능을 비교하기 위하여 기계 학습 알고리즘인 로지스틱 회귀분석 (LR)과 의사 결정 나무(DT), 랜덤 포레스트(RF), 서포트 벡터 머신(SVM), 신경회로망(NN) 의 성능을 비교하였다. ;

성능/효과

캠페인 성공 고객이 적은 불균형한 데이터로 인해 정확도에 비해 재현율과 정밀도가 저하되는 문제를 해결하기 위하여 혼성 표본 추출로 범주간 데이터 개수의 균형을 맞추어 성능을 향상시키고, 적층 딥 네트워크를 통하여 구매 가망 고객 선정의 분류의 성능을 높이는 방법을 제안하였다. 제안하는 방법을 은행의 텔레마케팅 데이터에 적용하여 실험한 결과 구매 가망 고객의 선정에 있어서 정확도, 재현율, 정밀도에서 우수한 성능을 보였다.
62 %로 가장 높았다. 제안하는 적층 딥 네트워크 는 95.12%로 가장 높은 성능을 보였다. 테스트 데이터를 살펴보면, 비교 대상 알고리즘 중 신경회로망이 가장 낮았고, 로지스틱 회귀 분석이 가장 높았으며, 제안하는 알고리즘이 91.

후속연구

적층 딥 네트워크는 특징 추출 기능이 있어서 정제되지 않은 데이터에도 적용할 수 있다. 따라서 다양한 속성을 가지고 있는 정제되지 않은 마케팅 데이터에 대해서 제안하는 모델을 적용할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	비대면 마케팅 방법은 무엇이 있나?	은행에서는 금융 상품을 판매할 때 인건비 및 비용절감 등의 이유로 오프라인 상품판매방식에서 벗어나 다양한 방식들을 도입하고 있다. 정보통신기술이 발전함에 따라 텔레마케팅(Telemarketing), 이메일 (e-mail), 챗봇(chatbot)등 비대면 마케팅 방법으로 상품 가입 권유가 활발하게 이루어지고 있다[1]. 텔레마케팅은 전화를 이용한 마케팅 방법으로 마케팅 캠페인을 위해 많이 사용되는 방법 중 하나이다[2].
	텔레마케팅 방법으로는 어떤 방식이 있나?	텔레마케팅은 전화를 이용한 마케팅 방법으로 마케팅 캠페인을 위해 많이 사용되는 방법 중 하나이다[2]. 텔레마케팅 방법으로는 콜센터(Call Center)의 상담사가 직접 고객에게 전화를 하는 아웃바운드(Outbound)방식과 고객이 콜센터에 전화했을 때 상품을 권유하는 인바운드(Inbound) 방식이 있다. 텔레마케팅은 전화를 하는 것과 통화가 이루어지는 것 모두가 비용이 소요되는 행위이다.
	축소 표본 추출 방법의 임의 표본 추출과 서포트 벡터 머신 기반의 표본 추출 방법들은 어떤 장점이 있나?	축소 표본 추출 방법은 대규모 범주에 속한 데이터들은 중복되는 속성을 가지고 있다는 것을 전제로 임의로 소규모 범주의 데이터 개수만큼 선택하는 임의 표본 추출(random sampling)과 다른 범주와의 경계에 위치한 데이터가 더 중요한 정보를 가지고 있다는 것을 가정으로 한 서포트 벡터 머신 기반의 표본 추출(SVM based under sampling) 방법이 있다. 이 방법들은 범주간의 균형을 보장하면서 데이터의 개수를 줄여서 모델의 성능을 항상 시키면서 모델링 시간을 단축시킬 수 있는 장점이 있다. 하지만, 대규모 범주에서 선택한 데이터가 해당 범주를 대표한다는 것을 보장하지 못하므로 분류 성능이 저하될 가능성이 있다.

참고문헌 (15)

P. Kotler, K. L. Keller, "Framework for Marketing Management, 6th edition," Pearson, 2015.
S. Moro, P. Cortez, and P. Rita, "A data-driven approach to predict the success of bank telemarketing," Decision Support Systems, Vol. 62, 2014, pp. 22-31.

상세보기
E. Turban, R. Sharda, and D. Delen, " Decision Support and Business Intelligence Systems, 9th edition," Pearson, 2010, pp. 2-35.
S. L. France, and S. Ghose, "Marketing analytics: Methods, practice, implementation, and links to other fields," Expert Systems with Applications, Vol. 119, 2019, pp. 456-475.

상세보기
G. Marinakos, and S. Daskalaki, "Imbalanced customer classification for bank direct marketing," Journal of Marketing Analytics, Vol. 5, Issue 1, 2017, pp. 14-30.

상세보기
김승수.김종우, "비정형 정보와 CNN 기법을 활용한 이진 분류 모델의 고객 행태 예측," 지능정보연구, Vol. 24, No. 2, 2018, pp. 221-241.
F. Kaefer, C. M. Heilman, and S. D. Ramenofsky, "A neural network application to consumer classification to improve the timing of direct marketing activities," Computers & Operations Research, Vol. 32, No. 10, 2005, pp. 2595-2615.

상세보기
S. Liao, Y. Chen, and H. Hsieh, "Mining customer knowledge for direct selling and marketing," Expert Systems with Applications, Vol. 38, 2011, pp. 6059-6069.

상세보기
S. H. Javaheri, M. M. Sepehri, and B. Teimourpour, "Response modeling in direct marketing: a data mining based approach for target selection," Data Mining Applications with R, 2014, pp. 153-178.
P. Ladyzinski, K. Zbikowski, and P. Gawrysiak, "Direct marketing campaign in retail banking with the use of deep learning and random forests," Expert Systems with Applications, Vol. 134, 2019, pp. 28-35.

상세보기
N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, "SMOTE: synthetic minority over-sampling technique," Journal of Artificial Intelligence Research, Vol. 16, 2002, pp. 321-357.

상세보기
G. Menardi, and N. Torelli, "Training and assessing classification rules with imbalanced data,"Data Mining and Knowledge Discovery, Vol. 28, No. 1, 2014, pp. 92-122.

상세보기
김창식.김남규.곽기영, "머신러닝 및 딥러닝 연구동향 분석: 토픽모델링을 중심으로," 디지털산업정보학회 논문지, 제15권, 제2호, 2019, pp.19-28.

원문보기 상세보기
주명길.윤성욱, "워드 임베딩과 CNN을 사용하여 영화 리뷰에 대한 감성 분석," 디지털산업정보학회 논문지, 제15권, 제1호, 2019, pp.87-97.

원문보기 상세보기
S. Moro, P. Cortez, and P. Rita, "A Data-Driven Approach to Predict the Success of Bank Telemarketing," Decision Support Systems, Vol. 62, 2014, pp. 22-31.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증