선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 즉, 고객의 어떤 상태를 이탈로 볼 것인가에 대한정의를 내려야 한다. 본 연구는 단순히 신용카드고객의 이탈 분석이 아니라, 로열티 고객의 이탈확률을 예측하고자 하는 것이 목적이다. 따라서, 유효/유지/이탈 고객의 정의에서 제시하듯이모집단을 최근 6개월(2005년 11월 ~ 2006년 4월) 동안 신용카드 이용 실적이 있으며, 신용카드 이용한도가 0보다 큰 개인 신용카드 고객을 유효고객이라 정의하였다.
- 고객의 상태 변화에 따라서 민첩하게대응하는 할 수 있는 실시간 CRM 의 중요성이강조되고 있지만, 실시간 데이터마이닝 모델갱신이나 수정에 대한 연구는 아직 미진한 형편이다. 본 연구에서는 데이터마이닝 분류 모델의 예측확률을 고객의 동적 정보를 기초로 한 연관성 규칙분석 기법을 활용해서 보정할 수 있음을 실제데이터를 통해서 확인했다는데 그 의의가 있다.
- 이러한 분류기법들은 고객의 정적 정보, 즉, 인구통계학적인정보, 신용카드 이용 정보, 고객 신용 정보 등을바탕으로 기계학습을 통해서 분류 모델을 생성한다. 본 연구에서는 분류 기반 예측 모델 생성 이후에발생된 고객의 동적 정보, 즉 상태 변화 정보에근거한 연관성 규칙을 통해서, 이탈 확률을 보다정확하게 보정하는 방안을 제시하였다. 또한 실제국내 한 신용카드사의 데이터를 통해서 제시한방법의 유용성을 확인하였다.
- 기존의 고객이탈 예측에 활용되던 데이터마이닝 분류 모델들이특정 시점에서 과거 데이터를 활용해서일괄처리(batch) 형태로 생성되는데, 이 경우는 미래시점에서 새로운 데이터 집합으로 다시 학습되기전까지는 특정 고객에 대하여 동일한 예측 확률을제공한다. 본 연구에서는 분류 모델 생성 이후에발생하는 고객의 상태 변화로부터 이탈 예측 확률을보정할 수 있는 방안을 제시하였고, 이러한 방안의유용성을 신용카드사의 고객 이탈 데이터를 통해서확인하였다. 고객의 상태 변화에 따라서 민첩하게대응하는 할 수 있는 실시간 CRM 의 중요성이강조되고 있지만, 실시간 데이터마이닝 모델갱신이나 수정에 대한 연구는 아직 미진한 형편이다.
- 본 연구에서는 신용카드사의 고객 이탈 확률예측력을 높이기 위한 방안을 제시하고자 한다. 기존의 고객 이탈 예측에 많이 활용되었던 정적인정보(인구 통계학적인 속성 및 신용카드 이용 정보, 연체 정보) 기반의 분류 (classification) 모델에추가하여, 고객의 상태 변화에 대한 사건 정보인동적 정보(연체 상태 변화, 한도 변화 등)를 기초로연관성 규칙을 생성하고 이를 기존의 분류 모델과통합적으로 활용하여 이탈 확률의 예측력을높이고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.