이번 소개해드릴 사례는 제로 아이즈의 ‘머신러닝 기반 고객 세분화와 점포 군집 분석을 통한 이탈 예측 모델링’ 사례 입니다. 제로 아이즈는 키오스크-IoT 연동-모바일APP-관리자WEB을 통합된 하나의 서비스로 하는 키오스크 솔루션을 제공하고 있습니다. 이를 통해 무인 매장 운영을 안정적으로 할 수 있는데요, 제로 아이즈는 더 나아가, 이탈 고객을 막고 고객 유지율을 상승시키는 자동화 마케팅을 원했습니다.
고객 배경
제로 아이즈는 고객 행동 데이터를 기반으로 하는 이탈 전 유지율 상승 전략에 부합되는 마케팅 자동화를 필요로 하였습니다.
현재 제공하고 있는 키오스크 솔루션에서 고객 맞춤형 서비스를 제공하고, 자동화 마케팅을 진행하는 것이 목표였습니다. 이러한 마케팅 활동을 통해 고객을 관리하고 이탈을 방지하는 것을 목표로 하였습니다. 이를 실현하기 위해 AI를 활용하여 점포 및 고객의 특성을 파악하고, 이탈 고객 예측을 실행하였습니다.
Challenge
솔루션
머신러닝을 활용하여 고객 세분화와 점포 군집 분석을 통한 고객 이탈 예측 모델링을 진행하였습니다.
AI 기술을 활용하여 점포와 고객을 클러스터링하고, 각 세그먼트 별 특성에 대해 파악했습니다. 데이터를 바탕으로 고객에 대해 파악하는 과정이었습니다. 또한 이탈 고객을 예측하여 이들을 유지하기 위한 자동화 마케팅 솔루션의 기반을 마련할 수 있었습니다.
적용 솔루션
1.점포 클러스터링을 통한 세그먼트 분류 및 특성 파악을 위한 AI 모델링 및 분석
전국 각 점포의 특색을 분류하기 위한 클러스터링을 진행하였습니다. 먼저 수집된 데이터를 탐색하여 변수에 대한 이해를 선행한 후에, 이상치 등을 제거하는 전처리 과정을 진행하였습니다. 유의미한 변수들을 선별하여 점포를 클러스터링하는 모델을 생성하였습니다. 이를 활용하여 점포의 분류별 특징을 파악하고 CRM 마케팅에도 활용할 수 있습니다. 또한 위 데이터를 활용하여 점포 개선안 도출에도 활용할 수 있었습니다.
2.고객 클러스터링을 통한 세그먼트 분류 및 특성 파악
고객을 분류하기 위한 클러스터링도 진행하였습니다. 점포 클러스터링과 동일한 방식으로 유의미한 변수를 선정하고, 비슷한 특징을 가진 고객군을 분류하였습니다. 해당 고객군별 특성을 파악하여 개인화 마케팅 포인트를 발굴하였습니다. 고객이 어떤 상품을 선호하는지, 결제 주기는 어떠한지 등의 특징을 기반으로 개인화 마케팅 캠페인의 토대를 마련하는 분석을 진행했습니다.
3.고객 이탈 예측 모델링
XGBoost 모형의 XGBRegressor, XGBClassifier 클래스를 활용하여 고객 이탈을 예측을 진행하였습니다. XGBoost 모형은 간단히 말해, 이전 트리에서의 결과를 학습하여 보다 정확도 높은 예측을 진행하고, 이것을 반복하여 예측성을 높이는 알고리즘입니다.
앞선 고객 특성 분석을 통해 고객 이탈과 상관이 있는 유의미한 변수들을 추출하였고, 변수들을 알고리즘에 적용하여 고객의 월별 결제 예측을 진행하였습니다. XGBRegressor을 활용한 월별 결제 예측값과 실제 데이터를 비교해보면 다음과 같습니다.
위와 같이, 실제와 유사한 고객 이탈을 예측함으로써 고객 이탈 방지와 그들의 재방문을 높이기 위한 추천 알고리즘 생성에 대한 기반을 마련하였습니다.
결과 도출
고객 이탈을 예측하는 AI 솔루션을 통한 개인화 마케팅의 토대를 마련하였습니다.
위의 과정을 통해 점포와 고객에 대한 특징을 파악하여, 마케팅 포인트를 찾아낼 수 있었습니다. 이후에 고객 맞춤형 마케팅을 위한 AI 모델링을 통해 이탈 예측 지점을 높은 정확도로 예측할 수 있었습니다. 이를 이용하여 개인화, 자동화 마케팅 솔루션을 위한 토대를 마련하였습니다.
Performance
지금까지 AI를 활용한 고객 군집 분석과 이탈 예측을 통한 개인화 마케팅 기반 수립에 대한 성공 사례를 살펴보았습니다.
최신 마케팅/고객 데이터 활용 사례를 받아보실 수 있습니다.