KR20220163075A - 회원 이탈 여부를 예측하는 방법 및 시스템 - Google Patents

회원 이탈 여부를 예측하는 방법 및 시스템 Download PDF

Info

Publication number
KR20220163075A
KR20220163075A KR1020210071558A KR20210071558A KR20220163075A KR 20220163075 A KR20220163075 A KR 20220163075A KR 1020210071558 A KR1020210071558 A KR 1020210071558A KR 20210071558 A KR20210071558 A KR 20210071558A KR 20220163075 A KR20220163075 A KR 20220163075A
Authority
KR
South Korea
Prior art keywords
members
churn
content
prediction
predicting
Prior art date
Application number
KR1020210071558A
Other languages
English (en)
Other versions
KR102645648B1 (ko
Inventor
김우석
Original Assignee
라인 페이 가부시키가이샤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 라인 페이 가부시키가이샤 filed Critical 라인 페이 가부시키가이샤
Priority to KR1020210071558A priority Critical patent/KR102645648B1/ko
Priority to JP2022089618A priority patent/JP2022185589A/ja
Publication of KR20220163075A publication Critical patent/KR20220163075A/ko
Application granted granted Critical
Publication of KR102645648B1 publication Critical patent/KR102645648B1/ko

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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]
    • G06Q30/0609—Buyer or seller confidence or verification

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 회원 이탈 여부를 예측하는 방법이 관한 것이다. 회원 이탈 여부를 예측하는 방법은, 하나 이상의 회원과 연관된 회원 정보를 획득하는 단계, 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 이탈 여부를 예측하는 단계 및 하나 이상의 회원의 이탈 여부에 대한 예측 결과를 출력하는 단계를 포함하고, 회원 이탈 예측 모델은, 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 제1 참조 회원의 이탈 여부를 예측하도록 학습된다.

Description

회원 이탈 여부를 예측하는 방법 및 시스템{METHOD AND SYSTEM FOR PREDICTING MEMBERSHIP WITHDRAWAL}
본 개시는 회원 이탈 여부를 예측하는 방법 및 시스템에 관한 것으로, 구체적으로 회원과 연관된 회원 정보를 획득하고, 회원 이탈 예측 모델을 이용하여, 회원과 연관된 회원 정보를 기초로 회원 이탈 여부를 예측하는 방법 및 장치에 관한 것이다.
스마트폰 등과 같은 모바일 기기의 확산 및 인터넷의 발달로 인해 모바일 기기를 이용한 결제 애플리케이션의 사용이 널리 이루어지고 있다. 소비자들은 이러한 결제 애플리케이션을 통해, 손쉽게 온라인 및/또는 오프라인에서 상품을 구매할 수 있다. 한편, 다양한 업체(예를 들어, 카드사, 금융사, 핀테크사 등)에서 자사 애플리케이션을 통해 결제 서비스를 제공하고 있다. 소비자들은 자신의 이익 및 편의에 따라 다양한 업체의 결제 서비스 중에서 자신이 사용할 결제 서비스를 선택할 수 있다. 또한, 소비자들은 자신이 기존에 사용하던 업체의 결제 서비스에서 이탈하거나, 다른 업체의 결제 서비스를 신규로 사용할 수 있다.
이에 따라, 각 업체들은 기존의 회원이 이탈하지 않도록 기존의 회원 중 이탈가능성이 큰 회원을 보다 정확히 파악하고, 이탈가능성에 대한 판단을 근거로 조치를 취하는 것이 중요할 수 있다. 그러나, 이러한 분석을 행하고 조치를 취하기 위해 사용할 수 있는 컴퓨팅 및/또는 네트워크 리소스는 한정적이고 전체 기존 회원을 대상으로 분석하는 것은 정확도가 떨어지는 문제가 있다.
본 개시는 상기와 같은 문제를 해결하기 위한 회원 이탈 여부를 예측하는 방법, 기록 매체에 저장된 컴퓨터 프로그램 및 시스템(장치)을 제공한다.
본 개시는 방법, 시스템(장치) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 회원 이탈 여부를 예측하는 방법은, 하나 이상의 회원과 연관된 회원 정보를 획득하는 단계, 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 이탈 여부를 예측하는 단계 및 하나 이상의 회원의 이탈 여부에 대한 예측 결과를 출력하는 단계를 포함하고, 회원 이탈 예측 모델은, 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 제1 참조 회원의 이탈 여부를 예측하도록 학습된다.
본 개시의 일 실시예에 따르면, 예측하는 단계는, 하나 이상의 회원과 연관된 회원 정보를 회원 이탈 예측 모델에 입력함으로써 출력되는 예측 값을 기초로 하나 이상의 회원의 이탈 여부를 예측하는 단계를 포함하고, 회원 이탈 예측 모델은, 복수의 제1 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 복수의 제1 참조 회원의 이탈 여부를 나타내는 참조 예측 값을 출력하도록 더 학습된다.
본 개시의 일 실시예에 따르면, 복수의 제1 참조 회원과 연관된 참조 회원 정보는, 복수의 항목에 대한 정보를 포함하고, 회원 이탈 예측 모델은, 복수의 항목에 대한 정보 및 복수의 항목의 가중치에 기초하여 더 학습된다.
본 개시의 일 실시예에 따르면, 회원 이탈 예측 모델은, 복수의 회원 그룹에 대한 복수의 회원 이탈 예측 서브 모델을 포함하고, 복수의 회원 그룹은, 복수의 제1 참조 회원과 연관된 참조 회원 정보 및 미리 결정된 기준을 기초로 복수의 제1 참조 회원을 그루핑함으로써 생성된다.
본 개시의 일 실시예에 따르면, 복수의 회원 이탈 예측 서브 모델의 각각은, 복수의 회원 그룹의 각각에 포함된 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여 학습된다.
본 개시의 일 실시예에 따르면, 예측하는 단계는, 획득된 하나 이상의 회원과 연관된 회원 정보에 기초하여, 복수의 회원 그룹 중에서 하나 이상의 회원이 포함되는 회원 그룹을 결정하는 단계 및 하나 이상의 회원이 포함되는 회원 그룹에 대한 회원 이탈 예측 서브 모델을 이용하여, 하나 이상의 회원의 이탈 여부를 예측하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 예측하는 단계는, 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원의 이탈 예측 스코어를 산출하는 단계 및 산출된 이탈 예측 스코어에 기초하여, 하나 이상의 회원의 이탈 여부를 예측하는 단계를 포함하고, 회원 이탈 예측 모델은, 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여, 복수의 제1 참조 회원의 이탈 예측 스코어를 산출하도록 더 학습된다.
본 개시의 일 실시예에 따르면, 예측하는 단계는, 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원의 이탈 시기를 예측하는 단계를 포함하고, 회원 이탈 예측 모델은, 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여, 복수의 제1 참조 회원의 이탈 시기를 예측하도록 더 학습된다.
본 개시의 일 실시예에 따르면, 하나 이상의 회원에 대한 예측 결과는, 하나 이상의 회원에 대한 이탈 예측 이유를 포함하고, 회원 이탈 예측 모델은, 제1 참조 회원에 대한 참조 이탈 예측 이유를 출력하도록 학습된, 설명가능한(explainable) 기계학습 모델을 포함한다.
본 개시의 일 실시예에 따르면, 예측하는 단계는, 하나 이상의 회원의 이탈 여부에 대한 기준 스코어를 결정하는 단계를 더 포함하고, 하나 이상의 회원의 이탈 여부에 대한 기준 스코어에 기초하여, 하나 이상의 회원의 이탈 여부를 예측하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 회원의 이탈이 예측되는 경우, 하나 이상의 회원에 대한 콘텐츠를 결정하는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 회원에 대한 콘텐츠를 결정하는 단계는, 콘텐츠 반응 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계 및 하나 이상의 회원의 콘텐츠에 대한 반응 여부의 예측 결과를 기초로, 하나 이상의 회원에 대한 콘텐츠를 결정하는 단계를 포함하고, 콘텐츠 반응 예측 모델은, 복수의 제2 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 제2 참조 회원의 콘텐츠에 대한 반응 여부를 예측하도록 학습된다.
본 개시의 일 실시예에 따르면, 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계는, 하나 이상의 회원과 연관된 회원 정보를 콘텐츠 반응 예측 모델에 입력함으로써, 출력되는 예측 값을 기초로, 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계를 포함하고, 콘텐츠 반응 예측 모델은, 복수의 제2 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 복수의 제2 참조 회원의 콘텐츠에 대한 반응 여부를 나타내는 참조 예측 값을 출력하도록 더 학습된다.
본 개시의 일 실시예에 따르면, 하나 의상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계는, 하나 이상의 회원의 콘텐츠에 대한 민감도 스코어를 산출하는 단계 및 산출된 민감도 스코어에 기초하여, 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계를 포함하고, 콘텐츠 반응 예측 모델은, 복수의 제2 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 복수의 제2 참조 회원의 콘텐츠에 대한 민감도 스코어를 산출하도록 더 학습된다.
본 개시의 일 실시예에 따르면, 결정된 콘텐츠를 하나 이상의 회원과 연관시키는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 하나 이상의 회원은 복수의 회원을 포함하고, 복수의 회원 중 이탈 예측 시기가 더 임박한 회원에 대한 콘텐츠가 이탈 예측 시기가 덜 임박한 회원에 대한 콘텐츠보다 우선하도록 연관된다.
본 개시의 일 실시예에 따르면, 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계는, 콘텐츠에 대한 반응 여부에 대한 기준 스코어를 결정하는 단계 및 콘텐츠에 대한 반응 여부에 대한 기준 스코어에 기초하여, 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계를 포함한다.
본 개시의 일 실시예에 따른 상술한 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따르면, 정보 처리 시스템은, 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 하나 이상의 회원과 연관된 회원 정보를 획득하고, 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 이탈 여부를 예측하고, 하나 이상의 회원에 대한 예측 결과를 출력하기 위한 명령어들을 포함하고, 회원 이탈 예측 모델은, 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 참조 회원의 이탈 여부를 예측하도록 학습된다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로그램은, 하나 이상의 회원의 이탈이 예측되는 경우, 하나 이상의 회원에 대한 콘텐츠를 결정하기 위한 명령어들을 더 포함한다.
본 개시의 일부 실시예에 따라, 기존 회원의 이탈 여부를 예측하여 콘텐츠를 제공할 수 있다.
본 개시의 일부 실시예에서, 회원의 이탈 여부에 대한 기준 스코어 및/또는 콘텐츠에 대한 반응 여부에 대한 기준 스코어를 적절히 조절함으로써, 정확도 중심, 커버리지 중심 및/또는 균형 중심으로 기존 회원의 이탈 여부를 다양한 기준으로 보다 빠르게 예측할 수 있다. 또한, 적절히 조절된 기준 스코어에 기반한 예측에 따라 사용자에게 콘텐츠를 제공할 수 있다. 이에 따라, 한정된 리소스를 이용하여 최대의 효과를 가져올 수 있다. 예를 들어, 이탈 여부에 대한 기준 스코어 및/또는 콘텐츠에 대한 반응 여부에 대한 기준 스코어를, 회원별(예를 들어, 회원 군, 회원 그룹별)로 상이하게 적용할 수 있다. 다른 예로서, 이탈 여부에 대한 기준 스코어 및/또는 콘텐츠에 대한 반응 여부에 대한 기준 스코어를 시기, 상황 및/또는 예산에 따라 상이하게 적용할 수 있다.
본 개시의 일부 실시예에서, 이탈이 예측된 회원에게 타겟팅된 콘텐츠를 제공할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(이하, '통상의 기술자'라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따라 하나 이상의 회원의 이탈 여부를 예측하는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 결제 서비스 및/또는 회원 이탈 여부 예측 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 회원 이탈 여부를 예측하는 방법을 나타내는 흐름도이다.
도 5는 본 개시의 일 실시예에 따라 회원 이탈 예측 모델 및/또는 콘텐츠 반응 예측 모델을 학습하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 대상 회원과 연관된 회원 정보에 기초하여, 회원 이탈 여부를 예측하는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라, 출력되는 대상 회원의 이탈 여부에 대한 예측 결과의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라, 이탈이 예측된 대상 회원과 연관된 회원 정보에 기초하여, 콘텐츠에 대한 반응 여부를 예측하는 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따라, 출력되는 대상 회원의 콘텐츠에 대한 반응 여부의 예측 결과의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따라 대상 회원에 대한 이탈 예측 이유를 결정하는 방법을 나타내는 흐름도이다.
도 11은 본 개시의 일 실시예에 따라 대상 회원의 이탈 여부에 대한 기준 스코어에 따른 이탈 예측 성능을 나타내는 표이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '회원'은, 특정 서비스(예를 들어, 결제 서비스 등)를 이용하고 있는 소비자, 과거에 이용한 바 있는 소비자, 특정 서비스에 대한 멤버쉽에 포함된 소비자 등을 지칭할 수 있다. 예를 들어, '회원'은 특정 서비스와 연관된 애플리케이션, 홈페이지 및/또는 계정의 멤버쉽으로 가입된 소비자 및/또는 과거에 가입된 바 있는 소비자를 포함할 수 있다.
본 개시에서, '이탈'은 특정 서비스에 대한 멤버쉽에서의 탈퇴 및/또는 미리 설정된 기간 내(예를 들어, 연속 한 달, 두 달, 세 달 등)의 미이용을 지칭할 수 있다. 예를 들어, '회원의 이탈'은, 기존 회원의 1 개월 간 연속 미이용을 의미할 수 있다. 이에 따라, 기존 회원이 1 개월 간 연속적으로 서비스를 미이용하는 경우(즉, 기존 회원이 1 개월 간 연속적으로 서비스를 이용하지 않는 경우), 해당 회원은 이탈한 것으로 판정될 수 있다. 또한, 기존 회원이 기준 시점으로부터 1 개월 간 연속적으로 서비스를 미이용할 것으로 예측되는 경우, 해당 회원은 이탈할 것으로 예측될 수 있다.
본 개시에서, '콘텐츠'는 특정 서비스(예를 들어, 결제 서비스 등)의 사용자에게 부가적으로 제공하는 정보, 데이터 및/또는 서비스를 지칭할 수 있다. 예를 들어, '콘텐츠'는 주요 서비스의 사용을 장려하기 위해, 사용자에게 제공되는 부가적 또는 추가적인 정보, 데이터 및/또는 서비스를 포함할 수 있다.
도 1은 본 개시의 일 실시예에 따라 하나 이상의 회원의 이탈 여부를 예측하는 예시를 나타내는 도면이다. 일 실시예에서, 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)은 하나 이상의 회원에 대하여 결제 서비스를 제공할 수 있다. 예를 들어, 정보 처리 시스템은 결제 애플리케이션 등을 통해, 하나 이상의 회원에게 결제 서비스를 제공할 수 있다. 이러한 결제 서비스 등에서, 기존 회원의 1개월 이용 이탈은 장기 이탈로 이어질 수 있다. 따라서, 사용자(예를 들어, 서비스 관리자, 운영자 등)는 회원의 장기 이탈을 방지하기 위해, 회원의 1개월 이용 이탈 여부를 예측하고, 이탈을 방지하는 조치를 취할 필요가 있다.
회원의 이탈 여부를 예측하기 위해, 정보 처리 시스템은 하나 이상의 회원과 연관된 회원 정보를 획득할 수 있다. 여기서, 하나 이상의 회원은 이탈 여부 예측의 대상이 되는 대상 회원에 해당할 수 있다. 일 실시예에서, 정보 처리 시스템은 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 이탈 여부를 예측할 수 있다. 여기서, 회원 이탈 예측 모델은, 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여, 복수의 제1 참조 회원의 이탈 여부를 예측하도록 학습된 모델에 해당할 수 있다. 정보 처리 시스템은 하나 이상의 회원의 이탈 여부에 대한 예측 결과를 출력할 수 있다.
하나 이상의 회원의 이탈이 예측되는 경우, 정보 처리 시스템은 하나 이상의 회원에 대한 콘텐츠를 결정할 수 있다. 예를 들어, 정보 처리 시스템은 이탈이 예측된 회원의 콘텐츠에 대한 반응 여부를 예측하고, 콘텐츠에 대한 반응 여부의 예측 결과에 기초하여, 콘텐츠 제공 여부 및/또는 제공할 콘텐츠를 자동으로 결정할 수 있다. 다른 예로서 정보 처리 시스템은 이탈이 예측된 회원의 콘텐츠에 대한 반응 여부를 예측하고, 콘텐츠에 대한 반응 여부의 예측 결과를 사용자(예를 들어, 결제 서비스 관리자, 운영자 등)에게 제공할 수 있다. 이 경우, 정보 처리 시스템은 제공된 예측 결과에 대한 사용자의 응답을 수신하여, 콘텐츠 제공 여부 및/또는 제공할 콘텐츠를 결정할 수 있다.
일 실시예에서, 정보 처리 시스템은 콘텐츠 반응 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측할 수 있다. 콘텐츠에 대한 반응 예측에 사용되는 회원 정보는, 회원의 이탈 여부 예측에 사용되는 회원 정보와는 상이한 항목의 데이터를 포함할 수 있다. 그리고 나서, 정보 처리 시스템은, 하나 이상의 회원의 콘텐츠에 대한 반응 여부의 예측 결과를 기초로 하나 이상의 회원에 대한 콘텐츠를 결정할 수 있다. 여기서, 콘텐츠 반응 예측 모델은, 복수의 제2 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 제2 참조 회원의 콘텐츠에 대한 반응 여부를 예측하도록 학습된 모델에 해당할 수 있다. 정보 처리 시스템은, 결정된 콘텐츠를 하나 이상의 회원과 연관시킬 수 있다. 예를 들어, 정보 처리 시스템은 하나 이상의 회원에게 여러 유형의 콘텐츠 중 각각 연관된 콘텐츠를 제공할 수 있다.
도시된 바와 같이, 정보 처리 시스템은, 회원 이탈 예측 모델을 이용하여, 기준 시점(예를 들어, 20.12.01)으로부터 특정 기간 내(예를 들어, 한 달 내, 두 달 내, 세 달 내)에 대상 회원(예를 들어, 이용을 유지하고 있는 하나 이상의 회원)이 이탈할지 여부를 예측할 수 있다(S110). 예를 들어, 정보 처리 시스템은 대상 회원의 이탈 여부를 예측하고, 이탈이 예측되는 대상 회원의 이탈 시기를 예측할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 대상 회원이 M1 기간(즉, 기준 시점으로부터 한 달 내)에 이탈할지 여부, M2 기간(즉, 기준 시점으로부터 두 달 내)에 이탈할지 여부 및 M3 기간(즉, 기준 시점으로부터 세 달 내)에 이탈할지 여부를 각각 예측할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은, M0 기간에 이용 유지(140)하고 있는 대상 회원이 M1 기간에 이탈할지 여부를 예측하고, M1 기간에 이용 유지할 것(154)으로 예측된 회원(즉, 이탈하지 않을 것으로 예측된 회원)이 M2 기간에 이탈할지 여부를 예측하고, M2 기간에 이용 유지할 것(164)으로 예측된 회원이 M3 기간에 이탈할지 여부를 예측함으로써, 대상 회원의 이탈 여부 및 이탈 시점을 예측할 수 있다. 즉, M3 기간에서의 대상 회원의 이용 이탈 또는 이용 유지(174)가 예측될 수 있다.
정보 처리 시스템은, M1, M2, M3 기간에 이용 이탈(152, 162, 172)이 예측되는 대상 회원에게 콘텐츠(예를 들어, 가격 할인과 연관된 콘텐츠, 쿠폰 제공과 관련된 콘텐츠, 상품 증정과 관련된 콘텐츠, 부가 혜택 제공과 관련된 콘텐츠 등)를 제공할지 여부(156, 166, 176) 및/또는 제공할 콘텐츠를 결정할 수 있다(S130). 이를 위해, 정보 처리 시스템은 콘텐츠 반응 예측 모델을 이용하여, M1, M2, M3 기간에 이용 이탈(152, 162, 172)이 예측되는 대상 회원의 콘텐츠에 대한 반응 여부를 예측할 수 있다(S120). 예를 들어, 정보 처리 시스템은, 이용 이탈(152, 162, 172)이 예측되는 대상 회원 중에서 콘텐츠에 대하여 반응할 것으로 예측되는 적어도 일부의 대상 회원에게 콘텐츠를 제공하는 것을 결정할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은, 이용 이탈(152, 162, 172)이 예측되는 대상 회원의 콘텐츠에 대한 반응 여부의 예측 결과에 대한 사용자의 응답에 기초하여, 이용 이탈(152, 162, 172)이 예측되는 대상 회원 중 적어도 일부의 대상 회원에게 콘텐츠를 제공하는 것을 결정할 수 있다.
일 실시예에서, 이탈 예측 시기가 더 임박한 대상 회원에 대한 콘텐츠가 이탈 예측 시기가 덜 임박한 대상 회원에 대한 콘텐츠보다 우선하여 연관될 수 있다. 예를 들어, 정보 처리 시스템은 이탈 예측 시기가 더 임박한 대상 회원에 대한 콘텐츠를 이탈 예측 시기가 덜 임박한 대상 회원에 대한 콘텐츠보다 우선하여 결정할 수 있다. 다른 예로서, 이용 이탈(152, 162, 172)이 예측되는 대상 회원 중에서, 이탈 예측 시기가 덜 임박한 회원보다 이탈 예측 시기가 더 임박한 대상 회원에게 우선적으로 콘텐츠가 제공될 수 있다. 즉, M1 기간에 이용 이탈(152)이 예측되는 대상 회원에게, M2 기간에 이용 이탈(162)이 예측되는 대상 회원보다 우선적으로 콘텐츠가 제공될 수 있다.
도 2는 본 개시의 일 실시예에 따른 결제 서비스 및/또는 회원 이탈 여부 예측 서비스를 제공하기 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 정보 처리 시스템(230)은 결제 서비스를 제공할 수 있는 시스템(들) 및/또는 회원 이탈 여부를 예측할 수 있는 시스템(들)을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 결제 서비스, 회원 이탈 여부 예측 서비스 및/또는 콘텐츠 제공 서비스와 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 예를 들어, 정보 처리 시스템(230)은 결제 서비스, 회원 이탈 여부 예측 서비스 및/또는 콘텐츠 제공 서비스를 위한 별도의 시스템(예를 들어, 서버)들을 포함할 수 있다. 정보 처리 시스템(230)에 의해 제공되는 결제 서비스, 회원 이탈 여부 예측 서비스 등은, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 결제 애플리케이션, 회원 관리 애플리케이션 등을 통해 사용자에게 제공될 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말(210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 결제 애플리케이션, 회원 관리 애플리케이션 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
일 실시예에서, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)(예를 들어, 결제 서비스 회원의 사용자 단말)로부터 회원과 연관된 회원 정보(예를 들어, 회원 기본 정보, 활동 정보 등)를 수신할 수 있다. 이 경우, 정보 처리 시스템(230)은 수신된 회원 정보를 데이터베이스 등의 저장 장치에 저장할 수 있다. 다른 실시예에서, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)(예를 들어, 결제 서비스 관리자 및/또는 운영자 등의 사용자 단말)에 회원의 이탈 여부에 대한 예측 결과를 제공할 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 결제 애플리케이션, 회원 관리 애플리케이션 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 결제 서비스, 회원 이탈 여부 예측 서비스 및/또는 콘텐츠 제공 서비스와 연관된 애플리케이션 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 결제 서비스, 회원 이탈 여부 예측 서비스 및/또는 콘텐츠 제공 서비스와 연관된 애플리케이션 등)에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 결제 처리 요청, 회원 이탈 여부 예측 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 회원의 이탈 여부에 대한 예측 결과를 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 마이크 모듈, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 결제 애플리케이션, 회원 관리 애플리케이션 또는 웹 브라우저 애플리케이션이 동작하도록 구성될 수 있다. 이 때, 해당 애플리케이션과 연관된 프로그램 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다. 애플리케이션이 동작되는 동안에, 사용자 단말(210)의 프로세서(314)는 입출력 장치(320)로부터 제공된 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 수신하거나 통신 모듈(316)을 통해 정보 처리 시스템(230)으로부터 정보 및/또는 데이터를 수신할 수 있으며, 수신된 정보 및/또는 데이터를 처리하여 메모리(312)에 저장할 수 있다. 또한, 이러한 정보 및/또는 데이터는 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공될 수 있다.
결제 애플리케이션, 회원 관리 애플리케이션 등이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 음성 데이터, 텍스트, 이미지, 영상 등을 수신할 수 있으며, 수신된 음성 데이터, 텍스트, 이미지 및/또는 영상 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 사용자 단말(210)의 프로세서(314)는 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 입출력 장치(320)로 전송하여, 출력할 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)는 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 출력 장치(320)를 통해 처리된 정보 및/또는 데이터를 출력할 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공될 수 있다. 일 실시예에서, 정보 처리 시스템(230)의 프로세서(334)는 하나 이상의 회원과 연관된 회원 정보를 획득하고, 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 이탈 여부를 예측할 수 있다. 그리고 나서, 프로세서(334)는 하나 이상의 회원의 이탈 여부에 대한 예측 결과를 사용자 단말(210)(예를 들어, 결제 서비스 관리자 및/또는 운영자 등의 사용자 단말)에 제공할 수 있다.
도 4는 본 개시의 일 실시예에 따른 회원 이탈 여부를 예측하는 방법(400)을 나타내는 흐름도이다. 일 실시예에서, 회원 이탈 여부를 예측하는 방법(400)은 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 회원 이탈 여부를 예측하는 방법(400)은 프로세서가 하나 이상의 회원과 연관된 회원 정보를 획득함으로써 개시될 수 있다(S410). 여기서, 회원 정보는 해당 회원의 총 이용 금액, 1회 평균 이용 금액, 최근 이용 시기, 사용 빈도수, 이용 유지 기간, 이전 이용 이탈 내역, 연관된 회원의 수(예를 들어, 팔로워 수, 친구 수, 팔로잉 수 등) 등을 포함할 수 있다.
그리고 나서, 프로세서는 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 이탈 여부를 예측할 수 있다(S420). 여기서, 회원의 이탈은, 해당 회원이 미리 결정된 기간(예를 들어, 한달) 동안 서비스를 이용하지 않는 것을 지칭할 수 있다. 프로세서는 하나 이상의 회원의 이탈 여부에 대한 예측 결과를 출력할 수 있다(S430). 여기서, 회원 이탈 예측 모델은, 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 참조 회원의 이탈 여부를 예측하도록 학습된 모델에 해당할 수 있다. 여기서, 참조 회원 정보는, 해당 참조 회원의 총 이용 금액, 1회 평균 이용 금액, 최근 이용 시기, 사용 빈도수, 이용 유지 기간, 이전 이용 이탈 내역, 연관된 회원의 수(예를 들어, 팔로워 수, 친구 수, 팔로잉 수 등) 및/또는 이탈 여부에 대한 정보 등을 포함할 수 있다. 즉, 학습에 사용되는 복수의 참조 회원과 연관된 참조 회원 정보에 포함된 항목은, 추론에 사용되는 하나 이상의 회원의 회원 정보에 포함된 항목과 동일 또는 유사한 항목을 포함할 수 있다.
일 실시예에서, 프로세서는 하나 이상의 회원과 연관된 회원 정보를 회원 이탈 예측 모델에 입력함으로써, 출력되는 예측 값(예를 들어, 0 또는 1)을 기초로 하나 이상의 회원의 이탈 여부를 예측할 수 있다. 이 경우, 회원 이탈 예측 모델은, 복수의 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 복수의 참조 회원의 이탈 여부를 나타내는 참조 예측 값을 출력하도록 더 학습된 모델에 해당할 수 있다. 추가적으로 또는 대안적으로, 복수의 참조 회원과 연관된 참조 회원 정보는, 복수의 항목에 대한 정보를 포함하고, 회원 이탈 예측 모델은, 복수의 항목에 대한 정보 및 복수의 항목의 가중치에 기초하여 더 학습된 모델에 해당할 수 있다. 여기서, 가중치는, 회원의 이탈 여부를 예측하는데 있어서 복수의 항목 각각에 적용되는, 미리 결정되거나 조절될 수 있는 파라미터 및/또는 중요도를 지칭할 수 있다.
추가적으로 또는 대안적으로, 회원 이탈 예측 모델은, 복수의 회원 그룹에 대한 복수의 회원 이탈 예측 서브 모델을 포함할 수 있다. 여기서, 복수의 회원 그룹은, 복수의 참조 회원과 연관된 참조 회원 정보 및 미리 결정된 기준을 기초로 복수의 참조 회원을 그루핑함으로써 생성된 것일 수 있다. 여기서, 복수의 회원 이탈 예측 서브 모델의 각각은, 복수의 회원 그룹의 각각에 포함된 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여 학습된 모델에 해당할 수 있다. 이 경우, 프로세서는 획득된 하나 이상의 회원과 연관된 회원 정보에 기초하여, 복수의 회원 그룹 중에서 하나 이상의 회원이 포함되는 회원 그룹을 결정하고, 하나 이상의 회원이 포함되는 회원 그룹에 대한 회원 이탈 예측 서브 모델을 이용하여, 하나 이상의 회원의 이탈 여부를 예측할 수 있다.
추가적으로 또는 대안적으로, 프로세서는 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원의 이탈 예측 스코어를 산출하고, 산출된 이탈 예측 스코어에 기초하여, 하나 이상의 회원의 이탈 여부를 예측할 수 있다. 이 경우, 회원 이탈 예측 모델은, 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여, 복수의 참조 회원의 이탈 예측 스코어를 산출하도록 더 학습된 모델에 해당할 수 있다. 추가적으로 또는 대안적으로, 프로세서는 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원의 이탈 시기를 예측할 수 있다. 이 경우, 회원 이탈 예측 모델은, 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여, 복수의 참조 회원의 이탈 시기를 예측하도록 더 학습된 모델에 해당할 수 있다. 추가적으로 또는 대안적으로, 하나 이상의 회원에 대한 예측 결과는, 하나 이상의 회원에 대한 이탈 예측 이유를 포함할 수 있다. 이를 위해, 회원 이탈 예측 모델은, 참조 회원에 대한 참조 이탈 예측 이유를 출력하도록 학습된, 설명가능한(explainable) 기계학습 모델을 포함할 수 있다.
도 5는 본 개시의 일 실시예에 따라 회원 이탈 예측 모델 및/또는 콘텐츠 반응 예측 모델(532)을 학습하는 예시를 나타내는 도면이다. 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)은 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 제1 참조 회원의 이탈 여부를 예측하도록 회원 이탈 예측 모델을 학습할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 복수의 제1 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 복수의 제1 참조 회원의 이탈 여부를 나타내는 참조 예측 값을 출력하도록 회원 이탈 예측 모델을 생성 또는 학습할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은, 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여, 복수의 제1 참조 회원의 이탈 예측 스코어를 산출하도록 회원 이탈 예측 모델을 학습할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은, 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여, 복수의 제1 참조 회원의 이탈 시기를 예측하도록 회원 이탈 예측 모델을 학습할 수 있다.
일 실시예에서, 정보 처리 시스템은 회원 정보 데이터 베이스(500)로부터, 회원 이탈 예측 모델을 학습하기 위한 학습 데이터(510)를 획득할 수 있다. 여기서, 회원 정보 데이터 베이스(500)는 정보 처리 시스템의 내부 및/또는 외부의 저장 장치에 포함될 수 있다. 또한, 회원 정보 데이터 베이스(500)는 이미 이용 이탈한 회원 및/또는 이용을 유지하고 있는 회원과 연관된 회원 정보를 포함할 수 있다. 회원 이탈 예측 모델을 학습하기 위한 학습 데이터(510)는 복수의 제1 참조 회원과 연관된 참조 회원 정보를 포함할 수 있다.
복수의 제1 참조 회원과 연관된 참조 회원 정보는 복수의 항목에 대한 정보를 포함할 수 있다. 여기서, 복수의 항목은 하나 이상의 카테고리(예를 들어, 17개의 카테고리)로 분류된 하나 이상의 변수(예를 들어, 450개의 변수)를 지칭할 수 있으며, 복수의 항목에 대한 정보는 복수의 항목에 대한 값(예를 들어, 변수 값)을 지칭할 수 있다. 예를 들어, 하나 이상의 카테고리는, 회원 기본 정보, 계정 상태, 이용 트렌드, 잔액 현황, 결제 트렌드, 충전 트렌드, 송금 트렌드, 카드 관련 정보, 포인트 등급, 리워드 쿠폰 관련 정보, 유저 그룹 통계량, 결제 관련 정보, 스티커 관련 정보, 오픈 챗 관련 정보, 가맹점별 결제 트렌드 등을 포함할 수 있으며, 각 카테고리는 하나 이상의 변수를 포함할 수 있다.
또한, 복수의 제1 참조 회원과 연관된 참조 회원 정보는, 복수의 제1 참조 회원의 이탈 여부에 대한 정보(즉, 참조 회원들의 실제 이탈 여부)를 포함할 수 있다. 정보 처리 시스템은 상술한 복수의 항목에 대한 값(즉, 변수 값)을 입력 데이터로, 복수의 제1 참조 회원의 이탈 여부를 정답 데이터(예를 들어, 정답 레이블)로 하여, 회원 이탈 예측 모델을 지도 학습할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 복수의 항목에 대한 정보 및 복수의 항목의 가중치에 기초하여 회원 이탈 예측 모델을 학습할 수 있다.
일 실시예에서, 정보 처리 시스템은 복수의 제1 참조 회원과 연관된 참조 회원 정보 및 미리 결정된 기준을 기초로 복수의 회원을 그루핑함으로써 복수의 회원 그룹(예를 들어, 144개의 그룹)을 생성할 수 있다. 그리고 나서, 정보 처리 시스템은 복수의 회원 그룹의 각각에 포함된 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 회원 이탈 예측 서브 모델의 각각을 학습할 수 있다. 이렇게 각각 학습된 복수의 회원 이탈 예측 서브 모델은 회원 이탈 예측 모델에 포함되거나 회원 이탈 예측 모델을 구성할 수 있다. 각 회원 그룹 별로 이탈 회원의 비율이 상이하므로, 정보 처리 시스템은 각 회원 그룹 별로 회원 이탈 예측 서브 모델을 학습함으로써, 회원 이탈 예측 모델의 성능을 향상시킬 수 있다. 한편, 운영 안정성을 위해, 실제로 회원 이탈 여부를 예측하는 과정에서는 단일 회원 이탈 예측 모델(예를 들어, 단일 회원 그룹에 포함된 회원과 연관된 회원 정보에 기초하여 학습된 모델)이 사용될 수 있다.
도시된 바와 같이, 정보 처리 시스템은 회원 이탈 예측 모델 학습 데이터(즉, 복수의 제1 참조 회원과 연관된 참조 회원 정보)(510)를 기초로, 6개월 평균 이용 금액, 최근 6개월 내 연속 이용 개월 수, 최근 30일 결제 건수 등 미리 정해진 기준에 따라 복수의 제1 참조 회원을 그루핑함으로써 n개의 회원 그룹(512, 514, 516; 여기서, n은 3이상의 자연수임)을 생성할 수 있다. 그리고 나서, 정보 처리 시스템은 각 회원 그룹에 포함된 제1 참조 회원과 연관된 참조 회원 정보에 기초하여, 각 회원 이탈 예측 서브 모델을 학습할 수 있다. 즉, 정보 처리 시스템은 복수의 제1 참조 회원 중에서, 제1 회원 그룹(512)에 포함된 제1 참조 회원과 연관된 참조 회원 정보를 기초로 제1 회원 이탈 예측 서브 모델(522)을 학습하고, 제2 회원 그룹(514)에 포함된 제1 참조 회원 회원과 연관된 참조 회원 정보를 기초로 제2 회원 이탈 예측 서브 모델(524)을 학습할 수 있다. 이와 마찬가지로, 정보 처리 시스템은, 제n 회원 그룹(516)에 포함된 제1 참조 회원과 연관된 참조 회원 정보를 기초로 제n 회원 이탈 예측 서브 모델(526)을 학습할 수 있다.
일 실시예에서, 정보 처리 시스템은 회원 정보 데이터 베이스(500)로부터, 콘텐츠 반응 예측 모델(532)을 학습하기 위한 학습 데이터(530)를 획득할 수 있다. 콘텐츠 반응 예측 모델(532)을 학습하기 위한 학습 데이터(530)는 복수의 제2 참조 회원과 연관된 참조 회원 정보를 포함할 수 있다. 여기서, 제2 참조 회원은 이탈 여부와 무관하게, 쿠폰 등의 콘텐츠를 이용하거나 제공받은 이력이 존재하는 회원을 포함할 수 있다. 복수의 제2 참조 회원과 연관된 참조 회원 정보는, 복수의 제2 참조 회원의 복수의 변수(예를 들어, 40개의 변수)에 대한 값 및/또는 콘텐츠에 대한 반응 여부(예를 들어, 특정 콘텐츠에 대한 실제 반응 여부, 콘텐츠 이용 여부, 콘텐츠 이용 내역 등)을 포함할 수 있다.
일 실시예에서, 정보 처리 시스템은 복수의 제2 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 제2 참조 회원의 콘텐츠에 대한 반응 여부를 예측하도록 콘텐츠 반응 예측 모델을 학습할 수 있다. 예를 들어, 정보 처리 시스템은 복수의 제2 참조 회원의 복수의 변수(예를 들어, 40개의 변수)에 대한 값을 입력 데이터로, 콘텐츠에 대한 반응 여부를 정답 데이터로 하여 콘텐츠 반응 예측 모델을 지도 학습할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 복수의 제2 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 복수의 제2 참조 회원의 콘텐츠에 대한 반응 여부를 나타내는 참조 예측 값을 출력하도록 콘텐츠 반응 예측 모델을 학습할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 복수의 제2 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 복수의 제2 참조 회원의 콘텐츠에 대한 민감도 스코어를 산출하도록 콘텐츠 반응 예측 모델을 학습할 수 있다.
회원 이탈 예측 모델을 학습하기 위한 학습 데이터(510) 및 콘텐츠 반응 예측 모델을 학습하기 위한 학습 데이터(530)는 적어도 일부가 동일하거나 서로 상이할 수 있다. 즉, 회원 이탈 예측 모델을 학습하기 위한 학습 데이터(510)에 해당하는 복수의 제1 참조 회원과 콘텐츠 반응 예측 모델을 학습하기 위한 학습 데이터(530)에 해당하는 복수의 제2 참조 회원은 적어도 일부가 동일하거나 서로 상이할 수 있다. 또한, 제1 참조 회원과 제2 참조 회원이 서로 동일한 회원에 해당하더라도, 회원 이탈 예측 모델을 학습하는데 사용되는 참조 회원 정보(즉, 제1 참조 회원과 연관된 참조 회원 정보)와 콘텐츠 반응 예측 모델을 학습하는데 사용되는 참조 회원 정보(즉, 제2 참조 회원과 연관된 참조 회원 정보)를 구성하는 데이터(또는 변수, 변수 값)는 서로 상이할 수 있다. 이와 마찬가지로, 특정 대상 회원에 대하여 이탈을 예측하고 콘텐츠에 대한 반응 여부를 예측하는 과정(즉, 추론 단계)에 있어서, 회원 이탈 예측 모델에 입력되는 회원 정보를 구성하는 데이터와 콘텐츠 반응 예측 모델에 입력되는 회원 정보를 구성하는 데이터는 서로 상이할 수 있다.
도 6은 본 개시의 일 실시예에 따라 대상 회원과 연관된 회원 정보(610)에 기초하여, 회원 이탈 여부를 예측하는 예시를 나타내는 도면이다. 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)은, 이탈 여부를 예측하고자 하는 하나 이상의 회원(즉, 대상 회원)과 연관된 회원 정보에 기초하여, 대상 회원의 이탈 여부를 예측할 수 있다. 도시된 바와 같이, 정보 처리 시스템은, 대상 회원과 연관된 회원 정보(610)를 회원 이탈 예측 모델(620)에 입력함으로써, 대상 회원의 이탈 여부에 대한 예측 결과(630)를 생성할 수 있다. 여기서, 대상 회원과 연관된 회원 정보(610)는, 복수의 항목 각각에 대한 대상 회원의 정보(예를 들어, 변수 값)를 포함할 수 있다. 예를 들어, 회원 이탈 예측 모델(620)은 부스트 계열의 임의의 기계학습 모델을 지칭할 수 있는데, 예를 들어, XG 부스트 등을 포함할 수 있으나, 이에 한정되지 않는다. 이 경우, 회원 이탈 예측 모델은, 입력되는 대상 회원과 연관된 정보(610) 및 복수의 항목 각각에 대한 가중치(예를 들어, 복수의 항목 각각에 적용되는, 미리 결정되거나 조절될 수 있는 파라미터, 중요도 등)에 기초하여, 대상 회원의 이탈 여부에 대한 예측 결과(630)를 출력할 수 있다.
일 실시예에서, 정보 처리 시스템은 대상 회원과 연관된 회원 정보를 회원 이탈 예측 모델에 입력함으로써, 출력되는 예측 값을 기초로 대상 회원의 이탈 여부를 예측할 수 있다. 예를 들어, 정보 처리 시스템은 회원 이탈 예측 모델로부터 출력되는 예측 값이 1인 경우, 대상 회원이 이탈할 것으로 예측할 수 있다. 다른 예로서, 정보 처리 시스템은 회원 이탈 예측 모델로부터 출력되는 예측 값이 0인 경우, 대상 회원이 이탈하지 않을 것으로 예측할 수 있다.
추가적으로 또는 대안적으로, 정보 처리 시스템은 회원 이탈 예측 모델을 이용하여, 대상 회원의 이탈 시기를 예측할 수 있다. 예를 들어, 정보 처리 시스템은 회원 이탈 예측 모델을 이용하여, M1 기간(예를 들어, 기준 시점으로부터 한 달 내)에 대상 회원의 이탈 여부, M2 기간(예를 들어, 기준 시점으로부터 두 달 내)에 대상 회원의 이탈 여부 및 M3 기간(예를 들어, 기준 시점으로부터 세 달 내)에 대상 회원의 이탈 여부를 각각 예측할 수 있다. 즉, 정보 처리 시스템은 M1 기간에 대상 회원이 이탈할지 여부를 나타내는 예측 값(예를 들어, 0 또는 1), M2 기간에 대상 회원이 이탈할지 여부를 나타내는 예측 값(예를 들어, 0 또는 1) 및 M3 기간에 대상 회원이 이탈할지 여부를 나타내는 예측 값(예를 들어, 0 또는 1)을 포함하는, 대상 회원의 이탈 여부에 대한 예측 결과를 생성할 수 있다.
추가적으로 또는 대안적으로, 정보 처리 시스템은 회원 이탈 예측 모델을 이용하여, 대상 회원의 이탈 예측 스코어를 산출하고, 산출된 이탈 예측 스코어에 기초하여, 대상 회원의 이탈 여부를 예측할 수 있다. 여기서, 이탈 예측 스코어는 0에서 1000 사이의 값으로 산출될 수 있으며, 이탈 예측 스코어가 높을수록 대상 회원의 이탈 위험이 높은 것으로 예측될 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 산출된 이탈 예측 스코어를 기초로, 대상 회원을 이탈 고위험 회원, 중위험 회원 또는 저위험 회원 중 적어도 하나로 구분할 수 있다. 즉, 정보 처리 시스템은, 대상 회원의 이탈 예측 스코어가 제1 구간에 해당하는 경우, 대상 회원을 이탈 고위험 회원으로, 대상 회원의 이탈 예측 스코어가 제2 구간에 해당하는 경우, 대상 회원을 이탈 중위험 회원으로, 대상 회원의 이탈 예측 스코어가 제3 구간에 해당하는 경우, 대상 회원을 이탈 저위험 회원으로 결정할 수 있다.
일 실시예에서, 정보 처리 시스템은 대상 회원과 연관된 회원 정보에 기초하여, 복수의 회원 그룹 중에서 대상 회원이 포함되는 회원 그룹을 결정할 수 있다. 그리고 나서, 정보 처리 시스템은 대상 회원이 포함되는 회원 그룹에 대한 회원 이탈 예측 서브 모델을 이용하여, 대상 회원의 이탈 여부를 예측할 수 있다. 대상 회원과 유사한 회원들의 회원 정보에 기초하여 학습된 회원 이탈 예측 서브 모델을 이용함으로써, 정보 처리 시스템은 대상 회원의 이탈 여부를 보다 정확하게 예측할 수 있다.
추가적으로 또는 대안적으로, 정보 처리 시스템은 대상 회원 이탈 여부에 대한 기준 스코어를 결정할 수 있다. 예를 들어, 정보 처리 시스템은 기준 스코어에 대한 사용자의 선택에 기초하여, 대상 회원 이탈 여부에 대한 기준 스코어를 결정할 수 있다. 이 경우, 정보 처리 시스템은 대상 회원의 이탈 여부에 대한 기준 스코어에 기초하여, 대상 회원의 이탈 여부를 예측할 수 있다. 예를 들어, 대상 회원의 이탈 예측 스코어가 기준 스코어와 같거나 기준 스코어보다 큰 경우, 정보 처리 시스템은 대상 회원이 이탈할 것으로 예측할 수 있다. 다른 예로서, 대상 회원의 이탈 예측 스코어가 기준 스코어보다 작은 경우, 정보 처리 시스템은 대상 회원이 이탈하지 않을 것으로 예측할 수 있다.
도 7은 본 개시의 일 실시예에 따라, 출력되는 대상 회원의 이탈 여부에 대한 예측 결과의 예시를 나타내는 도면이다. 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서 및/또는 사용자 단말의 적어도 하나의 프로세서)는 대상 회원의 이탈 여부에 대한 예측 결과를 출력할 수 있다. 이에 따라, 프로세서는 사용자(예를 들어, 서비스 운영자 및/또는 관리자 등)에게 대상 회원의 이탈 여부에 대한 예측 결과를 제공할 수 있다. 일 실시예에서, 프로세서는 대상 회원의 이탈 여부에 대한 예측 결과로서, 대상 회원의 이탈 여부를 나타내는 예측 값을 출력할 수 있다. 여기서, 예측 값은 1 또는 0으로 출력될 수 있다. 예를 들어, 대상 회원이 이탈할 것으로 예측되는 경우, 예측 값은 1로 출력되고, 대상 회원이 이탈하지 않을 것으로 예측되는 경우, 예측 값은 0으로 출력될 수 있다.
다른 실시예에서, 프로세서는 대상 회원의 이탈 여부에 대한 예측 결과로서, 대상 회원의 이탈 예측 스코어를 출력할 수 있다. 여기서, 이탈 예측 스코어는 0에서 1000 사이의 값에 해당할 수 있으며, 이탈 예측 스코어가 높은 회원일수록 이탈 위험이 높은 회원에 해당할 수 있다. 추가적으로 또는 대안적으로, 프로세서는 대상 회원이 이탈 고위험 회원에 해당하는지, 이탈 중위험 회원에 해당하는지 또는 이탈 저위험 회원에 해당하는지 여부를 출력할 수 있다.
도시된 표(700)에 따르면, 프로세서는 각 대상 회원('user 1', 'user 2', 'user 3', 'user 4', 'user 5')의 이탈 여부를 나타내는 예측 값('이탈 예상_TF') 및 이탈 예측 스코어를 출력할 수 있다. 예를 들어, 'user 1'는, 예측 값이 1이고, 이탈 예측 스코어가 약 741이므로, 이탈할 것으로 예측되며, 이탈 위험이 높은 회원일 수 있다. 또한, 'user 4'는 예측 값이 0이고, 이탈 예측 스코어가 약 211이므로, 이탈하지 않을 것으로 예측되며, 이탈 위험이 낮은 회원일 수 있다. 추가적으로, 프로세서는 각 대상 회원과 연관된 회원 정보(예를 들어, 나이('age'), 연관된 회원 수('followees_count', 'followers_count', 'bothways_count') 등을 함께 출력할 수 있다.
도 7에서는, 프로세서가 각 대상 회원별로 예측 값을 하나씩 출력하고 있으나, 이에 한정되지 않는다. 예를 들어, 프로세서는 복수의 기간(또는 시기) 각각에 대한 대상 회원의 이탈 여부를 나타내는 예측 값을 출력할 수 있다. 즉, 프로세서는 M1 기간에서의 대상 회원의 이탈 여부를 나타내는 예측 값, M2 기간에서의 대상 회원의 이탈 여부를 나타내는 예측 값 및 M3 기간에서의 대상 회원의 이탈 여부를 나타내는 예측 값이 함께 출력될 수 있다. 다른 예로서, 프로세서는 이탈이 예측되는 대상 회원의 예상 이탈 시기를 함께 출력할 수 있다.
도 8은 본 개시의 일 실시예에 따라, 이탈이 예측된 대상 회원과 연관된 회원 정보(810)에 기초하여, 콘텐츠에 대한 반응 여부를 예측하는 예시를 나타내는 도면이다. 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)은 대상 회원의 이탈이 예측되는 경우, 이탈이 예측된 대상 회원에 대한 콘텐츠를 결정할 수 있다. 이를 위해, 정보 처리 시스템은, 도시된 바와 같이, 이탈이 예측된 대상 회원과 연관된 회원 정보(810)를 콘텐츠 반응 예측 모델(820)에 입력함으로써, 대상 회원의 콘텐츠에 대한 반응 여부의 예측 결과(830)를 생성할 수 있다. 예를 들어, 콘텐츠 반응 예측 모델(820)은 부스트 계열의 임의의 기계학습 모델을 지칭할 수 있는데, 예를 들어, XG 부스트 등을 포함할 수 있으나, 이에 한정되지 않는다. 여기서, 콘텐츠 반응 예측 모델(820)에 입력되는 대상 회원과 연관된 회원 정보(810)는, 회원 이탈 예측 모델에 입력되는 회원 정보와 상이한 항목에 대한 데이터를 포함할 수 있다. 예를 들어, 콘텐츠 반응 예측 모델(820)에 입력되는 대상 회원과 연관된 회원 정보(810)는 콘텐츠(예를 들어, 쿠폰 정보를 포함하는 콘텐츠) 사용 건수, 사용한 콘텐츠의 종류, 미사용한 콘텐츠의 종류, 콘텐츠를 사용한 시점 또는 기간 등을 포함할 수 있다.
일 실시예에서, 정보 처리 시스템은 콘텐츠 반응 예측 모델을 이용하여, 대상 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 콘텐츠(예를 들어, 쿠폰 또는 할인 정보를 포함하는 콘텐츠 등)에 대한 반응을 예측할 수 있다. 이에 따라, 정보 처리 시스템은 하나 이상의 회원의 콘텐츠에 대한 반응 여부의 예측 결과를 기초로, 하나 이상의 회원에 대한 콘텐츠를 결정할 수 있다. 여기서, 콘텐츠 반응 예측 모델은, 복수의 제2 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 제2 참조 회원의 콘텐츠에 대한 반응 여부를 예측하도록 학습된 모델에 해당할 수 있다. 또한, 콘텐츠 반응 예측 모델은, 회원 이탈 예측 모델과는 별도로 학습된 모델에 해당할 수 있다.
예를 들어, 정보 처리 시스템은 대상 회원과 연관된 회원 정보를 콘텐츠 반응 예측 모델에 입력함으로써, 출력되는 예측 값을 기초로, 대상 회원의 콘텐츠에 대한 반응 여부를 예측할 수 있다. 여기서, 콘텐츠 반응 예측 모델로부터 출력되는 예측 값은 1 또는 0일 수 있다. 예를 들어, 대상 회원이 콘텐츠에 대하여 반응할 것으로 예측되는 경우, 예측 값으로 0이 출력되고, 대상 회원이 반응하지 않을 것으로 예측되는 경우, 예측 값으로 1이 출력될 수 있다.
추가적으로 또는 대안적으로, 정보 처리 시스템은 하나 이상의 회원의 콘텐츠에 대한 민감도 스코어를 산출하고, 산출된 민감도 스코어에 기초하여, 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측할 수 있다. 콘텐츠에 대한 민감도 스코어가 높을수록 대상 회원이 콘텐츠에 대하여 반응할 확률이 높은 것으로 예측될 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 콘텐츠에 대한 반응 여부에 대한 기준 스코어를 결정하고, 콘텐츠에 대한 반응 여부에 대한 기준 스코어에 기초하여, 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측할 수 있다.
도 9는 본 개시의 일 실시예에 따라, 출력되는 대상 회원의 콘텐츠에 대한 반응 여부의 예측 결과의 예시를 나타내는 도면이다. 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서 및/또는 사용자 단말의 적어도 하나의 프로세서)는 콘텐츠에 대한 반응 여부의 예측 결과를 출력할 수 있다. 이에 따라, 프로세서는 관리자 등의 사용자에게 대상 회원의 콘텐츠에 대한 반응 여부의 예측 결과를 제공할 수 있다. 일 실시예에서, 프로세서는 대상 회원의 콘텐츠에 대한 반응 여부의 예측 결과로서, 대상 회원의 콘텐츠에 대한 반응 여부를 나타내는 예측 값을 출력할 수 있다. 여기서, 예측 값은 1 또는 0으로 출력될 수 있다. 예를 들어, 대상 회원이 콘텐츠에 대하여 반응할 것으로 예측되는 경우, 예측 값은 0으로 출력되고, 대상 회원이 반응하지 않을 것으로 예측되는 경우, 예측 값은 1으로 출력될 수 있다.
추가적으로 또는 대안적으로, 프로세서는 대상 회원의 콘텐츠에 대한 반응 여부에 대한 예측 결과로서, 대상 회원의 콘텐츠에 대한 민감도 스코어를 출력할 수 있다. 여기서, 콘텐츠에 대한 민감도 스코어는 0에서 1000 사이의 값에 해당할 수 있다. 콘텐츠에 대한 민감도 스코어가 높은 회원일수록 콘텐츠에 대하여 반응할 확률이 높은 회원에 해당할 수 있다. 즉, 콘텐츠에 대한 민감도 스코어가 높을수록 콘텐츠에 의해 이탈이 방지될 확률이 높은 회원으로 예측될 수 있다. 추가적으로 또는 대안적으로, 콘텐츠에 대한 민감도 스코어는 0에서 1 사이의 확률 값(예를 들어, 콘텐츠에 대해 반응할 확률 또는 반응하지 않을 확률 등)에 해당할 수 있다.
도시된 표(900)에 따르면, 프로세서는 이탈이 예측된 대상 회원('user 1', 'user 2', 'user 3', 'user 6', 'user 14')의 콘텐츠에 대한 반응 여부를 나타내는 예측 값('Predict') 및 콘텐츠에 대한 민감도 스코어('Prob_coupon_nonuse', 'Prob_coupon_use') 등을 출력할 수 있다. 여기서, 'Prob_coupon_nonuse'는 대상 회원이 콘텐츠에 대해 반응하지 않을 확률을 나타내고, 'Prob_coupon_use'는 대상 회원이 콘텐츠에 대해 반응할 확률을 나타낼 수 있다. 예를 들어, 'user 6'는, 예측 값이 1이고, 콘텐츠에 대해 반응하지 않을 확률이 약 0.85이므로, 콘텐츠에 대해 반응하지 않을 것으로 예측되는 회원일 수 있다. 또한, 'user 14'는 예측 값이 0이고, 콘텐츠에 대해 반응할 확률이 약 0.85이므로, 콘텐츠에 대해 반응할 것으로 예측되는 회원일 수 있다. 추가적으로, 프로세서는 각 대상 회원과 연관된 회원 정보(예를 들어, 콘텐츠 반응률, 선호하는 콘텐츠 종류 등)를 함께 출력할 수 있다.
프로세서는 하나 이상의 회원에 대한 콘텐츠를 결정하고, 결정된 콘텐츠를 하나 이상의 회원과 연관시킬 수 있다. 일 실시예에서, 프로세서는 사용자(예를 들어, 서비스 관리자 및/또는 운영자 등)의 입력에 기초하여, 대상 회원에 대한 콘텐츠를 결정하고, 결정된 콘텐츠를 대상 회원과 연관시킬 수 있다. 즉, 프로세서는 사용자의 입력에 기초하여, 대상 회원에게 콘텐츠를 제공하거나 제공하지 않을 수 있다. 또한, 프로세서는 사용자의 입력에 기초하여, 대상 회원에게 제공할 콘텐츠의 종류(예를 들어, 쿠폰, 할인, 또는 추가 서비스 정보를 포함하는 콘텐츠 등)를 결정할 수 있다. 추가적으로 또는 대안적으로, 프로세서는 대상 회원과 연관된 회원 정보(예를 들어, 서비스 이용 내역, 활동 정보, 프로모션 콘텐츠 이용 내역 등)에 기초하여 대상 회원에 대한 콘텐츠 제공 여부 및/또는 제공할 콘텐츠의 종류를 결정하고, 결정된 콘텐츠를 대상 회원과 연관시킬 수 있다.
일례로, 결제 내역 중 편의점에서의 결제 내역의 비중이 높은 대상 회원은 편의점 할인 쿠폰이 포함된 콘텐츠를 프로모션 콘텐츠로 제공받을 수 있다. 추가적으로 또는 대안적으로, 복수의 회원 중 이탈 예측 시기가 더 임박한 회원에 대한 콘텐츠가 이탈 예측 시기가 덜 임박한 회원에 대한 콘텐츠보다 우선하도록 연관될 수 있다. 즉, 이탈 예측 시기가 더 임박한 회원에게 보다 우선적으로 콘텐츠가 제공될 수 있다.
도 10은 본 개시의 일 실시예에 따라 대상 회원에 대한 이탈 예측 이유를 결정하는 방법(1000)을 나타내는 흐름도이다. 일 실시예에서, 하나 이상의 회원에 대한 예측 결과는, 하나 이상의 회원에 대한 이탈 예측 이유를 포함할 수 있다. 이를 위해, 회원 이탈 예측 모델은, 제1 참조 회원에 대한 참조 이탈 예측 이유를 출력하도록 학습된, 설명가능한 기계학습 모델(예를 들어, XG 부스트 등)을 포함할 수 있다. 즉, 정보 처리 시스템은, 회원 이탈 예측 모델을 이용하여 대상 회원의 이탈 여부를 예측하고, 이탈 여부 예측에 대한 이유를 결정할 수 있다.
일 실시예에서, 대상 회원에 대한 이탈 예측 이유를 결정하는 방법(1000)은 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 대상 회원에 대한 이탈 예측 이유를 결정하는 방법(1000)은 프로세서가 복수의 항목(예를 들어, 450개의 항목) 중에서 이탈 예측 시 중요도가 높은 항목들(예를 들어, 100개의 항목)을 결정함으로써 개시될 수 있다(S1010). 일 실시예에서, 프로세서는 복수의 항목 중에서 적어도 일부의 항목을 선택하는 사용자 입력에 따라, 선택된 적어도 일부의 항목을 중요도가 높은 항목으로서 결정할 수 있다. 다른 실시예에서, 프로세서는 복수의 항목 각각의 중요도에 기초하여, 복수의 항목 중에서 이탈 예측 시 중요도가 높은 항목들을 결정할 수 있다. 이를 위해, 프로세서는 복수의 항목 각각에 대하여, 회원의 이탈 여부를 예측하는데 있어서의 중요도를 결정(또는 산출)할 수 있다. 예를 들어, 프로세서는 회원의 이탈 여부를 예측하는데 있어서의 복수의 항목 각각의 중요도(또는 가중치)에 대한 사용자 입력에 따라, 복수의 항목 각각의 중요도를 결정(또는 산출)할 수 있다. 다른 예로서, 프로세서는 회원의 이탈 여부를 예측하는데 있어서 복수의 항목 각각이 미치는 영향에 기초하여, 중요도를 산출할 수 있다.
그리고 나서, 프로세서는 중요도가 높은 항목들 각각과 회원 이탈 여부 사이의 상관 관계 결정할 수 있다(S1020). 예를 들어, 프로세서는 복수의 회원(예를 들어, 복수의 참조 회원)과 연관된 회원 정보에 기초하여, 중요도가 높은 항목들 각각과 회원 이탈 여부 사이의 상관 관계 결정할 수 있다. 여기서, 회원 정보는, 중요도가 높은 항목들 각각에 대한 변수 값 및 회원 이탈 여부를 포함할 수 있다. 여기서, 회원 이탈 여부는 0 또는 1의 값으로 나타낼 수 있다. 일 실시예에서, 프로세서는 중요도가 높은 항목들 각각과 회원 이탈 여부를 나타내는 값(예를 들어, 0 또는 1) 사이의 상관 계수를 산출하여, 중요도가 높은 항목들 각각과 회원 이탈 여부가 비례 관계인지 반비례 관계인지 결정할 수 있다. 예를 들어, 상관 계수가 0보다 큰 경우(즉, 양의 상관 계수), 해당 항목의 변수 값이 클수록 이탈 가능성이 상승하고, 상관 계수가 0보다 작은 경우(즉, 음의 상관 계수), 해당 항목의 변수 값이 작을수록 이탈 가능성이 상승할 수 있다.
프로세서는 중요도가 높은 항목들 각각에 대한 대상 회원(예를 들어, 이탈 여부 예측의 대상이 되는 회원)의 변수 값을 획득할 수 있다(S1030). 일 실시예에서, 프로세서는 각 항목들에 대한 복수의 회원의 변수 값 분포에서의 대상 회원의 변수 값의 위치를 결정할 수 있다. 여기서, 각 항목들에 대한 복수의 회원의 변수 값 분포는, 복수의 회원과 연관된 회원 정보(즉, 각 항목에 대한 변수 값)에 기초하여 결정된 분포에 해당할 수 있다. 예를 들어, 양의 상관 관계에 해당하는 항목의 경우, 프로세서는 대상 회원의 변수 값이 해당 항목에 대한 분포에서 상위 50% 이내에 포함되는지, 상위 25%에 포함되는지, 상위 10%에 포함되는지 및/또는 상위 5%에 포함되는지를 결정할 수 있다. 다른 예로서, 음의 상관 관계에 해당하는 항목의 경우, 프로세서는 대상 회원의 변수 값이 해당 항목에 대한 분포에서 하위 50% 이내에 포함되는지, 하위 25%에 포함되는지, 하위 10%에 포함되는지 및/또는 하위 5%에 포함되는지를 결정할 수 있다.
프로세서는 항목 중요도, 대상 회원의 변수 값 및 상관 관계에 기초하여, 대상 회원에 대한 이탈 예측 이유를 결정할 수 있다(S1040). 여기서, 이탈 예측 이유는 대상 회원이 이탈할 것으로 예측되는 이유 및/또는 이탈하지 않을 것으로 예측되는 이유를 포함할 수 있으며, 하나 이상의 이유를 포함할 수 있다. 일 실시예에서, 프로세서는 대상 회원의 변수 값 및 상관 관계를 기초로 결정된, 각 항목들에 대한 분포에서의 대상 회원의 변수 값의 위치 및 각 항목들의 중요도에 기초하여, 대상 회원에 대한 이탈 예측 이유를 결정할 수 있다. 예를 들어, 중요도가 높고, 각 항목들에 대한 분포에서의 대상 회원의 변수 값의 위치가 상위 또는 하위 25% 이내에 해당하는 항목을 대상 회원에 대한 이탈 예측 이유로서 결정할 수 있다. 즉, 프로세서는 대상 회원의 보유 잔액이 하위 5%에 해당하고, 최근 결제일로부터 경과기간이 하위 10%에 해당하고, 메신저 follower 수가 하위 15%에 해당함을 대상 회원에 대한 이탈 예측 이유로서 결정할 수 있다.
도 11은 본 개시의 일 실시예에 따라 대상 회원의 이탈 여부에 대한 기준 스코어에 따른 이탈 예측 성능을 나타내는 표(1100)이다. 일 실시예에서, 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)은 대상 회원의 이탈 여부에 대한 기준 스코어를 결정하고, 대상 회원의 이탈 여부에 대한 기준 스코어에 기초하여, 대상 회원의 이탈 여부를 예측할 수 있다. 예를 들어, 정보 처리 시스템은 대상 회원의 이탈 예측 스코어가 기준 스코어와 같거나 기준 스코어보다 큰 경우, 대상 회원이 이탈할 것으로 예측할 수 있다. 다른 예로서, 정보 처리 시스템은 대상 회원의 이탈 예측 스코어가 기준 스코어보다 작은 경우, 대상 회원이 이탈하지 않을 것으로 예측할 수 있다.
예를 들어, 낮은 기준 스코어를 적용하게 되면, 보다 많은 수의 회원이 이탈할 것으로 예측될 수 있다. 즉, 낮은 기준 스코어를 적용하게 되면, 커버리지(coverage)가 넓어지는 반면, 정확도(precision)(또는 적중률)는 낮아질 수 있다. 다른 예로서, 높은 기준 스코어를 적용하게 되면, 보다 적은 수의 회원이 이탈할 것으로 예측될 수 있다. 즉, 높은 기준 스코어를 적용하게 되면, 커버리지가 좁아지는 반면, 정확도는 높아질 수 있다. 여기서, 정확도는 회원 이탈 예측 모델이 얼마나 정확하게 예측하는가를 나타내는 지표를 지칭할 수 있다. 또한, 커버리지는 회원 이탈 예측 모델이 전체 모수 중 어느 정도의 범위를 예측했는가를 나타내는 지표를 지칭할 수 있다. 추가적으로 또는 대안적으로, 회원 이탈 예측 성능을 측정하기 위한 지표로서, F1-score가 사용될 수 있다. 여기서, F1-score는 아래 수학식 1에 기초하여 산출될 수 있다.
Figure pat00001
도시된 표(1100)는, 0부터 950 사이의 기준 스코어에 따른 회원 이탈 예측 모델의 정확도('Precision), 커버리지('Recall') 및 F1_score을 나타낼 수 있다. 도시된 표(1100)에 따르면, 기준 스코어가 높아질수록 정확도는 상승하고, 커버리지는 감소할 수 있다. 반대로, 기준 스코어가 낮아질수록 커버리지는 증가하고, 정확도가 낮아질 수 있다. 이에 따라, 낮은 기준 스코어가 적용되는 경우, 보다 많은 회원의 이탈이 예측될 수 있으므로, 보다 많은 회원의 이탈이 방지될 수 있다. 반면에, 높은 기준 스코어가 적용되는 경우, 보다 적은 회원의 이탈이 예측되므로, 회원 이탈 방지를 위한 비용이 감소할 수 있다. 따라서, 사용자는 이를 고려하여, 회원의 이탈 여부에 대한 기준 스코어를 결정할 수 있다.
일 실시예에서, 정확도를 중심으로 회원의 이탈 여부를 예측하는 경우, 기준 스코어는 약 750으로 결정될 수 있다. 이 경우, 예측 정확도는 약 81%로 산출되고, 커버리지는 약 47%로 산출되고, F1-score는 약 0.59로 산출될 수 있다. 커버리지를 중심으로 회원의 이탈 여부를 예측하는 경우, 기준 스코어는 약 250으로 결정될 수 있다. 이 경우, 예측 정확도는 약 61%로 산출되고, 커버리지는 약 91%로 산출되고, F1-score는 약 0.73으로 산출될 수 있다. 정확도와 커버리지의 균형을 중심으로 회원의 이탈 여부를 예측하는 경우, 기준 스코어는 약 500으로 결정될 수 있다. 이 경우, 예측 정확도는 약 71%로 산출되고, 커버리지는 약 75%로 산출되고, F1-score는 약 0.73으로 산출될 수 있다.
다른 실시예에서, Heavy user(예를 들어, 상위 25%, 월 평균 15000엔 이상 이용한 회원 등)로 분류된 회원들을 대상으로, 정확도 중심으로 회원의 이탈 여부를 예측하는 경우 기준 스코어는 약 700으로 결정될 수 있다. 이 경우, 예측 정확도는 약 74%로 산출되고, 커버리지는 약 41%로 산출되고, F1-score는 약 0.53로 산출될 수 있다. Heavy user를 대상으로, 커버리지를 중심으로 회원의 이탈 여부를 예측하는 경우, 기준 스코어는 약 250으로 결정될 수 있다. 이 경우, 예측 정확도는 약 48%로 산출되고, 커버리지는 약 83%로 산출되고, F1-score는 약 0.61으로 산출될 수 있다. Heavy user를 대상으로, 정확도와 커버리지의 균형을 중심으로 회원의 이탈 여부를 예측하는 경우, 기준 스코어는 약 500으로 결정될 수 있다. 이 경우, 예측 정확도는 약 63%로 산출되고, 커버리지는 약 63%로 산출되고, F1-score는 약 0.63으로 산출될 수 있다.
또 다른 실시예에서, Loyal heavy user(예를 들어, 상위 10%, 월 평균 15000엔 이상, 6개월 연속 이용한 회원 등)로 분류된 회원들을 대상으로, 정확도 중심으로 회원의 이탈 여부를 예측하는 경우 기준 스코어는 약 500으로 결정될 수 있다. 이 경우, 예측 정확도는 약 56%로 산출되고, 커버리지는 약 40%로 산출되고, F1-score는 약 0.47로 산출될 수 있다. Loyal Heavy user를 대상으로, 커버리지를 중심으로 회원의 이탈 여부를 예측하는 경우, 기준 스코어는 약 300으로 결정될 수 있다. 이 경우, 예측 정확도는 약 42%로 산출되고, 커버리지는 약 61%로 산출되고, F1-score는 약 0.50으로 산출될 수 있다. Loyal Heavy user를 대상으로, 정확도와 커버리지의 균형을 중심으로 회원의 이탈 여부를 예측하는 경우, 기준 스코어는 약 400으로 결정될 수 있다. 이 경우, 예측 정확도는 약 49%로 산출되고, 커버리지는 약 50%로 산출되고, F1-score는 약 0.50으로 산출될 수 있다.
이러한 Heavy user 또는 Loyal heavy user를 대상으로 이탈 여부를 예측하는 것이 가장 고난이도에 해당할 수 있다. 하지만, Heavy user 또는 Loyal heavy user(즉, 이용 많은 회원)의 이탈은 서비스 운영에 있어 큰 영향을 미칠 수 있어, Heavy user 또는 Loyal heavy user에 대해서는 다소 적중률(정확도)을 낮추더라도 커버리지(약 80% 이상)를 높일 수 있는 기준 스코어를 적용하는 것이 유리할 수 있다. 즉, 대상 회원 별로 상이한 기준 스코어가 적용될 수 있다. 또한, 전체 회원 수 대비 Heavy user 수 또는 Loyal heavy user 수의 비중을 고려하여 각각의 기준 스코어를 계산하거나 판단하고, 계산되거나 판단된 기준 스코어를 적용할 수 있다. 예를 들어, Heavy user의 비중이 10%에서 20%로 증가함에 따라 Heavy user의 기준 스코어를 250에서 500으로 높이거나, Heavy user의 비중이 10%에서 5%로 감소함에 따라 Heavy user의 기준 스코어를 250에서 100으로 낮출 수 있다.
상술한 바와 마찬가지로, 정보 처리 시스템은 콘텐츠에 대한 반응 여부에 대한 기준 스코어를 결정하고, 콘텐츠에 대한 반응 여부에 대한 기준 스코어에 기초하여, 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측할 수 있다. 예를 들어, 낮은 기준 스코어를 적용하게 되면, 보다 많은 수의 회원이 콘텐츠에 대하여 반응할 것으로 예측될 수 있다. 다른 예로서, 높은 기준 스코어를 적용하게 되면, 보다 적은 수의 회원이 콘텐츠에 대하여 반응할 것으로 예측될 수 있다. 이에 따라, 콘텐츠에 대한 반응 여부를 예측하는데 있어서, 낮은 기준 스코어가 적용되는 경우, 보다 많은 회원에게 콘텐츠가 제공됨으로써 보다 많은 회원에게 유효한 정보를 제공할 수 있다. 반면에, 높은 기준 스코어가 적용되는 경우, 보다 적은 회원에게 콘텐츠가 제공됨으로써 콘텐츠 제공으로 인한 네트워크 리소스의 사용이 감소할 수 있다. 따라서, 제한적인 리소스, 정보의 유효성 등을 고려하여 기준 스코어가 결정될 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령어들로 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
S110: 회원 이탈 예측
S120: 콘텐츠 반응 예측
S130: 콘텐츠 결정

Claims (20)

  1. 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 회원 이탈 여부를 예측하는 방법에 있어서,
    하나 이상의 회원과 연관된 회원 정보를 획득하는 단계;
    회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로 상기 하나 이상의 회원의 이탈 여부를 예측하는 단계; 및
    상기 하나 이상의 회원의 이탈 여부에 대한 예측 결과를 출력하는 단계를 포함하고,
    상기 회원 이탈 예측 모델은, 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여 상기 복수의 제1 참조 회원의 이탈 여부를 예측하도록 학습되는, 회원 이탈 여부를 예측하는 방법.
  2. 제1항에 있어서,
    상기 예측하는 단계는,
    상기 하나 이상의 회원과 연관된 회원 정보를 상기 회원 이탈 예측 모델에 입력함으로써 출력되는 예측 값을 기초로 상기 하나 이상의 회원의 이탈 여부를 예측하는 단계를 포함하고,
    상기 회원 이탈 예측 모델은, 상기 복수의 제1 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 상기 복수의 제1 참조 회원의 이탈 여부를 나타내는 참조 예측 값을 출력하도록 더 학습되는, 회원 이탈 여부를 예측하는 방법.
  3. 제1항에 있어서,
    상기 복수의 제1 참조 회원과 연관된 참조 회원 정보는, 복수의 항목에 대한 정보를 포함하고,
    상기 회원 이탈 예측 모델은, 상기 복수의 항목에 대한 정보 및 상기 복수의 항목의 가중치에 기초하여 더 학습되는, 회원 이탈 여부를 예측하는 방법.
  4. 제1항에 있어서,
    상기 회원 이탈 예측 모델은, 복수의 회원 그룹에 대한 복수의 회원 이탈 예측 서브 모델을 포함하고,
    상기 복수의 회원 그룹은, 상기 복수의 제1 참조 회원과 연관된 참조 회원 정보 및 미리 결정된 기준을 기초로 상기 복수의 제1 참조 회원을 그루핑함으로써 생성되는, 회원 이탈 여부를 예측하는 방법.
  5. 제4항에 있어서,
    상기 복수의 회원 이탈 예측 서브 모델의 각각은, 상기 복수의 회원 그룹의 각각에 포함된 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여 학습되는, 회원 이탈 여부를 예측하는 방법.
  6. 제4항에 있어서,
    상기 예측하는 단계는,
    상기 획득된 하나 이상의 회원과 연관된 회원 정보에 기초하여, 상기 복수의 회원 그룹 중에서 상기 하나 이상의 회원이 포함되는 회원 그룹을 결정하는 단계; 및
    상기 하나 이상의 회원이 포함되는 회원 그룹에 대한 회원 이탈 예측 서브 모델을 이용하여, 상기 하나 이상의 회원의 이탈 여부를 예측하는 단계
    를 포함하는, 회원 이탈 여부를 예측하는 방법.
  7. 제1항에 있어서,
    상기 예측하는 단계는,
    상기 회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원의 이탈 예측 스코어를 산출하는 단계; 및
    상기 산출된 이탈 예측 스코어에 기초하여, 상기 하나 이상의 회원의 이탈 여부를 예측하는 단계를 포함하고,
    상기 회원 이탈 예측 모델은, 상기 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여, 상기 복수의 제1 참조 회원의 이탈 예측 스코어를 산출하도록 더 학습되는, 회원 이탈 여부를 예측하는 방법.
  8. 제1항에 있어서,
    상기 예측하는 단계는,
    상기 회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원의 이탈 시기를 예측하는 단계를 포함하고,
    상기 회원 이탈 예측 모델은, 상기 복수의 제1 참조 회원과 연관된 참조 회원 정보에 기초하여, 상기 복수의 제1 참조 회원의 이탈 시기를 예측하도록 더 학습되는, 회원 이탈 여부를 예측하는 방법.
  9. 제1항에 있어서,
    상기 하나 이상의 회원에 대한 예측 결과는, 상기 하나 이상의 회원에 대한 이탈 예측 이유를 포함하고,
    상기 회원 이탈 예측 모델은, 상기 제1 참조 회원에 대한 참조 이탈 예측 이유를 출력하도록 학습된, 설명가능한(explainable) 기계학습 모델을 포함하는,
    회원 이탈 여부를 예측하는 방법.
  10. 제1항에 있어서,
    상기 예측하는 단계는,
    상기 하나 이상의 회원의 이탈 여부에 대한 기준 스코어를 결정하는 단계; 및
    상기 하나 이상의 회원의 이탈 여부에 대한 기준 스코어에 기초하여, 상기 하나 이상의 회원의 이탈 여부를 예측하는 단계를 포함하는, 회원 이탈 여부를 예측하는 방법.
  11. 제1항에 있어서,
    상기 하나 이상의 회원의 이탈이 예측되는 경우, 상기 하나 이상의 회원에 대한 콘텐츠를 결정하는 단계를 더 포함하는, 회원 이탈 여부를 예측하는 방법.
  12. 제11항에 있어서,
    상기 하나 이상의 회원에 대한 콘텐츠를 결정하는 단계는,
    콘텐츠 반응 예측 모델을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로 상기 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계; 및
    상기 하나 이상의 회원의 콘텐츠에 대한 반응 여부의 예측 결과를 기초로, 상기 하나 이상의 회원에 대한 콘텐츠를 결정하는 단계를 포함하고,
    상기 콘텐츠 반응 예측 모델은, 복수의 제2 참조 회원과 연관된 참조 회원 정보에 기초하여 상기 복수의 제2 참조 회원의 콘텐츠에 대한 반응 여부를 예측하도록 학습되는, 회원 이탈 여부를 예측하는 방법.
  13. 제12항에 있어서,
    상기 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계는,
    상기 하나 이상의 회원과 연관된 회원 정보를 상기 콘텐츠 반응 예측 모델에 입력함으로써, 출력되는 예측 값을 기초로, 상기 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계를 포함하고,
    상기 콘텐츠 반응 예측 모델은, 상기 복수의 제2 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 상기 복수의 제2 참조 회원의 콘텐츠에 대한 반응 여부를 나타내는 참조 예측 값을 출력하도록 더 학습되는, 회원 이탈 여부를 예측하는 방법.
  14. 제12항에 있어서,
    상기 하나 의상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계는,
    상기 하나 이상의 회원의 콘텐츠에 대한 민감도 스코어를 산출하는 단계; 및
    상기 산출된 민감도 스코어에 기초하여, 상기 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계를 포함하고,
    상기 콘텐츠 반응 예측 모델은, 상기 복수의 제2 참조 회원과 연관된 참조 회원 정보가 입력됨에 따라, 상기 복수의 제2 참조 회원의 콘텐츠에 대한 민감도 스코어를 산출하도록 더 학습되는, 회원 이탈 여부를 예측하는 방법.
  15. 제11항에 있어서,
    상기 결정된 콘텐츠를 상기 하나 이상의 회원과 연관시키는 단계를 더 포함하는,
    회원 이탈 여부를 예측하는 방법.
  16. 제15항에 있어서,
    상기 하나 이상의 회원은 복수의 회원을 포함하고,
    상기 복수의 회원 중 이탈 예측 시기가 더 임박한 회원에 대한 콘텐츠가 이탈 예측 시기가 덜 임박한 회원에 대한 콘텐츠보다 우선하도록 연관되는, 회원 이탈 여부를 예측하는 방법.
  17. 제12항에 있어서,
    상기 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계는,
    상기 콘텐츠에 대한 반응 여부에 대한 기준 스코어를 결정하는 단계; 및
    상기 콘텐츠에 대한 반응 여부에 대한 기준 스코어에 기초하여, 상기 하나 이상의 회원의 콘텐츠에 대한 반응 여부를 예측하는 단계를 포함하는, 회원 이탈 여부를 예측하는 방법.
  18. 제1항 내지 제17항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  19. 정보 처리 시스템으로서,
    통신 모듈;
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    하나 이상의 회원과 연관된 회원 정보를 획득하고,
    회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로 상기 하나 이상의 회원의 이탈 여부를 예측하고,
    상기 하나 이상의 회원에 대한 예측 결과를 출력하기 위한 명령어들을 포함하고,
    상기 회원 이탈 예측 모델은, 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여 상기 복수의 참조 회원의 이탈 여부를 예측하도록 학습되는, 정보 처리 시스템.
  20. 제19항에 있어서,
    상기 적어도 하나의 프로그램은,
    상기 하나 이상의 회원의 이탈이 예측되는 경우, 상기 하나 이상의 회원에 대한 콘텐츠를 결정하기 위한 명령어들을 더 포함하는, 정보 처리 시스템.
KR1020210071558A 2021-06-02 2021-06-02 회원 이탈 여부를 예측하는 방법 및 시스템 KR102645648B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210071558A KR102645648B1 (ko) 2021-06-02 2021-06-02 회원 이탈 여부를 예측하는 방법 및 시스템
JP2022089618A JP2022185589A (ja) 2021-06-02 2022-06-01 会員の離脱の有無を予測する方法及びシステム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210071558A KR102645648B1 (ko) 2021-06-02 2021-06-02 회원 이탈 여부를 예측하는 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220163075A true KR20220163075A (ko) 2022-12-09
KR102645648B1 KR102645648B1 (ko) 2024-03-07

Family

ID=84438713

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210071558A KR102645648B1 (ko) 2021-06-02 2021-06-02 회원 이탈 여부를 예측하는 방법 및 시스템

Country Status (2)

Country Link
JP (1) JP2022185589A (ko)
KR (1) KR102645648B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101726404B1 (ko) 2015-11-16 2017-04-12 중소기업은행 이탈예상고객 예측장치 및 예측방법
KR20190134934A (ko) * 2018-05-18 2019-12-05 성균관대학교산학협력단 딥 러닝과 부스티드 디시즌 트리를 활용한 고객이탈 예측장치 및 이를 이용한 고객이탈 예측방법
KR20190139008A (ko) * 2018-06-07 2019-12-17 주식회사 엔씨소프트 기대이익을 고려한 이탈방지 시스템 및 그 제어 방법
KR20200053387A (ko) * 2018-11-08 2020-05-18 김형수 인공지능 기반 고객이탈관리 자동화 시스템 및 방법과, 이를 위한 컴퓨터 프로그램
KR20210052137A (ko) * 2019-10-29 2021-05-10 카페24 주식회사 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법, 장치 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101726404B1 (ko) 2015-11-16 2017-04-12 중소기업은행 이탈예상고객 예측장치 및 예측방법
KR20190134934A (ko) * 2018-05-18 2019-12-05 성균관대학교산학협력단 딥 러닝과 부스티드 디시즌 트리를 활용한 고객이탈 예측장치 및 이를 이용한 고객이탈 예측방법
KR20190139008A (ko) * 2018-06-07 2019-12-17 주식회사 엔씨소프트 기대이익을 고려한 이탈방지 시스템 및 그 제어 방법
KR20200053387A (ko) * 2018-11-08 2020-05-18 김형수 인공지능 기반 고객이탈관리 자동화 시스템 및 방법과, 이를 위한 컴퓨터 프로그램
KR20210052137A (ko) * 2019-10-29 2021-05-10 카페24 주식회사 복수의 쇼핑몰과 연동하는 고객 이탈 예측 방법, 장치 및 시스템

Also Published As

Publication number Publication date
JP2022185589A (ja) 2022-12-14
KR102645648B1 (ko) 2024-03-07

Similar Documents

Publication Publication Date Title
US11048530B1 (en) Predictive action modeling to streamline user interface
JP6744353B2 (ja) ディープラーニングを活用した個人化商品推薦
US12079841B2 (en) Configurable relevance service platform incorporating a relevance test driver
US20200327449A1 (en) User retention platform
CN108496189A (zh) 机器学习模型的正则化
US11094008B2 (en) Debt resolution planning platform for accelerating charge off
US20180225583A1 (en) Proactive user experience
EP3427213A1 (en) License recommendation service
US20230089574A1 (en) Modifying a document content section of a document object of a graphical user interface (gui)
EP3044748A2 (en) Strength based modeling for recommendation system
EP3374936A1 (en) Method and apparatus for dynamically selecting content for online visitors
CN110766513A (zh) 信息排序方法、装置、电子设备及可读存储介质
CN103617146B (zh) 一种基于硬件资源消耗的机器学习方法及装置
CN114791982B (zh) 对象推荐方法和装置
US20150228019A1 (en) System and method for facilitating social trading
KR20230048756A (ko) 회원 이탈 여부를 예측하는 방법 및 시스템
KR20220163075A (ko) 회원 이탈 여부를 예측하는 방법 및 시스템
US20150339693A1 (en) Determination of initial value for automated delivery of news items
US20150339692A1 (en) Automated volatility score adjustment of access charge curve for automated delivery of news items
JPWO2019111506A1 (ja) 情報処理装置、情報処理方法およびプログラム
CN116069216A (zh) 从消耗节奏模型确定定制的消耗节奏
CN110333927B (zh) 界面跳转方法、装置、服务器及存储介质
KR20220097128A (ko) 샘플 제공을 동반하는 스마트 광고 시스템
CN113689237A (zh) 待投放媒体资源、媒体资源处理模型的确定方法及装置
CN112749214A (zh) 交互内容展示方式的更新方法、装置、介质及电子设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant