KR20210052136A - 고객 이탈 예측 방법, 장치 및 시스템 - Google Patents
고객 이탈 예측 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR20210052136A KR20210052136A KR1020200012293A KR20200012293A KR20210052136A KR 20210052136 A KR20210052136 A KR 20210052136A KR 1020200012293 A KR1020200012293 A KR 1020200012293A KR 20200012293 A KR20200012293 A KR 20200012293A KR 20210052136 A KR20210052136 A KR 20210052136A
- Authority
- KR
- South Korea
- Prior art keywords
- customer
- churn
- set period
- information
- customer churn
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
고객 이탈 예측 방법, 장치 및 시스템이 개시되어 있다. 고객 이탈 예측 방법은 제 1 설정 기간의 고객 주문 자료를 상기 데이터베이스로부터 추출하고, 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 고객이탈예측 모델을 생성하고, 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 제 2 설정 기간의 실제 고객 이탈 정보를 생성하고, 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여 고객이탈예측 모델을 보정하고, 제 1 설정 기간의 고객 주문 자료 및 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 고객 이탈 예측 모델에 입력하여 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성할 수 있다. 따라서, 빅데이터를 활용하여 고객의 이탈을 미리 예측하고 적절한 프로모션을 수행하도록 쇼핑몰을 제어할 수 있다.
Description
본 발명은 고객 이탈 예측 방법, 장치 및 시스템에 관한 것으로서, 좀더 상세하게는 쇼핑몰 고객의 행동 양식을 분석하여 고객의 이탈을 예측하고 프로모션에 활용할 수 있도록 하는 고객 이탈 예측 방법, 장치 및 시스템에 관한 것이다.
일반적으로, 인터넷 등과 같은 온라인 통신의 대중화는 그 어느 때 보다 상거래 환경을 급격하게 변화시켰다. 이제는 온라인 또는 인터넷 쇼핑이라는 말 자체가 새삼 낯설 정도로 인터넷 또는 온라인이라는 단어가 불필요한 수식어처럼 느껴질 만큼 온라인을 통한 전자상거래가 활성화되고 있다. 그리고 온라인 전자상거래 시장의 확대 추세는 더욱 확대될 전망이다.
온라인 전자 상거래를 수행하는 업체들, 예컨대 쇼핑몰은 다양한 형태로 마케팅을 수행함으로써 신규 고객을 유치함과 더불어 기존 고객들의 이탈을 방지하고자 노력하고 있다.
특히, 종래에는 쇼핑몰 고객들의 이탈을 쇼핑몰에서 미리 인지할 수 없으므로 쇼핑몰 고객의 이탈을 속수무책으로 방치할 수 밖에 없다. 따라서 기존 고객의 유지에 어려움을 겪고 있는 것이 사실이다.
본 발명은 이러한 문제점을 해결하기 위한 것으로서, 쇼핑몰 고객들의 빅데이터를 분석하여 고객의 이탈을 예측함으로써 프로모션에 활용할 수 있도록 하는 고객 이탈 예측 방법, 장치 및 시스템을 제공하는데 그 목적이 있다.
이러한 목적을 달성하기 위하여 본 발명은 일 측면(Aspect)에서 고객 이탈 예측 방법을 제공한다. 상기 고객 이탈 예측 방법은, 데이터베이스와 연동하는 고객 이탈 예측 장치에 의하여 수행되는 고객 이탈 예측 방법에 있어서, 제 1 설정 기간의 고객 주문 자료를 상기 데이터베이스로부터 추출하는 단계; 상기 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 고객이탈예측 모델을 생성하는 단계; 상기 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 2 설정 기간의 실제 고객 이탈 정보를 생성하는 단계; 상기 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여, 상기 고객이탈예측 모델을 보정하는 단계; 및 상기 제 1 설정 기간의 고객 주문 자료 및 상기 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 상기 고객 이탈 예측 모델에 입력하여 상기 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성하는 단계를 포함한다.
상기 고객 주문 자료는, 각각의 고객별로 설정 기간 내에, 상품을 주문한 주문횟수; 상품의 주문을 취소한 주문 취소 횟수; 상품을 교환한 교환 횟수; 지난 제 1 단위 기간 동안 주문한 주문 횟수; 지난 제 2 단위 기간 동안 주문한 주문 횟수; 지난 제 3 단위 기간 동안 주문한 주문 횟수; 지난 제 1 단위 기간 동안 주문한 주문 금액; 지난 제 2 단위 기간 동안 주문한 주문 금액; 지난 제 3 단위 기간 동안 주문한 주문 금액; 지난 제 1 단위 기간 동안 로그인수; 지난 제 2 단위 기간 동안 로그인수; 지난 제 3 단위 기간 동안 로그인수; 및 회원 가입 기간 중 적어도 하나를 포함할 수 있다.
상기 고객 주문 자료는, 모바일을 사용하여 주문한 모바일 주문 횟수, 주문한 고객의 국가 및 고객이 상품을 구매하기 위하여 최초 유입된 최초 유입 경로 중 적어도 어느 하나를 더 포함할 수도 있다.
상기 고객이탈예측 모델은 향후 설정 기간 동안 고객이 이탈할 확률을 나타내는 이탈 확률을 산출하고, 상기 고객 이탈 예측 정보는 상기 이탈 확률을 포함할 수 있다.
상기 고객 이탈 예측 방법은, 상기 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 기반으로 하여, 이탈 가능성이 높아 특별 프로모션이 필요한 프로모션 대상 고객의 정보를 검출하는 단계; 및 고객별 이탈 확률 및 상기 프로모션 대상 고객의 정보를 쇼핑몰로 전송하는 단계를 더 포함할 수도 있다.
상기 프로모션 대상 고객의 정보를 검출하는 단계는, 상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률을 기반으로 하여 이탈 확률이 설정 값 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출하는 단계를 포함할 수 있다.
상기 프로모션 대상 고객의 정보를 검출하는 단계는, 상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률 및 상기 고객 주문 자료로부터 추출되는 고객별 매출액을 기반으로 하여 고객별 예상 손실을 산출하는 단계; 및 상기 고객별 예상 손실을 기반으로 하여 예상 손실이 설정 값이 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출하는 단계를 포함할 수 있다.
한편, 상술한 본 발명의 목적을 달성하기 위하여 본 발명은 다른 측면에서 고객 이탈 예측 장치를 제공한다. 상기 고객 이탈 예측 장치는, 제 1 설정 기간 및 제 2 설정 기간의 고객 주문 자료를 데이터베이스로부터 추출하는 고객 주문 자료 추출 모듈; 및 상기 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 상기 고객이탈예측 모델을 생성하고, 상기 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 2 설정 기간의 실제 고객 이탈 정보를 생성하고, 상기 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여, 상기 고객이탈예측 모델을 보정하고, 상기 제 1 설정 기간의 고객 주문 자료 및 상기 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 상기 고객 이탈 예측 모델에 입력하여 상기 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성하는 고객이탈예측 모델 운영 모듈을 포함할 수 있다.
상기 고객 주문 자료는, 각각의 고객별로 설정 기간 내에, 상품을 주문한 주문횟수; 상품의 주문을 취소한 주문 취소 횟수; 상품을 교환한 교환 횟수; 지난 제 1 단위 기간 동안 주문한 주문 횟수; 지난 제 2 단위 기간 동안 주문한 주문 횟수; 지난 제 3 단위 기간 동안 주문한 주문 횟수; 지난 제 1 단위 기간 동안 주문한 주문 금액; 지난 제 2 단위 기간 동안 주문한 주문 금액; 지난 제 3 단위 기간 동안 주문한 주문 금액; 지난 제 1 단위 기간 동안 로그인수; 지난 제 2 단위 기간 동안 로그인수; 지난 제 3 단위 기간 동안 로그인수; 및 회원 가입 기간 중 적어도 하나를 포함할 수 있다.
상기 고객 주문 자료는, 모바일을 사용하여 주문한 모바일 주문 횟수, 주문한 고객의 국가 및 고객이 상품을 구매하기 위하여 최초 유입된 최초 유입 경로 중 적어도 어느 하나를 더 포함할 수도 있다.
상기 고객이탈예측 모델은 향후 설정 기간 동안 고객이 이탈할 확률을 나타내는 이탈 확률을 산출하고, 상기 고객 이탈 예측 정보는 상기 이탈 확률을 포함할 수 있다.
상기 고객이탈예측 모델 운영 모듈은, 상기 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 기반으로 하여, 이탈 가능성이 높아 특별 프로모션이 필요한 프로모션 대상 고객의 정보를 검출할 수 있다. 상기 고객 이탈 예측 장치는, 고객별 이탈 확률 및 상기 프로모션 대상 고객의 정보를 쇼핑몰로 전송하는 전송 모듈을 더 포함할 수 있다.
상기 고객이탈예측 모델 운영 모듈은, 상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률을 기반으로 하여 이탈 확률이 설정 값 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출할 수 있다.
상기 고객이탈예측 모델 운영 모듈은, 상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률 및 상기 고객 주문 자료로부터 추출되는 고객별 매출액을 기반으로 하여 고객별 예상 손실을 산출하고, 상기 고객별 예상 손실을 기반으로 하여 예상 손실이 설정 값이 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출할 수 있다.
한편, 상술한 본 발명의 목적을 달성하기 위하여 본 발명은 또 다른 측면에서 고객 이탈 예측 시스템을 제공한다. 상기 고객 이탈 예측 시스템은, 데이터베이스; 및 제 1 설정 기간의 고객 주문 자료를 상기 데이터베이스로부터 추출하고, 상기 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 고객이탈예측 모델을 생성하고, 상기 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 2 설정 기간의 실제 고객 이탈 정보를 생성하고, 상기 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여, 상기 고객이탈예측 모델을 보정하고, 상기 제 1 설정 기간의 고객 주문 자료 및 상기 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 상기 고객 이탈 예측 모델에 입력하여 상기 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성하는 고객 이탈 예측 장치를 포함할 수 있다.
상기 고객 주문 자료는, 각각의 고객별로 설정 기간 내에, 상품을 주문한 주문횟수; 상품의 주문을 취소한 주문 취소 횟수; 상품을 교환한 교환 횟수; 지난 제 1 단위 기간 동안 주문한 주문 횟수; 지난 제 2 단위 기간 동안 주문한 주문 횟수; 지난 제 3 단위 기간 동안 주문한 주문 횟수; 지난 제 1 단위 기간 동안 주문한 주문 금액; 지난 제 2 단위 기간 동안 주문한 주문 금액; 지난 제 3 단위 기간 동안 주문한 주문 금액; 지난 제 1 단위 기간 동안 로그인수; 지난 제 2 단위 기간 동안 로그인수; 지난 제 3 단위 기간 동안 로그인수; 및 회원 가입 기간 중 적어도 하나를 포함할 수 있다.
상기 고객 주문 자료는, 모바일을 사용하여 주문한 모바일 주문 횟수, 주문한 고객의 국가 및 고객이 상품을 구매하기 위하여 최초 유입된 최초 유입 경로 중 적어도 어느 하나를 더 포함할 수도 있다.
상기 고객이탈예측 모델은 향후 설정 기간 동안 고객이 이탈할 확률을 나타내는 이탈 확률을 산출하고, 상기 고객 이탈 예측 정보는 상기 이탈 확률을 포함할 수 있다.
상기 고객 이탈 예측 장치는, 상기 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 기반으로 하여, 이탈 가능성이 높아 특별 프로모션이 필요한 프로모션 대상 고객의 정보를 검출하고, 고객별 이탈 확률 및 상기 프로모션 대상 고객의 정보를 쇼핑몰로 전송할 수 있다.
상기 고객 이탈 예측 장치는, 상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률을 기반으로 하여 이탈 확률이 설정 값 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출할 수 있다.
상기 고객 이탈 예측 장치는, 상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률 및 상기 고객 주문 자료로부터 추출되는 고객별 매출액을 기반으로 하여 고객별 예상 손실을 산출하고, 상기 고객별 예상 손실을 기반으로 하여 예상 손실이 설정 값이 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출할 수 있다.
한편, 상술한 본 발명의 목적을 달성하기 위하여 본 발명은 또 다른 측면에서 매체에 저장된 컴퓨터 프로그램을 제공한다. 상기 매체에 저장된 컴퓨터 프로그램은, 제 1 설정 기간의 고객 주문 자료를 상기 데이터베이스로부터 추출하는 단계; 상기 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 고객이탈예측 모델을 생성하는 단계;
상기 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 2 설정 기간의 실제 고객 이탈 정보를 생성하는 단계; 상기 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여, 상기 고객이탈예측 모델을 보정하는 단계; 및 상기 제 1 설정 기간의 고객 주문 자료 및 상기 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 상기 고객 이탈 예측 모델에 입력하여 상기 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성하는 단계를 실행시키기 위하여 매체에 저장될 수 있다.
이상 설명한 바와 같이, 본 발명에 따르면 쇼핑몰 고객들의 빅데이터를 분석하여 고객의 이탈을 예측하여 쇼핑몰들이 고객 대상의 프로모션에 활용하도록 할 수 있다.
도 1은 본 발명의 바람직한 실시예에 따른 고객 이탈 예측 방법을 실현하기 위한 시스템의 구성을 나타내는 블록도이다.
도 2는 본 발명의 바람직한 실시예에 따른 고객 이탈 예측 방법의 흐름을 나타내는 흐름도이다.
도 3은 고객 이탈 예측 장치에 의하여 생성 및 운영되는 고객 이탈 예측 모델의 개념을 설명하기 위한 개념도이다.
도 4는 1년 동안의 고객 주문 자료에 포함된 입력 변수를 GBM을 기반으로 하여 이후 1년 간의 예측하고 검증한 결과를 나타내고 있다.
도 5 및 도 6은 API 서비스의 예를 설명하기 위한 예시도를 나타내고 있다.
도 7은 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법을 실현하기 위한 시스템 구성을 나타내는 블록도이다.
도 8은 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법의 바람직한 실시예를 설명하기 위한 흐름도이다.
도 9는 도 8에 도시되어 있는 고객 이탈 예측 방법을 예시적으로 설명하기 위한 예시도이다.
도 2는 본 발명의 바람직한 실시예에 따른 고객 이탈 예측 방법의 흐름을 나타내는 흐름도이다.
도 3은 고객 이탈 예측 장치에 의하여 생성 및 운영되는 고객 이탈 예측 모델의 개념을 설명하기 위한 개념도이다.
도 4는 1년 동안의 고객 주문 자료에 포함된 입력 변수를 GBM을 기반으로 하여 이후 1년 간의 예측하고 검증한 결과를 나타내고 있다.
도 5 및 도 6은 API 서비스의 예를 설명하기 위한 예시도를 나타내고 있다.
도 7은 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법을 실현하기 위한 시스템 구성을 나타내는 블록도이다.
도 8은 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법의 바람직한 실시예를 설명하기 위한 흐름도이다.
도 9는 도 8에 도시되어 있는 고객 이탈 예측 방법을 예시적으로 설명하기 위한 예시도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 바람직한 실시예에 따른 고객 이탈 예측 방법을 실현하기 위한 시스템의 구성을 나타내는 블록도이고, 도 2는 본 발명의 바람직한 실시예에 따른 고객 이탈 예측 방법의 흐름을 나타내는 흐름도이다.
도 1에 도시된 바와 같이, 고객 이탈 예측 장치(100)는 쇼핑몰(10) 및 데이터베이스(20)와 통신망을 통하여 연동할 수 있다. 상기 고객 이탈 예측 장치(100)는 적어도 하나의 컴퓨터로 구현되며 고객 이탈 예측 방법을 수행하기 위한 서버일 수 있다. 고객 이탈 예측 장치(100)는 고객 주문 자료 추출 모듈(110), 고객 이탈 예측 모델 운영 모듈(120) 및 전송 모듈(130)을 포함할 수 있다.
고객은 쇼핑몰(10)에 접속하여 회원으로 가입하고 상품을 주문하고 결제하는 일련의 과정을 통하여 쇼핑몰(10)로부터 상품을 구매할 수 있다. 고객의 주문과 관련한 주문 자료는 데이터베이스(20)에 의하여 저장 및 관리될 수 있다. 상기 데이터베이스(20)는 쇼핑몰(10) 및 고객 이탈 예측 장치(100)와 연동하는데, 운영적인 측면에서, 쇼핑몰(10) 측에 포함되어 있을 수도 있고, 고객 이탈 예측을 위한 시스템에 포함되어 있을 수도 있고, 제 3의 개체에 포함될 수 있다.
도 1 및 도 2를 참조하면, 고객 이탈 예측 장치(100)의 고객 주문 자료 추출 모듈(110)은 제 1 설정 기간의 고객 주문 자료를 데이터베이스(20)로부터 추출할 수 있다(단계:S1). 여기서 제 1 설정 기간은 예컨대 1년, 2년 등과 같이 실시 환경에 따라 임의로 정해질 수 있는데, 본 실시예에서는 제 1 설정 기간을 2017년 1월1일부터 12월31일까지의 1년으로 가정하기로 한다.
고객 이탈 예측 장치(100)의 고객 이탈 예측 모델 운영 모듈(120)은 추출된 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 고객 이탈 예측 모델을 생성할 수 있다(단계:S2). 예를 들면, 고객 이탈 예측 장치(100)는 2017년 1월1일부터 12월31일까지의 고객 주문 자료를 사용하여 고객 이탈 확률을 학습함으로써 제 2 설정 기간인 향후 1년, 예컨대 2018년 1월1일부터 12월31일까지의 고객 이탈을 예측할 수 있는 고객 이탈 예측 모델을 생성하는 것이다.
도 3은 고객 이탈 예측 장치(100)에 의하여 생성 및 운영되는 고객 이탈 예측 모델의 개념을 설명하기 위한 개념도이다.
도 3에 도시된 바와 같이, 입력 변수인 고객 주문 자료는 각각의 고객별로 설정 기간 내에, 상품을 주문한 주문횟수, 상품의 주문을 취소한 주문 취소 횟수, 상품을 교환한 교환 횟수, 지난 제 1 단위 기간 동안 주문한 주문 횟수, 지난 제 2 단위 기간 동안 주문한 주문 횟수, 지난 제 3 단위 기간 동안 주문한 주문 횟수, 지난 제 1 단위 기간 동안 주문한 주문 금액, 지난 제 2 단위 기간 동안 주문한 주문 금액, 지난 제 3 단위 기간 동안 주문한 주문 금액, 지난 제 1 단위 기간 동안 로그인수, 지난 제 2 단위 기간 동안 로그인수, 지난 제 3 단위 기간 동안 로그인수, 회원 가입 기간, 모바일을 사용하여 주문한 모바일 주문 횟수, 주문한 고객의 국가 및 고객이 상품을 구매하기 위하여 최초 유입된 최초 유입 경로 등을 포함할 수 있다. 도 3에 도시된 실시예에서, 제 1 단위 기간은 지난 1년, 제 2 단위 기간은 지난 90일, 제 3 단위 기간은 지난 30일일 수 있다.
고객 이탈 예측 모델은 출력 값으로서 제 2 기간 설정 기간, 예컨대 다음 1년 동안의 구매 횟수, 다음 1년 동안 주문 금액, 다음 1년 동안 이탈 확률(예를 들면, 다음 1년 간 구매하지 않을 확률), 이탈 여부(TRUE/FALSE)를 출력하도록 학습할 수 있다. 이러한 정보들은 고객 이탈 예측 정보에 포함될 수 있다. 예를 들어, 고객이탈예측 모델은 향후 설정 기간 동안 고객이 이탈할 확률을 나타내는 이탈 확률을 산출하고, 상기 고객 이탈 예측 정보는 상기 이탈 확률을 포함할 수 있다.
한편, 고객 주문 자료 추출 모듈(110)은 제 2 설정 기간의 고객 주문 자료를 추출할 수 있다. 고객 이탈 예측 장치(100)는 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 제 2 설정 기간의 실제로 이탈된 고객들의 정보를 포함하는 실제 고객 이탈 정보를 생성할 수 있다(단계:S3).
다음으로, 고객 이탈 예측 장치(100)는 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증하는 것을 기반으로 하여 고객이탈예측 모델을 보정할 수 있다(단계:S4). 예를 들면, 고객 이탈 예측 장치(100)는 2018년 1월1일부터 12월31일까지의 고객 이탈 예측 정보와 실제 고객 이탈 정보가 부합되도록 고객 이탈 예측 모델의 알고리즘 및 값들을 보정할 수 있다.
다음으로, 고객 이탈 예측 장치(100)의 고객 이탈 예측 모델 운영 모듈(120)은 제 1 설정 기간의 고객 주문 자료 및 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 고객 이탈 예측 모델에 입력하여 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성할 수 있다(단계:S5).
예를 들어, 고객 이탈 예측 장치(100)는 2017년 1월 1일부터 12월 31일까지의 고객 주문 자료, 2018년 1월 1일부터 12월 31일까지의 고객 주문 자료 또는 두 고객 주문 자료를 고객 이탈 예측 모델에 입력하여 제 3 설정 기간, 예컨대 2018년 1월 1일부터 12월 31일까지의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성할 수 있다. 여기서 고객 이탈 예측 정보는, 2019년 1년 동안의 구매 횟수, 주문 금액, 이탈 확률, 이탈 여부(TRUE/FALSE)를 포함할 수 있다.
고객 이탈 예측 장치(100)의 고객 이탈 예측 모델 운영 모듈(120)은 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 기반으로 하여, 이탈 가능성이 높아 특별 프로모션이 필요한 프로모션 대상 고객의 정보를 검출할 수 있다(단계:S6).
예를 들면, 고객 이탈 예측 장치(100)는 고객 이탈 예측 모델로부터 산출된 고객별 이탈 확률을 기반으로 하여, 이탈 확률이 설정 값 이상인 고객의 정보를 프로모션 대상 고객의 정보로서 검출할 수 있다.
또는, 고객 이탈 예측 장치(100)는 고객 이탈 예측 모델로부터 산출된 고객별 이탈 확률 및 고객 주문 자료로부터 추출되는 고객별 매출액을 기반으로 하여 고객별 예상 손실을 산출하고, 고객별 예상 손실을 기반으로 하여 예상 손실이 설정 값이 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출할 수 있다.
전송 모듈(130)은 고객별 이탈 확률 및 프로모션 대상 고객의 정보를 쇼핑몰(10)로 전송할 수 있다(단계:S7). 그러면, 쇼핑몰(10)은 전송된 정보를 이용하여 프로모션 대상 고객을 대상으로 할인 이벤트, 쿠폰 제공, 특별 적립급 지급 등과 같은 다양한 프로모션에 활용할 수 있다.
이와 같이, 본 발명의 바람직한 실시예에 따른 고객 이탈 예측 방법은 고객 주문 자료에 포함되는 각 고객의 과거 구매 패턴을 이용하여 고객 이탈(예컨대, Customer Churn, 휴면 전환 등)을 예측할 수 있다.
예를 들어, 여기서 고객 이탈 예측 모델로의 입력 변수는, 앞서도 언급했듯이, 이전의 특정 설정 시간 동안의 구매 건수, 로그인 횟수 등 다수 종의 지표를 포함하며, 이후 특정 설정 기간 동안 구매를 하지 않는 이탈 고객을 예측할 수 있다. 쇼핑몰(10)은 고객 이탈 예측을 통하여 이탈이 예상되고 이전 매출 기여도가 높은 고객을 대상으로 프로모션을 실시할 수 있다. 이와 같은 학습에 사용할 수 있는 고객 이탈 예측 모델의 로직으로는 GBM (Gradient Boost), GLM (General Linear Model), Deep Learning, Random Forest 등일 수 있다.
도 4는 1년 동안의 고객 주문 자료에 포함된 입력 변수를 GBM을 기반으로 하여 이후 1년 간의 예측하고 검증한 결과를 나타내고 있다. 그래프의 주황색은 FALSE를 나타내고 하늘색은 TRUE를 나타낸다.
도 4에 도시된 바와 같이, 이탈 예측 값이 낮은 회원은 좌측 부분과 같이 이탈을 거의 하지 않음을 알 수 있으며, 이탈 예측 값이 높은 회원은 우측 부분과 같이 실제로 이탈함을 알 수 있다. 고객 이탈 예측 장치(100)는 예측된 정보와 실제 고객 이탈 정보를 사용하여 고객이탈예측 모델을 검증하는 것을 기반으로 신뢰도를 더욱 향상시킬 수 있다.
도 5 및 도 6은 API 서비스의 예를 설명하기 위한 예시도를 나타내고 있다.
도 5에 도시된 바와 같이, 웹서비스는 스프링부트(Spring Boot)를 사용할 수 있다. 예를 들어, 피보탈(Pivotal)에서 패키징 한 "Minimal Spring Framework"를 사용할 수 있다. 실행 파일은 단일 Jar 파일이고, H2o 모델 파일 Spring MVC 파일(Spring Java 파일 생성 자동화가 가능함)을 사용하며, 다양한 스프링 플러그인(Spring Plug-In) 사용이 가능하다. 실행은 톰캣(Tomcat) 내장을 통하여 독립적인 웹 서비스가 가능하다.
도 6에 도시된 바와 같이, 단일 jar 파일로서, 다양한 방법으로 배포가 가능하고, Spark/Hadoop 환경에 활용 가능하다. 학습시간은 상대적으로 기나 적용(예컨대, 예측) 시간은 매우 짧다. 학습데이터(예컨대 고객수)는 약 20 만건, 학습시간은 모델당 2-3 분 정도 소요될 수 있다. 데이터 파이프라인을 사용하여 실시간 예측이 가능하도록 구성할 수 있다.
한편, 고객 이탈 예측 장치(100)는 특정 그룹의 고객 주문 자료를 기반으로 특정 그룹에 대응하는 고객 이탈 예측 정보를 생성할 수도 있는데, 이 경우 복수의 쇼핑몰과 연동하여 고객 주문 자료를 좀더 빅데이터화하고, 복수의 쇼핑몰의 고객 주문 자료를 기반으로 특정 그룹에 대응하는 기본 고객 이탈 예측 모델을 구축하고, 개별 쇼핑몰 고객 주문 자료를 기반으로 기본 고객 이탈 예측 모델을 추가 학습시켜 특정 그룹에 대한 개별 쇼핑몰에 특화된 개별 쇼핑몰 적용 모델을 구축할 수도 있다.
도 7은 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법을 실현하기 위한 시스템 구성을 나타내는 블록도이고, 도 8은 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법의 바람직한 실시예를 설명하기 위한 흐름도이고, 도 9는 도 8에 도시되어 있는 고객 이탈 예측 방법을 예시적으로 설명하기 위한 예시도이다.
도 7에 도시된 바와 같이, 고객 이탈 예측 장치(100)는 복수의 쇼핑몰(SM1, …, SMn) 및 데이터베이스(20)와 연동할 수 있다. 도 7 내지 도 9를 참조하면, 고객 이탈 예측 장치(100)의 고객 주문 자료 추출 모듈(110)은, 복수의 쇼핑몰(SM1, …, SMn)로부터 제 1 그룹에 대응하는 고객 주문 자료를 추출할 수 있다(단계:S11).
예를 들어, 고객 이탈 예측 장치(100)의 고객 주문 자료 추출 모듈(110)은 복수의 쇼핑몰(SM1, …, SMn), 즉 제 1 쇼핑몰(SM1) 내지 제 n 쇼핑몰(SMn)로부터 제 1 그룹인 20대 고객의 고객 주문 자료를 추출할 수 있다.
한편으로, 제 1 쇼핑몰(SM1) 내지 제 n 쇼핑몰(SMn)의 고객 주문 자료는 데이터베이스(20)에 저장될 수 있으며, 고객 주문 자료 추출 모듈(110)은 데이터베이스(20)로부터 고객 주문 자료를 추출할 수도 있다.
고객 이탈 예측 장치(100)의 고객 이탈 예측 모델 운영 모듈(120)은 추출된 고객 주문 자료를 기반으로 하여 제 1 그룹에 대응하는 제 1 고객 이탈 예측 모델을 생성할 수 있다(단계:S12). 상기 제 1 고객 이탈 예측 모델은 제 1 그룹, 예컨대 20대 고객에 대하여 복수의 쇼핑몰(SM1, …, SMn)로부터 추출된 고객 주문 자료를 기반으로 하는 기본 고객 이탈 예측 모델일 수 있다.
다음으로, 고객 이탈 예측 장치(100)의 예측 모델 운영 모듈(120)은 추출된 고객 주문 자료로부터 제 1 그룹에 대응하는 제 1 쇼핑몰(SM1)의 고객 주문 자료를 추출할 수 있다. 그리고, 고객 이탈 예측 장치(100)는 제 1 그룹에 대응하는 제 1 쇼핑몰(SM1)의 고객 주문 자료를 사용하여 상기 제 1 고객 이탈 예측 모델을 추가 학습시키는 부스팅을 수행함으로써, 제 1 그룹에 대응하는 제 2 고객 이탈 예측 모델을 생성할 수 있다(단계:S13).
상기 제 2 고객 이탈 예측 모델은 기본 고객 이탈 예측 모델에 제 1 쇼핑몰(SM1)의 고객 이탈 특성을 부각시킨 전용 모델로서, 제 1 그룹에 대응하는 제 1 쇼핑몰(SM1)에 특화된 고객 이탈 예측 모델일 수 있다.
이어서, 고객 이탈 예측 장치(100)의 고객 이탈 예측 모델 운영 모듈(120)은 학습된 제 2 고객 이탈 예측 모델을 기반으로 하여 상기 제 1 그룹에 대응하는 상기 제 1 쇼핑몰(SM1)의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성할 수 있다(단계:S14).
이어서, 고객 이탈 예측 장치(100)의 고객 이탈 예측 모델 운영 모듈(120)은 생성된 이탈 예측 정보를 기반으로 하여, 이탈 가능성이 높아 특별 프로모션이 필요한 프로모션 대상 고객의 정보를 검출할 수 있다(단계:S15).
예를 들면, 고객 이탈 예측 장치(100)는 고객 이탈 예측 모델로부터 고객별 이탈 확률을 기반으로 하여, 이탈 확률이 설정 값 이상인 고객의 정보를 프로모션 대상 고객의 정보로서 검출할 수 있다. 또는, 고객 이탈 예측 장치(100)는 고객 이탈 예측 모델로부터 산출된 고객별 이탈 확률 및 고객 주문 자료로부터 추출되는 고객별 매출액을 기반으로 하여 고객별 예상 손실을 산출하고, 고객별 예상 손실을 기반으로 하여 예상 손실이 설정 값이 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출할 수 있다.
전송 모듈(130)은 고객별 이탈 확률 및 프로모션 대상 고객의 정보를 제 1 쇼핑몰(SM1)로 전송할 수 있다(단계:S16). 그러면, 제 1 쇼핑몰(SM1)은 전송된 정보를 이용하여 제 1 그룹의 프로모션 대상 고객을 대상으로 할인 이벤트, 쿠폰 제공, 특별 적립급 지급 등과 같은 다양한 프로모션에 활용할 수 있다.
이상 본 발명에 대하여 그 바람직한 실시예를 예시하여 설명하였지만 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 기술적 사항 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시켜 실시할 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 앞으로의 실시예들의 변경은 본 발명의 기술을 벗어날 수 없을 것이다.
10 : 쇼핑몰
20 : 데이터베이스
100 : 고객 이탈 예측 장치
110 : 고객 주문 자료 추출 ??뮬
120 : 고객 이탈 예측 모델 운영 모듈
130 : 전송 모듈
20 : 데이터베이스
100 : 고객 이탈 예측 장치
110 : 고객 주문 자료 추출 ??뮬
120 : 고객 이탈 예측 모델 운영 모듈
130 : 전송 모듈
Claims (22)
- 데이터베이스와 연동하는 고객 이탈 예측 장치에 의하여 수행되는 고객 이탈 예측 방법에 있어서,
제 1 설정 기간의 고객 주문 자료를 상기 데이터베이스로부터 추출하는 단계;
상기 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 고객이탈예측 모델을 생성하는 단계;
상기 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 2 설정 기간의 실제 고객 이탈 정보를 생성하는 단계;
상기 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여, 상기 고객이탈예측 모델을 보정하는 단계; 및
상기 제 1 설정 기간의 고객 주문 자료 및 상기 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 상기 고객 이탈 예측 모델에 입력하여 상기 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 고객 이탈 예측 방법.
- 제 1 항에 있어서, 상기 고객 주문 자료는,
각각의 고객별로 설정 기간 내에,
상품을 주문한 주문횟수;
상품의 주문을 취소한 주문 취소 횟수;
상품을 교환한 교환 횟수;
지난 제 1 단위 기간 동안 주문한 주문 횟수;
지난 제 2 단위 기간 동안 주문한 주문 횟수;
지난 제 3 단위 기간 동안 주문한 주문 횟수;
지난 제 1 단위 기간 동안 주문한 주문 금액;
지난 제 2 단위 기간 동안 주문한 주문 금액;
지난 제 3 단위 기간 동안 주문한 주문 금액;
지난 제 1 단위 기간 동안 로그인수;
지난 제 2 단위 기간 동안 로그인수;
지난 제 3 단위 기간 동안 로그인수; 및
회원 가입 기간 중 적어도 하나를 포함하는 것을 특징으로 하는 고객 이탈 예측 방법.
- 제 2 항에 있어서, 상기 고객 주문 자료는,
모바일을 사용하여 주문한 모바일 주문 횟수, 주문한 고객의 국가 및 고객이 상품을 구매하기 위하여 최초 유입된 최초 유입 경로 중 적어도 어느 하나를 더 포함하는 것을 특징으로 하는 고객 이탈 예측 방법.
- 제 1 항에 있어서, 상기 고객이탈예측 모델은 향후 설정 기간 동안 고객이 이탈할 확률을 나타내는 이탈 확률을 산출하고, 상기 고객 이탈 예측 정보는 상기 이탈 확률을 포함하는 것을 특징으로 하는 고객 이탈 예측 방법.
- 제 1 항에 있어서, 상기 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 기반으로 하여,
이탈 가능성이 높아 특별 프로모션이 필요한 프로모션 대상 고객의 정보를 검출하는 단계; 및
고객별 이탈 확률 및 상기 프로모션 대상 고객의 정보를 쇼핑몰로 전송하는 단계를 더 포함하는 것을 특징으로 하는 고객 이탈 예측 방법.
- 제 5 항에 있어서, 상기 프로모션 대상 고객의 정보를 검출하는 단계는,
상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률을 기반으로 하여 이탈 확률이 설정 값 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출하는 단계를 포함하는 것을 특징으로 하는 고객 이탈 예측 방법.
- 제 5 항에 있어서, 상기 프로모션 대상 고객의 정보를 검출하는 단계는,
상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률 및 상기 고객 주문 자료로부터 추출되는 고객별 매출액을 기반으로 하여 고객별 예상 손실을 산출하는 단계; 및
상기 고객별 예상 손실을 기반으로 하여 예상 손실이 설정 값이 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출하는 단계를 포함하는 것을 특징으로 하는 고객 이탈 예측 방법.
- 제 1 설정 기간 및 제 2 설정 기간의 고객 주문 자료를 데이터베이스로부터 추출하는 고객 주문 자료 추출 모듈; 및
상기 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 상기 고객이탈예측 모델을 생성하고, 상기 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 2 설정 기간의 실제 고객 이탈 정보를 생성하고, 상기 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여, 상기 고객이탈예측 모델을 보정하고, 상기 제 1 설정 기간의 고객 주문 자료 및 상기 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 상기 고객 이탈 예측 모델에 입력하여 상기 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성하는 고객이탈예측 모델 운영 모듈을 포함하는 것을 특징으로 하는 고객 이탈 예측 장치.
- 제 8 항에 있어서, 상기 고객 주문 자료는,
각각의 고객별로 설정 기간 내에,
상품을 주문한 주문횟수;
상품의 주문을 취소한 주문 취소 횟수;
상품을 교환한 교환 횟수;
지난 제 1 단위 기간 동안 주문한 주문 횟수;
지난 제 2 단위 기간 동안 주문한 주문 횟수;
지난 제 3 단위 기간 동안 주문한 주문 횟수;
지난 제 1 단위 기간 동안 주문한 주문 금액;
지난 제 2 단위 기간 동안 주문한 주문 금액;
지난 제 3 단위 기간 동안 주문한 주문 금액;
지난 제 1 단위 기간 동안 로그인수;
지난 제 2 단위 기간 동안 로그인수;
지난 제 3 단위 기간 동안 로그인수; 및
회원 가입 기간 중 적어도 하나를 포함하는 것을 특징으로 하는 고객 이탈 예측 장치.
- 제 9 항에 있어서, 상기 고객 주문 자료는,
모바일을 사용하여 주문한 모바일 주문 횟수, 주문한 고객의 국가 및 고객이 상품을 구매하기 위하여 최초 유입된 최초 유입 경로 중 적어도 어느 하나를 더 포함하는 것을 특징으로 하는 고객 이탈 예측 장치.
- 제 8 항에 있어서, 상기 고객이탈예측 모델은 향후 설정 기간 동안 고객이 이탈할 확률을 나타내는 이탈 확률을 산출하고, 상기 고객 이탈 예측 정보는 상기 이탈 확률을 포함하는 것을 특징으로 하는 고객 이탈 예측 장치.
- 제 8 항에 있어서, 상기 고객이탈예측 모델 운영 모듈은,
상기 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 기반으로 하여, 이탈 가능성이 높아 특별 프로모션이 필요한 프로모션 대상 고객의 정보를 검출하고,
고객별 이탈 확률 및 상기 프로모션 대상 고객의 정보를 쇼핑몰로 전송하는 전송 모듈을 더 포함하는 것을 특징으로 하는 고객 이탈 예측 장치.
- 제 12 항에 있어서, 상기 고객이탈예측 모델 운영 모듈은,
상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률을 기반으로 하여 이탈 확률이 설정 값 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출하는 것을 특징으로 하는 고객 이탈 예측 장치.
- 제 12 항에 있어서, 상기 고객이탈예측 모델 운영 모듈은,
상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률 및 상기 고객 주문 자료로부터 추출되는 고객별 매출액을 기반으로 하여 고객별 예상 손실을 산출하고, 상기 고객별 예상 손실을 기반으로 하여 예상 손실이 설정 값이 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출하는 것을 특징으로 하는 고객 이탈 예측 장치.
- 데이터베이스; 및
제 1 설정 기간의 고객 주문 자료를 상기 데이터베이스로부터 추출하고, 상기 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 고객이탈예측 모델을 생성하고, 상기 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 2 설정 기간의 실제 고객 이탈 정보를 생성하고, 상기 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여, 상기 고객이탈예측 모델을 보정하고, 상기 제 1 설정 기간의 고객 주문 자료 및 상기 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 상기 고객 이탈 예측 모델에 입력하여 상기 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성하는 고객 이탈 예측 장치를 포함하는 것을 특징으로 하는 고객 이탈 예측 시스템.
- 제 15 항에 있어서, 상기 고객 주문 자료는,
각각의 고객별로 설정 기간 내에,
상품을 주문한 주문횟수;
상품의 주문을 취소한 주문 취소 횟수;
상품을 교환한 교환 횟수;
지난 제 1 단위 기간 동안 주문한 주문 횟수;
지난 제 2 단위 기간 동안 주문한 주문 횟수;
지난 제 3 단위 기간 동안 주문한 주문 횟수;
지난 제 1 단위 기간 동안 주문한 주문 금액;
지난 제 2 단위 기간 동안 주문한 주문 금액;
지난 제 3 단위 기간 동안 주문한 주문 금액;
지난 제 1 단위 기간 동안 로그인수;
지난 제 2 단위 기간 동안 로그인수;
지난 제 3 단위 기간 동안 로그인수; 및
회원 가입 기간 중 적어도 하나를 포함하는 것을 특징으로 하는 고객 이탈 예측 시스템.
- 제 16 항에 있어서, 상기 고객 주문 자료는,
모바일을 사용하여 주문한 모바일 주문 횟수, 주문한 고객의 국가 및 고객이 상품을 구매하기 위하여 최초 유입된 최초 유입 경로 중 적어도 어느 하나를 더 포함하는 것을 특징으로 하는 고객 이탈 예측 시스템.
- 제 15 항에 있어서, 상기 고객이탈예측 모델은 향후 설정 기간 동안 고객이 이탈할 확률을 나타내는 이탈 확률을 산출하고, 상기 고객 이탈 예측 정보는 상기 이탈 확률을 포함하는 것을 특징으로 하는 고객 이탈 예측 시스템.
- 제 15 항에 있어서, 상기 고객 이탈 예측 장치는,
상기 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 기반으로 하여, 이탈 가능성이 높아 특별 프로모션이 필요한 프로모션 대상 고객의 정보를 검출하고, 고객별 이탈 확률 및 상기 프로모션 대상 고객의 정보를 쇼핑몰로 전송하는 것을 특징으로 하는 고객 이탈 예측 장치.
- 제 19 항에 있어서, 상기 고객 이탈 예측 장치는,
상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률을 기반으로 하여 이탈 확률이 설정 값 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출하는 것을 특징으로 하는 고객 이탈 예측 시스템.
- 제 19 항에 있어서, 상기 고객 이탈 예측 장치는,
상기 고객이탈예측 모델로부터 산출된 고객별 이탈 확률 및 상기 고객 주문 자료로부터 추출되는 고객별 매출액을 기반으로 하여 고객별 예상 손실을 산출하고, 상기 고객별 예상 손실을 기반으로 하여 예상 손실이 설정 값이 이상인 고객의 정보를 상기 프로모션 대상 고객의 정보로서 검출하는 것을 특징으로 하는 고객 이탈 예측 시스템.
- 컴퓨터에,
제 1 설정 기간의 고객 주문 자료를 상기 데이터베이스로부터 추출하는 단계;
상기 제 1 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 1 설정 기간 이후인 제 2 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 출력하는 고객이탈예측 모델을 생성하는 단계;
상기 제 2 설정 기간의 고객 주문 자료를 기반으로 하여 상기 제 2 설정 기간의 실제 고객 이탈 정보를 생성하는 단계;
상기 제 2 설정 기간의 실제 고객 이탈 정보를 기반으로 하여 상기 고객이탈예측 모델로부터 예측된 고객 이탈 예측 정보를 검증함에 의하여, 상기 고객이탈예측 모델을 보정하는 단계; 및
상기 제 1 설정 기간의 고객 주문 자료 및 상기 제 2 설정 기간의 고객 주문 자료 중 적어도 하나를 보정된 상기 고객 이탈 예측 모델에 입력하여 상기 제 2 설정 기간 이후인 제 3 설정 기간의 고객 이탈을 예측하는 고객 이탈 예측 정보를 생성하는 단계를 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20190135534 | 2019-10-29 | ||
| KR1020190135534 | 2019-10-29 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210052136A true KR20210052136A (ko) | 2021-05-10 |
Family
ID=75917950
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200012293A KR20210052136A (ko) | 2019-10-29 | 2020-01-31 | 고객 이탈 예측 방법, 장치 및 시스템 |
| KR1020200012294A KR102525076B1 (ko) | 2019-10-29 | 2020-01-31 | 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법, 장치 및 시스템 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200012294A KR102525076B1 (ko) | 2019-10-29 | 2020-01-31 | 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR20210052136A (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230008482A (ko) * | 2021-07-07 | 2023-01-16 | 홈플러스 주식회사 | 고객 데이터 분석 장치의 고객 데이터 분석 방법 |
| KR20230009237A (ko) * | 2021-07-08 | 2023-01-17 | 홈플러스 주식회사 | 매출 데이터 분석 장치의 매출 데이터 분석 방법 |
| KR102581144B1 (ko) * | 2023-04-21 | 2023-09-21 | 헤드리스 주식회사 | 고객분석 기반 기업 가치평가 방법 및 시스템 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102645648B1 (ko) * | 2021-06-02 | 2024-03-07 | 라인 페이 가부시키가이샤 | 회원 이탈 여부를 예측하는 방법 및 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101726404B1 (ko) | 2015-11-16 | 2017-04-12 | 중소기업은행 | 이탈예상고객 예측장치 및 예측방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6071408B2 (ja) * | 2012-10-17 | 2017-02-01 | 日本ユニシス株式会社 | プロモーション管理システムおよびプロモーション管理用プログラム |
| JP6059123B2 (ja) * | 2013-10-16 | 2017-01-11 | カルチュア・コンビニエンス・クラブ株式会社 | 顧客データ分析・検証システム |
| KR20190073846A (ko) * | 2017-12-19 | 2019-06-27 | 주식회사 레이니가든 | 정형 또는 비정형 데이터 분석을 통한 온라인쇼핑몰의 맞춤형 큐레이팅 방법 |
-
2020
- 2020-01-31 KR KR1020200012293A patent/KR20210052136A/ko not_active Application Discontinuation
- 2020-01-31 KR KR1020200012294A patent/KR102525076B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101726404B1 (ko) | 2015-11-16 | 2017-04-12 | 중소기업은행 | 이탈예상고객 예측장치 및 예측방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230008482A (ko) * | 2021-07-07 | 2023-01-16 | 홈플러스 주식회사 | 고객 데이터 분석 장치의 고객 데이터 분석 방법 |
| KR20230009237A (ko) * | 2021-07-08 | 2023-01-17 | 홈플러스 주식회사 | 매출 데이터 분석 장치의 매출 데이터 분석 방법 |
| KR102581144B1 (ko) * | 2023-04-21 | 2023-09-21 | 헤드리스 주식회사 | 고객분석 기반 기업 가치평가 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102525076B1 (ko) | 2023-04-24 |
| KR20210052137A (ko) | 2021-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102525076B1 (ko) | 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법, 장치 및 시스템 | |
| US10956987B2 (en) | Applying multi-dimensional variables to determine fraud | |
| US20160203506A1 (en) | Inferring purchase intent using non-payment transaction events | |
| AU2010100229A4 (en) | Tool, method and system for testing of a redemption-value activator | |
| US11682034B1 (en) | Rewards program according to transaction frequency | |
| CN111523044A (zh) | 用于推荐目标对象的方法、计算设备和计算机存储介质 | |
| US11087770B2 (en) | Dispute initiation using artificial intelligence | |
| US10740781B2 (en) | System, method, and computer program for providing notification of a cashback reward from a shopping portal using online screen and email analysis | |
| US20190130453A1 (en) | Transaction Data Analysis System | |
| CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| US9311653B1 (en) | Systems and methods for digital spend based targeting and measurement | |
| US20190325433A1 (en) | Game Currency System | |
| CN111738534A (zh) | 多任务预测模型的训练、事件类型的预测方法及装置 | |
| US20200074562A1 (en) | Systems and methods for generating product-merchant data links | |
| WO2018069817A1 (en) | System and method for predicting repeat behavior of customers | |
| CN107330572A (zh) | 风控方法、装置及系统 | |
| CN113763019A (zh) | 一种用户信息管理方法和装置 | |
| CN107798118A (zh) | 基于大数据的用户画像构造方法、装置及计算设备 | |
| US9626646B1 (en) | Distributed optimization method for real-time omnichannel retail operations | |
| CN116628349B (zh) | 信息推荐方法、装置、设备、存储介质及程序产品 | |
| US11741463B2 (en) | Leakage detection system | |
| US20230196395A1 (en) | Instant qualification cross channel offer targeting | |
| CA3061202C (en) | System, method, and computer program for providing a card-linked offer network that enables a consumer to link the same payment card to the same offer on multiple different publisher sites | |
| Awadalla | Applicability of Mönch’s fixed point theorem on existence of a solution to a system of mixed sequential fractional differential equation | |
| US11868922B1 (en) | System, method, and computer program for providing, automatically trying, and applying electronic coupon codes and cash back in electronic commerce |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |