KR20230048756A - 회원 이탈 여부를 예측하는 방법 및 시스템 - Google Patents

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는 회원 이탈 여부를 예측하는 방법에 관한 것이다. 회원 이탈 여부를 예측하는 방법은, 하나 이상의 회원과 연관된 회원 정보를 획득하는 단계, 복수의 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로, 하나 이상의 회원에 대한 복수의 이탈 여부를 예측하는 단계 및 예측된 복수의 이탈 여부를 기초로 하나 이상의 회원에 대한 최종 이탈 여부를 예측하는 단계를 포함한다.

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, 복수의 회원 이탈 예측 모델을 이용하여 복수의 이탈 여부를 예측하고, 이를 종합하여 회원에 대한 최종 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, 온라인 및/또는 오프라인에서 상품을 손쉽게 구매할 수 있다.

한편, 다양한 업체들(예를 들어, 카드사, 금융사, 핀테크사, 플랫폼 제공업체 등)은 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. 특정 결제 서비스를 이탈한 소비자들이 해당 결제 서비스를 많이 사용하던 사용자이고 그러한 사용자의 수가 점점 늘어날 수록, 결제 서비스를 제공하는 업체는 경제적 데미지를 받을 수 있다. 이러한 사정을 고려할 때, 각 업체들은 기존의 회원이 이탈하지 않도록 기존의 회원 중 이탈 가능성이 큰 회원을 보다 정확히 파악하고, 사용자의 이탈 가능성, 사용자의 이용 행태에 대한 분석 등을 근거로, 해당 사용자에 대한 조치를 선제적으로 취하는 것이 중요해질 수 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 프로세서에 의해 수행되는, 회원 이탈 여부를 예측하는 방법은, 하나 이상의 회원과 연관된 회원 정보를 획득하는 단계, 복수의 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로, 하나 이상의 회원에 대한 복수의 이탈 여부를 예측하는 단계 및 예측된 복수의 이탈 여부를 기초로, 하나 이상의 회원에 대한 최종 이탈 여부를 예측하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 복수의 이탈 여부를 예측하는 단계는, 복수의 회원 이탈 예측 모델의 각각을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로, 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하는 단계 및 하나 이상의 회원의 각각에 대해, 결정된 복수의 이탈 확률을 기초로 복수의 이탈 여부를 결정하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 복수의 회원 이탈 예측 모델은, 복수의 기계학습 모델을 포함하고, 복수의 기계학습 모델의 각각은, 복수의 참조 회원과 연관된 참조 회원 정보를 기초로, 복수의 참조 회원에 대한 이탈 확률을 출력하도록 학습된다.

본 개시의 일 실시예에 따르면, 복수의 회원 이탈 예측 모델은, 적어도 하나의 앙상블 모델(Ensemble Model)을 포함하고, 적어도 하나의 앙상블 모델은, 복수의 회원 이탈 예측 모델 중 적어도 일부로부터 출력된, 복수의 참조 회원에 대한 복수의 이탈 확률을 기초로 복수의 참조 회원에 대한 앙상블 이탈 확률을 결정하도록 학습된다.

본 개시의 일 실시예에 따르면, 복수의 회원 이탈 예측 모델은 복수의 회원 그룹에 대한 복수의 회원 이탈 예측 서브 모델을 포함하고, 복수의 회원 이탈 예측 서브 모델의 각각은, 복수의 참조 회원 중 복수의 회원 그룹의 각각에 속하는 복수의 참조 회원과 연관된 참조 회원 정보를 기초로 복수의 회원 그룹의 각각에 속하는 복수의 참조 회원의 각각에 대한 이탈 확률을 결정하도록 학습된 모델이고, 복수의 회원 그룹은, 복수의 참조 회원을 미리 결정된 기준으로 그루핑함으로써 생성된다.

본 개시의 일 실시예에 따르면, 하나 이상의 회원에 대한 최종 이탈 여부를 예측하는 단계는, 복수의 회원 이탈 예측 모델 중에서, 하나 이상의 회원 각각에 대해 이탈할 것으로 예측한 회원 이탈 예측 모델의 수가 미리 정의된 수 이상인 경우 최종적으로 이탈할 것으로 예측하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 방법은, 컴퓨팅 장치로부터 커버리지가 높은 예측 리스트 또는 정확도가 높은 예측 리스트에 대한 요청을 수신하는 단계, 최종적으로 이탈할 것으로 예측된 회원들을 리스트에 추가하는 단계 및 리스트를 컴퓨팅 장치에 제공하는 단계를 더 포함하고, 미리 정의된 수는, 커버리지가 높은 예측 리스트에 대응하는 미리 정의된 수 및 정확도가 높은 예측 리스트에 대응하는 미리 정의된 수를 포함하고, 커버리지가 높은 예측 리스트에 대응하는 미리 정의된 수는, 정확도가 높은 예측 리스트에 대응하는 미리 정의된 수보다 작다.

본 개시의 일 실시예에 따르면, 하나 이상의 회원은 복수의 회원을 포함하고, 방법은, 컴퓨팅 장치로부터 회원 이탈 여부의 예측 대상이 되는 회원 그룹을 선택하는 요청을 수신하는 단계, 복수의 회원 중에서, 선택된 회원 그룹에 속하는 하나 이상의 회원과 연관된 회원 정보를 추출하는 단계 및 회원 그룹에 속하는 하나 이상의 회원에 대한 이탈 여부를 컴퓨팅 장치에 제공하는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 하나 이상의 회원과 연관된 회원 정보는, 하나 이상의 회원의 각각에 대한 복수의 항목에 대한 정보를 포함하고, 방법은, 복수의 회원 이탈 예측 모델 중 적어도 하나에 대한 입력으로 사용될 하나 이상의 항목을 선정하는 단계를 더 포함하고, 복수의 이탈 여부를 예측하는 단계는, 복수의 회원 이탈 예측 모델 중 적어도 하나를 이용하여, 선정된 하나 이상의 항목에 대한 정보를 기초로, 하나 이상의 회원에 대한 적어도 하나의 이탈 여부를 예측하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 하나 이상의 회원과 연관된 회원 정보는, 복수의 회원 이탈 예측 모델의 유형에 따라 미리 결정된 방식으로 전처리된 정보를 포함한다.

본 개시의 일 실시예에 따르면, 방법은, 하나 이상의 회원은 복수의 회원을 포함하고, 복수의 회원 중에서 최종 이탈할 것이라고 예측된 적어도 하나의 회원을 하나 이상의 콘텐츠와 연관시키는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 회원 이탈 여부를 예측하는 방법은, 하나 이상의 회원과 연관된 회원 정보를 획득하는 단계, 복수의 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로, 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하는 단계 및 앙상블 예측 모델을 이용하여, 결정된 복수의 이탈 확률을 기초로 하나 이상의 회원에 대한 앙상블 이탈 확률을 결정하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 복수의 회원 이탈 예측 모델은, 제1 기계학습 모델 및 제2 기계학습 모델을 포함하고, 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하는 단계는, 하나 이상의 회원과 연관된 회원 정보를 이용하여, 제1 기계학습 모델로부터 제1 이탈 확률 및 제2 기계학습 모델로부터 제2 이탈 확률을 출력하는 단계를 포함하고, 방법은, 제1 이탈 확률, 제2 이탈 확률 또는 앙상블 이탈 확률 중 적어도 하나를 기초로, 하나 이상의 회원에 대한 최종 이탈 여부를 예측하는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 최종 이탈 여부를 예측하는 단계는, 제1 이탈 확률, 제2 이탈 확률 및 앙상블 이탈 확률의 각각을 기초로, 하나 이상의 회원에 대한 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 예측하는 단계 및 예측된 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 기초로, 하나 이상의 회원에 대한 최종 이탈 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 따른 정보 처리 시스템은, 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, 복수의 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로, 하나 이상의 회원에 대한 복수의 이탈 여부를 예측하고, 예측된 복수의 이탈 여부를 기초로, 하나 이상의 회원에 대한 최종 이탈 여부를 예측하기 위한 명령어를 포함한다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로그램은, 복수의 회원 이탈 예측 모델의 각각을 이용하여, 하나 이상의 회원에 대한 회원 정보를 기초로, 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하고, 하나 이상의 회원의 각각에 대해, 결정된 복수의 이탈 확률을 기초로 복수의 이탈 여부를 결정하기 위한 명령어를 더 포함한다.

본 개시의 일 실시예에 따른 정보 처리 시스템은, 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, 복수의 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로, 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하고, 앙상블 예측 모델을 이용하여, 결정된 복수의 이탈 확률을 기초로 하나 이상의 회원에 대한 앙상블 이탈 확률을 결정하기 위한 명령어를 포함한다.

본 개시의 일 실시예에 따르면, 복수의 회원 이탈 예측 모델은, 제1 기계학습 모델 및 제2 기계학습 모델을 포함하고, 적어도 하나의 프로그램은, 하나 이상의 회원과 연관된 회원 정보를 이용하여, 제1 기계학습 모델로부터 제1 이탈 확률 및 제2 기계학습 모델로부터 제2 이탈 확률을 출력하고, 제1 이탈 확률, 제2 이탈 확률 또는 앙상블 이탈 확률 중 적어도 하나를 기초로, 하나 이상의 회원에 대한 최종 이탈 여부를 예측하기 위한 명령어를 더 포함한다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로그램은, 제1 이탈 확률, 제2 이탈 확률 및 앙상블 이탈 확률의 각각을 기초로, 하나 이상의 회원에 대한 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 예측하고, 예측된 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 기초로, 하나 이상의 회원에 대한 최종 이탈 여부를 예측하기 위한 명령어를 더 포함한다.

본 개시의 일부 실시예에 따르면, 복수의 회원 이탈 예측 모델을 이용하여 기존 회원의 이탈 여부를 예측함으로써, 회원의 이탈 여부 예측의 정확도가 더욱 향상될 수 있다.

본 개시의 일부 실시예에 따르면, 기존 회원의 이탈을 방지하기 위해 이탈이 예상되는 회원에게 타겟팅된 콘텐츠가 제공될 수 있다. 이에 따라, 한정된 리소스를 이용하여 회원 이탈이 효과적으로 방지될 수 있다.

본 개시의 일부 실시예에 따르면, 정확도가 높은 예측, 커버리지가 높은 예측 중 원하는 타입에 따라 이탈 여부가 예측될 수 있고, 이에 따라, 리소스의 현황에 따라 이탈 방지를 위한 타겟팅된 회원 범위가 다양하게 변경될 수 있다.

본 개시의 일부 실시예에 따르면, 헤비(heavy) 유저, 미들(middle) 유저, 라이트(light) 유저, 복귀 유저 등 회원 타입에 따라 이탈 여부가 예측될 수 있고, 회원 타입 별로 다양한 콘텐츠가 제공되어, 한정된 리소스가 효율적으로 사용될 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 예측 모델을 이용하여, 회원 정보를 기초로 이탈 확률을 결정하는 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 앙상블 모델을 이용하여, 앙상블 이탈 확률을 결정하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 복수의 회원 그룹에 속하는 복수의 참조 회원과 연관된 참조 회원 정보를 이용하여, 복수의 회원 이탈 예측 서브 모델을 학습시키는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라, 복수의 회원 이탈 예측 모델 중 적어도 하나의 입력으로 사용될 항목을 선정하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 하나 이상의 회원에 대한 이탈 여부 예측 결과의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 이탈 예측 회원을 대상으로 콘텐츠를 제공하기 위한 사용자 인터페이스의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 회원 이탈 여부를 예측하는 방법을 나타내는 흐름도이다.
도 11은 본 개시의 다른 실시예에 따른 회원 이탈 여부를 예측하는 방법을 나타내는 흐름도이다.

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 가입된 소비자 등을 포함할 수 있다. 일 실시예에서, '회원'은 최근 일정한 기간동안(예: 최근 6개월 내) 서비스를 이용한 적이 있는 소비자를 지칭할 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 1개월 간 연속 미이용을 의미할 수 있다. 이에 따라, 기존 회원이 1개월 간 연속적으로 서비스를 미이용하는 경우(즉, 기존 회원이 1개월 간 연속적으로 서비스를 이용하지 않는 경우), 해당 회원은 이탈한 것으로 판정될 수 있다. 또한, 기존 회원이 기준 시점으로부터 1개월 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. 일 실시예에서, '콘텐츠'는 주요 서비스의 사용을 장려하기 위해, 사용자에게 제공되는 부가적 또는 추가적인 정보, 데이터 및/또는 서비스를 포함할 수 있는데, 예를 들어, 프로모션 콘텐츠, 할인 쿠폰 콘텐츠, 무료 구매 쿠폰, 사은품 등에 대한 정보를 포함할 수 있으나, 이에 한정되지 않는다.

본 개시에서, '복수의 A 각각' 및/또는 '복수의 A의 각각' 은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성요소의 각각을 지칭할 수 있다. 예를 들어, 복수의 회원 이탈 예측 모델의 각각은, 복수의 회원 이탈 예측 모델에 포함된 모든 모델의 각각을 지칭하거나 복수의 회원 이탈 예측 모델에 포함된 일부 모델의 각각을 지칭할 수 있다.

본 개시에서, '기계학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델 또는 딥 러닝 모델을 포함할 수 있다. 일 실시예에서, 특정 기계학습 모델이 단일 모델로 도시되더라도, 해당 기계학습 모델은 복수의 모델을 포함할 수 있다.

도 1은 본 개시의 일 실시예에 따라 하나 이상의 회원의 이탈 여부(140)를 예측하는 예시를 나타내는 도면이다. 일 실시예에서, 정보 처리 시스템(미도시)은 하나 이상의 회원에 대하여 결제 서비스를 제공할 수 있다. 예를 들어, 정보 처리 시스템은 결제 애플리케이션 등을 통해, 하나 이상의 회원에 대하여 결제 서비스를 제공할 수 있다. 이러한 결제 서비스에서, 기존 회원의 미리 결정된 기간(예: 1개월, 3개월, 6개월 등)의 이용 이탈은 장기 이탈 또는 영구 이탈로 이어질 수 있다. 따라서, 사용자(예를 들어, 관리자, 운영자 등)는 이러한 이탈을 방지하기 위해, 회원의 1개월 이용 이탈 여부를 예측하고, 이탈을 방지하기 위한 조치(예를 들어, 타겟팅 프로모션 등의 콘텐츠 제공)를 취할 필요가 있다.

회원의 이탈 여부를 예측하기 위해, 정보 처리 시스템은 하나 이상의 회원과 연관된 회원 정보(112, 122)를 획득할 수 있다. 여기서, 하나 이상의 회원은 이탈 여부 예측의 대상이 되는 회원일 수 있다. 일 실시예에서, 이탈 여부 예측의 대상이 되는 회원을 특정 타입 또는 특정 회원 그룹에 속하는 회원으로 한정할 수 있다. 예를 들어, 결제 서비스의 회원들을 최근(일정 기간 이내) 이용 금액을 기준으로 헤비 유저, 미들 유저, 라이트 유저 등으로 그룹핑하고, 특정 그룹에 속하는 회원들을 대상으로 이탈 여부를 예측할 수 있다.

일 실시예에 따르면, 회원 정보(112, 122)는 복수의 항목에 대한 정보를 포함할 수 있다. 여기서, 복수의 항목은 하나 이상의 카테고리로 분류된 하나 이상의 변수를 지칭할 수 있으며, 복수의 항목에 대한 정보는 복수의 항목에 대한 값을 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, 오픈챗(인터넷 커뮤니티) 관련 정보, 가맹점별 결제 트렌드 등을 포함할 수 있으며, 각 카테고리는 하나 이상의 변수를 포함할 수 있다. 예를 들어, 하나 이상의 변수는 총 이용 금액, 최근 이용 금액, 1회 평균 이용 금액, 결제 항목 또는 유형에 따른 이용 금액, 최근 이용 시기, 이용 유지 기간, 이전 이용 이탈 여부, 카드 발급 여부, 연관된 회원의 수, 채팅 빈도 등을 포함할 수 있다.

정보 처리 시스템은 복수의 회원 이탈 예측 모델(110, 120, 130)을 이용하여, 하나 이상의 회원과 연관된 회원 정보(112, 122)를 기초로, 하나 이상의 회원에 대한 복수의 이탈 여부(116, 126, 136)를 예측할 수 있다. 예를 들어, 정보 처리 시스템은 제1 회원 이탈 예측 모델(110), 제2 회원 이탈 예측 모델(120) 및 제3 회원 이탈 예측 모델(130)을 이용하여, 하나 이상의 회원과 연관된 회원 정보(112, 122)를 기초로, 제1 이탈 여부(116), 제2 이탈 여부(126) 및 제3 이탈 여부(136)를 예측할 수 있다. 각 회원 이탈 예측 모델(110, 120, 130)의 입력으로 사용되는 회원 정보(112, 122)에 포함되는 항목은 모델에 따라 동일하거나 상이할 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 복수의 회원 이탈 예측 모델(110, 120, 130)을 이용하여, 복수의 이탈 확률(114, 124, 134)을 결정하고, 결정된 복수의 이탈 확률(114, 124, 134)로부터 복수의 이탈 여부(116, 126, 136)를 예측할 수 있다. 예를 들어, 정보 처리 시스템은 제1 회원 이탈 예측 모델(110), 제2 회원 이탈 예측 모델(120) 및 제3 회원 이탈 예측 모델(130)을 이용하여 제1 이탈 확률(114), 제2 이탈 확률(124) 및 제3 이탈 확률(134)을 결정할 수 있다. 그런 다음, 복수의 이탈 확률(114, 124, 134) 각각이 미리 정의된 임계치 이상인지 여부에 따라 제1 이탈 여부(116), 제2 이탈 여부(126) 및 제3 이탈 여부(136)를 결정할 수 있다. 이탈 확률로부터 이탈 여부를 결정하기 위한 미리 정의된 임계치는 모델에 따라 동일하거나 상이할 수 있다.

일 실시예에 따르면, 복수의 회원 이탈 예측 모델(110, 120, 130)은 복수의 기계학습 모델을 포함할 수 있다. 예를 들어, Boost 계열의 기계학습 모델(예: XGBoost 등), 딥 러닝 모델(예: Fully Connected Neural Network 등) 등을 포함할 수 있지만, 이에 한정되지 않는다. 복수의 기계학습 모델 각각은, 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여, 참조 회원에 대한 이탈 확률을 결정하도록 학습된 모델일 수 있다. 정보 처리 시스템은 학습된 복수의 기계학습 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보(112, 122)를 기초로, 하나 이상의 회원에 대한 복수의 이탈 여부(116, 126, 136)를 예측할 수 있다.

일 실시예에 따르면, 복수의 회원 이탈 예측 모델(110, 120, 130)은 적어도 하나의 앙상블 모델(Ensemble Model)을 포함할 수 있다. 일 실시예에 따르면, 앙상블 모델은 Fully Connected Neural Network를 포함한 딥러닝 모델로 구현될 수 있으나, 이에 한정되지 않으며, 복수의 회원 이탈 예측 모델로부터 결정된 복수의 참조 회원에 대한 이탈 확률을 입력받아 복수의 참조 회원에 대한 앙상블 이탈 확률을 결정하도록 학습된 임의의 기계학습 모델일 수 있다. 정보 처리 시스템은 학습된 앙상블 모델을 이용하여, 복수의 회원 이탈 예측 모델로부터 결정된 하나 이상의 회원에 대한 복수의 이탈 확률을 기초로, 하나 이상의 회원에 대한 앙상블 이탈 여부를 예측할 수 있다. 예를 들어, 도 1에 앙상블 모델의 예시로 제3 회원 이탈 예측 모델(130)이 도시되어 있다. 정보 처리 시스템은 제3 회원 이탈 예측 모델(130)을 이용하여, 제1 회원 이탈 예측 모델(110) 및 제2 회원 이탈 예측 모델(120)에 의해 결정된 하나 이상의 회원에 대한 제1 이탈 확률(114) 및 제2 이탈 확률(124)을 기초로, 제3 이탈 확률(134)을 결정할 수 있다. 그런 다음, 제3 이탈 확률(134)이 미리 정의된 임계치 이상인지 여부에 따라, 하나 이상의 회원에 대한 제3 이탈 여부(136)를 결정할 수 있다.

일 실시예에 따르면, 회원 이탈 예측 모델에 입력되는 하나 이상의 회원과 연관된 회원 정보(112, 122)는 복수의 항목에 대한 정보를 포함할 수 있다. 이 경우, 정보 처리 시스템은 회원 이탈 예측 모델에 입력되는 복수의 항목에 대한 값의 범위가 동일하도록 조정하기 위해, 복수의 항목에 대한 값을 원래의 값에 비례하도록 조정할 수 있다. 즉, 회원 이탈 예측 모델에 입력되는 하나 이상의 회원과 연관된 회원 정보(112, 122)는 전처리된 정보일 수 있다. 전처리 방식은 각 항목에 대한 값들이 표준 분포를 따르도록 값을 변환시키는 표준화(Standardization), 각 항목에 대한 값들이 0 ~ 1 사이의 값을 가지도록 분포를 조정하는 정규화(Normalization) 등을 포함할 수 있으나, 이에 한정되지 않는다. 일 실시예에 따르면, 회원 정보(112, 122)는 입력되는 모델의 유형에 따라 미리 결정된 방식으로 전처리된 정보일 수 있다. 이 경우, 다양한 방식으로 전처리된 입력 데이터를 이용하여 각 모델의 성능을 측정하고, 모델에 따라 성능이 가장 좋은 전처리 방식을 결정하여, 해당 방식으로 전처리한 입력 데이터를 회원 이탈 여부 예측에 사용할 수 있다. 예를 들어, 회원 이탈 예측 모델이 Boost 계열의 기계학습 모델인 경우, 입력되는 회원 정보는 하나 이상의 회원과 연관된 복수의 항목에 대한 표준화를 수행함으로써 전처리된 정보를 포함할 수 있다. 또 다른 예로서, 회원 이탈 예측 모델이 딥 러닝 모델인 경우, 입력되는 회원 정보는 하나 이상의 회원과 연관된 복수의 항목에 대한 정규화를 수행함으로써 전처리된 정보를 포함할 수 있다.

정보 처리 시스템은 예측된 복수의 이탈 여부(116, 126, 136)를 종합하여, 하나 이상의 회원에 대한 최종 이탈 여부(140)를 예측할 수 있다. 일 실시예에 따르면, 회원 각각에 대해 이탈할 것으로 예측한 회원 이탈 예측 모델의 수가 미리 정의된 수 이상인 경우 최종적으로 이탈할 것으로 예측할 수 있다. 예를 들어, 미리 정의된 수가 2인 경우, 정보 처리 시스템은 제1 회원이 이탈할 것으로 예측한 모델이 두 개 이상일 때, 제1 회원이 최종적으로 이탈할 것으로 예측할 수 있다. 추가적으로 또는 대안적으로, 미리 정의된 수는 예측 타입에 따라 다르게 정의될 수 있다. 예를 들어, 정확도가 높은 예측인 경우, 정보 처리 시스템은 모든 모델이 제1 회원의 이탈을 예측한 경우에만, 제1 회원이 최종적으로 이탈할 것으로 예측할 수 있다. 다른 예로, 커버리지가 높은 예측인 경우, 정보 처리 시스템은 복수의 모델 중 어느 하나의 모델이 제1 회원의 이탈을 예측한 경우, 제1 회원이 최종적으로 이탈할 것으로 예측할 수 있다.

추가적으로 또는 대안적으로, 정보 처리 시스템은 복수의 회원 이탈 예측 모델(110, 120, 130)을 이용하여 결정된 복수의 이탈 확률(114, 124, 134)을 기초로, 복수의 위험도를 결정할 수 있다. 그런 다음, 결정된 복수의 위험도를 기초로 하나 이상의 회원에 대한 최종 위험도를 결정할 수 있다. 회원에 대한 최종 위험도는 해당 회원이 이탈할 것으로 예측되는 정도를 나타내는 척도일 수 있다. 예를 들어, 정보 처리 시스템은 0 ~ 1 사이의 값을 가지는 제1 이탈 확률(114), 제2 이탈 확률(124), 제3 이탈 확률(134) 각각에 1000을 곱하여, 0 ~ 1000 사이의 값을 가지는 제1 위험도, 제2 위험도, 제3 위험도를 결정할 수 있다. 그런 다음, 결정된 제1 위험도, 제2 위험도, 제3 위험도의 평균값 또는 중간값을 산출함으로써, 하나 이상의 회원에 대한 최종 위험도를 결정할 수 있다. 또는, 결정된 복수의 위험도의 평균값 또는 중간값이 속하는 구간에 따라 최종 위험도를 결정할 수 있다. 예를 들어, 결정된 제1 위험도, 제2 위험도, 제3 위험도의 평균값 또는 중간값이 속하는 구간에 따라 하나 이상의 회원에 대한 최종 위험도를 고위험, 중위험, 저위험으로 분류할 수 있다.

정보 처리 시스템은 하나 이상의 회원에 대해 예측된 최종 이탈 여부 또는 최종 위험도 등을 기초로 타겟팅된 콘텐츠를 제공할 수 있다. 예를 들어, 최종적으로 이탈할 것으로 예측된 회원 또는 최종 위험도가 고위험인 회원 등을 대상으로 회원의 이탈을 방지하기 위한 콘텐츠(예: 프로모션 콘텐츠, 쿠폰 콘텐츠 등)를 제공할 수 있다.

도 1에서는, 복수의 회원 이탈 예측 모델(110, 120, 130)의 각각이 회원 정보를 입력받아 이탈 확률을 출력하도록 구성되어 있으나, 이에 한정되지 않으며, 복수의 회원 이탈 예측 모델(110, 120, 130)의 각각은 회원 정보를 입력받아 이탈 확률뿐만 아니라 이탈 확률의 신뢰도를 출력하도록 구성될 수 있다. 이 경우, 복수의 회원 이탈 예측 모델(110, 120, 130)의 각각에 대응한 이탈 여부는, 이탈 확률뿐만 아니라 신뢰도도 고려하여 결정될 수 있다. 예를 들어, 한 회원의 이탈 확률이 높다고 하더라도 해당 이탈 확률의 신뢰도가 낮게 출력되었다면, 이 회원의 이탈이 되지 않을 것이라고 예측될 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, 결제 정보, 소셜 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)로부터 예측 타입을 수신하고, 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, 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 및/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, 복수의 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원의 최종 이탈 여부를 예측할 수 있다. 그리고 나서, 프로세서(334)는 하나 이상의 회원의 최종 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 예측 모델(410)을 이용하여, 회원 정보(412)를 기초로 이탈 확률(414)을 결정하는 예시를 나타내는 도면이다. 정보 처리 시스템(예를 들어, 정보 처리 시스템(230) 등)은 회원의 이탈 여부 예측을 위해, 복수의 회원 이탈 예측 모델을 이용할 수 있다. 여기서, 회원 이탈 예측 모델(410)은 기계학습 모델일 수 있다. 예를 들어, Boost 계열의 기계학습 모델(예: XGBoost 등), 딥 러닝 모델(예: Fully Connected Neural Network 등)일 수 있지만, 이에 한정되지 않는다.

일 실시예에 따르면, 하나의 회원 이탈 예측 모델(410)은 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 참조 회원의 이탈 확률을 예측하도록 학습될 수 있다. 일 실시예에서, 정보 처리 시스템은 회원 정보 데이터 베이스로부터, 회원 이탈 예측 모델(410)을 학습하기 위한 학습 데이터를 획득할 수 있다. 여기서, 회원 정보 데이터 베이스는 정보 처리 시스템의 내부 및/또는 외부의 저장 장치에 포함될 수 있다. 또한, 회원 정보 데이터 베이스는 이미 이용 이탈한 회원 및/또는 이용을 유지하고 있는 회원과 연관된 회원 정보를 포함할 수 있다. 회원 이탈 예측 모델(410)을 학습하기 위한 학습 데이터는 복수의 참조 회원과 연관된 참조 회원 정보를 포함할 수 있다.

복수의 참조 회원과 연관된 참조 회원 정보는 복수의 항목에 대한 정보를 포함할 수 있다. 여기서, 복수의 항목은 하나 이상의 카테고리로 분류된 하나 이상의 변수를 지칭할 수 있으며, 복수의 항목에 대한 정보는 복수의 항목에 대한 값을 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, 오픈챗(인터넷 커뮤니티) 관련 정보, 가맹점별 결제 트렌드 등을 포함할 수 있으며, 각 카테고리는 하나 이상의 변수를 포함할 수 있다. 예를 들어, 하나 이상의 변수는 총 이용 금액, 최근 이용 금액, 1회 평균 이용 금액, 결제 항목 또는 유형에 따른 이용 금액, 최근 이용 시기, 이용 유지 기간, 이전 이용 이탈 여부, 카드 발급 여부, 연관된 회원의 수, 채팅 빈도 등을 포함할 수 있다.

또한, 복수의 참조 회원과 연관된 참조 회원 정보는, 복수의 참조 회원의 이탈 여부에 대한 정보(즉, 참조 회원들의 실제 이탈 여부)를 포함할 수 있다. 정보 처리 시스템은 상술한 복수의 항목에 대한 값(또는 복수의 항목에 대한 값을 전처리한 값)을 입력 데이터로, 복수의 참조 회원의 이탈 여부(예: 0(미이탈) 또는 1(이탈))를 정답 데이터(예를 들어, 정답 레이블)로 하여, 회원 이탈 예측 모델(410)을 지도 학습할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템은 복수의 항목에 대한 정보 및 복수의 항목의 가중치에 기초하여 회원 이탈 예측 모델(410)을 학습할 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 학습된 회원 이탈 예측 모델(410)에 하나 이상의 회원과 연관된 회원 정보(412)를 입력하여, 하나 이상의 회원에 대한 이탈 확률(414)을 결정할 수 있다. 추가적으로, 정보 처리 시스템은 회원 이탈 예측 모델(410)에 의해 결정된 하나 이상의 회원에 대한 이탈 확률(414)을 기초로 하나 이상의 회원에 대한 이탈 여부를 예측할 수 있다.

회원 이탈 예측 모델(410)에 입력되는 회원 정보(412)는 전처리된 정보일 수 있다. 전처리 방식은 각 항목에 대한 값들이 표준 분포를 따르도록 값을 변환시키는 표준화(Standardization), 각 항목에 대한 값들이 0 ~ 1 사이의 값을 가지도록 분포를 조정하는 정규화(Normalization) 등을 포함할 수 있으나, 이에 한정되지 않는다. 일 실시예에 따르면, 회원 정보(412)는 회원 이탈 예측 모델(410)의 유형에 따라 미리 결정된 방식으로 전처리된 정보일 수 있다. 예를 들어, 다양한 방식으로 전처리된 입력 데이터를 이용하여 예측 모델(410)의 성능이 측정되고, 성능이 가장 좋은 전처리 방식을 결정하여, 해당 방식으로 전처리한 입력 데이터가 사용될 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 상술한 과정을 복수의 회원 이탈 예측 모델에 대해 반복하여, 복수의 회원 이탈 예측 모델에 의해 결정된 복수의 이탈 여부를 기초로 하나 이상의 회원에 대한 최종 이탈 여부를 예측할 수 있다.

도 5는 본 개시의 일 실시예에 따른 앙상블 모델(530)을 이용하여, 앙상블 이탈 확률(534)을 결정하는 예시를 나타내는 도면이다. 정보 처리 시스템(예를 들어, 정보 처리 시스템(230) 등)은 회원의 이탈 여부 예측을 위해, 적어도 하나의 앙상블 모델(530)을 이용할 수 있다. 여기서, 앙상블 모델(530)은 기계학습 모델(예: Fully Connected Neural Network 등)일 수 있으나, 이에 한정되지 않는다.

일 실시예에 따르면, 앙상블 모델(530)은 복수의 회원 이탈 예측 모델이 예측한 복수의 참조 회원 각각에 대한 복수의 이탈 확률을 기초로, 복수의 참조 회원에 대한 앙상블 이탈 확률을 결정하도록 학습될 수 있다. 예를 들어, 정보 처리 시스템은 복수의 회원 이탈 예측 모델에 의해 예측된 복수의 참조 회원 각각에 대한 복수의 이탈 확률을 입력 데이터로, 복수의 참조 회원의 이탈 여부(예: 0(미이탈) 또는 1(이탈))를 정답 데이터(예를 들어, 정답 레이블)로 하여, 앙상블 모델(530)을 지도 학습할 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 학습된 앙상블 모델(530)을 이용하여, 복수의 회원 이탈 예측 모델에 의해 결정된 하나 이상의 회원에 대한 복수의 이탈 확률(514, 524)을 기초로, 앙상블 이탈 확률(534)을 결정할 수 있다. 예를 들어, 정보 처리 시스템은 앙상블 모델(530)에, 제1 회원 이탈 예측 모델(510)에 의해 결정된 하나 이상의 회원에 대한 제1 이탈 확률(514) 및 제2 회원 이탈 예측 모델(520)에 의해 결정된 하나 이상의 회원에 대한 제2 이탈 확률(524)을 입력하여, 앙상블 이탈 확률(534)을 결정할 수 있다. 제1 회원 이탈 예측 모델(510)이 특정 회원에 대해 정확도가 떨어지는 제1 이탈 확률(514)을 예측하더라도, 제2 회원 이탈 예측 모델(520)이 해당 회원에 대해 정확도가 높은 제2 이탈 확률(524)을 예측한 경우, 앙상블 모델(530)은 두 이탈 확률(514, 524)을 종합하여, 해당 회원에 대해 제1 회원 이탈 예측 모델(510)보다 정확도가 높은 앙상블 이탈 확률(534)을 결정할 수 있다. 이러한 결정 방식은, 제2 회원 이탈 예측 모델(520)이 정확도가 떨어지는 제2 이탈 확률(524)을 예측한 경우에도 유사하게 적용될 수 있다. 이와 같이, 앙상블 모델(530)은 두 회원 이탈 예측 모델(510, 520)을 보완할 수 있다. 도 5에서 앙상블 모델(530)은 두 개의 회원 이탈 예측 모델(510, 520)에 의해 결정된 두 개의 이탈 확률(514, 524)을 기초로 앙상블 이탈 확률(534)을 결정하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 세 개 이상의 회원 이탈 예측 모델에 의해 결정된 세 개 이상의 이탈 확률을 기초로 앙상블 이탈 확률(534)을 결정할 수 있다.

도 6은 본 개시의 일 실시예에 따라 복수의 회원 그룹(612, 622, 632)에 속하는 복수의 참조 회원과 연관된 참조 회원 정보를 이용하여, 복수의 회원 이탈 예측 서브 모델(610, 620, 630)을 학습시키는 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템(예를 들어, 정보 처리 시스템(230) 등)은 복수의 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원에 대한 이탈 여부를 예측할 수 있다. 복수의 회원 이탈 예측 모델은 복수의 회원 그룹(612, 622, 632)에 대한 복수의 회원 이탈 예측 서브 모델(610, 620, 630)을 포함할 수 있다.

정보 처리 시스템은 복수의 참조 회원(600)을 미리 결정된 기준을 기초로 그루핑함으로써, 복수의 회원 그룹(612, 622, 632)을 생성할 수 있다. 예를 들어, 정보 처리 시스템은 복수의 참조 회원(600)을 최근 6개월 동안의 총 결제 금액을 기초로 헤비 유저 그룹, 미들 유저 그룹, 라이트 유저 그룹 등으로 그루핑할 수 있다.

정보 처리 시스템은 복수의 회원 그룹(612, 622, 632)의 각각에 포함된 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여 복수의 회원 이탈 예측 서브 모델(610, 620, 630)의 각각을 학습시킬 수 있다. 즉, 정보 처리 시스템은 복수의 참조 회원(600) 중에서, 제1 회원 그룹(612)에 포함된 참조 회원과 연관된 참조 회원 정보를 기초로 제1 회원 이탈 예측 서브 모델(610)을 학습시키고, 제2 회원 그룹(622)에 포함된 참조 회원과 연관된 참조 회원 정보를 기초로 제2 회원 이탈 예측 서브 모델(620)을 학습시킬 수 있다. 이와 유사한 방식으로, 정보 처리 시스템은, 제n 회원 그룹(632)에 포함된 참조 회원과 연관된 참조 회원 정보를 기초로 제n 회원 이탈 예측 서브 모델(630)을 학습시킬 수 있다. 각 회원 그룹 별로 이탈 회원의 비율이 상이할 수 있으며, 각 회원 그룹 별로 이탈 여부와 상관 관계가 높은 회원 정보 항목(카테고리 또는 변수 등)이 상이할 수 있다. 이에 따라, 정보 처리 시스템은 각 회원 그룹 별로 회원 이탈 예측 서브 모델을 학습시킴으로써, 회원 이탈 예측 모델의 성능을 향상시킬 수 있다.

도 6에서 하나의 회원 그룹에 대한 회원 이탈 예측 서브 모델은 하나인 것으로 도시하였지만, 이에 한정되지 않는다. 일부 실시예에서는, 하나의 회원 그룹에 대한 복수 개의 회원 이탈 예측 서브 모델이 존재할 수 있으며, 하나의 회원 그룹에 포함된 참조 회원과 연관된 참조 회원 정보를 기초로, 복수 개의 회원 이탈 예측 서브 모델을 학습시킬 수 있다. 예를 들어, 제1 회원 그룹(612)에 포함된 참조 회원과 연관된 참조 회원 정보를 기초로, 복수 개의 회원 이탈 예측 서브 모델을 학습시킬 수 있다.

복수의 회원 그룹(612, 622, 632)에 대한 복수의 회원 이탈 예측 서브 모델(610, 620, 630)은, 각 회원 그룹에 속하는 회원에 대한 이탈 확률 예측 및/또는 이탈 여부 예측에 사용될 수 있다. 일 실시예에 따르면, 정보 처리 시스템은 복수의 참조 회원(600)을 그루핑한 기준과 동일하거나 유사한 기준을 기초로, 이탈 예측의 대상이 되는 복수의 회원을 복수의 회원 그룹(612, 622, 632)으로 그루핑할 수 있다. 그런 다음, 정보 처리 시스템은 이탈 예측 대상 회원이 속하는 회원 그룹에 대한 복수의 회원 이탈 예측 서브 모델을 이용하여, 대상 회원의 이탈 확률 또는 이탈 여부를 예측할 수 있다. 예를 들어, 제1 회원 그룹(612)에 속하는 참조 회원과 연관된 참조 회원 정보를 기초로 학습된 복수의 회원 이탈 예측 서브 모델을 이용하여, 제1 회원 그룹(612)에 속하는 대상 회원의 이탈 확률 또는 이탈 여부를 예측할 수 있다. 대상 회원이 속한 그룹 내의 회원들의 회원 정보에 기초하여 학습된 회원 이탈 예측 서브 모델을 이용함으로써, 정보 처리 시스템은 대상 회원의 이탈 여부를 보다 정확하게 예측할 수 있다.

도 7은 본 개시의 일 실시예에 따라, 복수의 회원 이탈 예측 모델 중 적어도 하나의 입력으로 사용될 항목을 선정하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 하나 이상의 회원과 연관된 회원 정보는 복수의 항목에 대한 정보를 포함할 수 있다. 여기서, 복수의 항목은 하나 이상의 카테고리로 분류된 하나 이상의 변수를 지칭할 수 있으며, 복수의 항목에 대한 정보는 복수의 항목에 대한 값을 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, 오픈챗(인터넷 커뮤니티) 관련 정보, 가맹점별 결제 트렌드 등을 포함할 수 있으며, 각 카테고리는 하나 이상의 변수를 포함할 수 있다. 예를 들어, 하나 이상의 변수는 총 이용 금액, 최근 이용 금액, 1회 평균 이용 금액, 결제 항목 또는 유형에 따른 이용 금액, 최근 이용 시기, 이용 유지 기간, 이전 이용 이탈 여부, 카드 발급 여부, 연관된 회원의 수, 채팅 빈도 등을 포함할 수 있다.

일 실시예에 따르면, 정보 처리 시스템은 복수의 회원 이탈 예측 모델 중 적어도 하나의 입력으로 사용될 하나 이상의 항목을 선정할 수 있다. 예를 들어, 정보 처리 시스템은 복수의 참조 회원과 연관된 참조 회원 정보를 분석하고, 참조 회원의 이탈 여부와 상관관계를 가지는 하나 이상의 항목을 선정할 수 있다. 구체적 예로, 정보 처리 시스템은 복수의 참조 회원과 연관된 참조 회원 정보를 분석하여, 연속 이용 개월 수, 단발성 고액 거래의 특성을 가진 결제 방식 또는 결제 항목의 비중 등이 항목과 이탈 여부와의 상관 관계가 높은 것을 파악하고, 해당 항목 중 적어도 하나를 회원 이탈 예측 모델의 입력 항목에 포함시킬 수 있다.

다른 예로, 정보 처리 시스템은 복수의 항목 조합을 생성하고, 복수의 항목 조합 중 회원 이탈 예측 모델의 성능이 가장 좋은 항목 조합을 입력 항목 조합으로 선정할 수 있다. 구체적 예로, 도 7에 도시된 바와 같이 정보 처리 시스템은 복수의 항목으로부터 제1 항목 조합 내지 제n 항목 조합을 생성할 수 있다.

그런 다음, 복수의 참조 회원과 연관된 제1 항목 조합에 대한 정보(712), 제2 항목 조합에 대한 정보(722), ??, 제n 항목 조합에 대한 정보(732) 각각을 이용하여, 제1 회원 이탈 예측 모델(710), 제2 회원 이탈 예측 모델(720), ??, 제n 회원 이탈 예측 모델(730) 각각을 학습시킬 수 있다. 도 7에서 제1 회원 이탈 예측 모델 내지 제n 회원 이탈 예측 모델(710, 720, 730) 각각을 하나의 모델로 도시하였으나, 제1 회원 이탈 예측 모델 내지 제n 회원 이탈 예측 모델(710, 720, 730) 각각은 복수의 회원 이탈 예측 모델을 포함할 수 있다. 예를 들어, 도시된 제k 회원 이탈 예측 모델은 제k-a 회원 이탈 예측 모델(예: Boost 계열의 기계학습 모델), 제k-b 회원 이탈 예측 모델(예: fully connected neural network), 제k-c 회원 이탈 예측 모델(예: 앙상블 모델)을 포함할 수 있다. 이 경우, 정보 처리 시스템은 복수의 참조 회원과 연관된 제k 항목 조합에 대한 정보를 이용하여, 제k 회원 이탈 예측 모델이 포함하는 복수의 모델 모두를 학습시킬 수 있다.

이후, 정보 처리 시스템은 복수의 회원 이탈 예측 모델(710, 720, 730)의 성능(716, 726, 736)을 측정하고, 성능이 가장 좋은 항목 조합을 입력 항목으로 선정할 수 있다. 예를 들어, 복수의 회원 이탈 예측 모델(710, 720, 730)(각 회원 이탈 예측 모델은 복수의 모델을 포함할 수 있음)이 예측한 복수의 참조 회원에 대한 복수의 이탈 여부(714, 724, 734)(또는 복수의 이탈 확률) 및 복수의 참조 회원의 실제 이탈 여부를 이용하여, 복수의 회원 이탈 예측 모델(710, 720, 730)의 성능(716, 726, 736)을 측정할 수 있다. 성능 측정 결과 제k 회원 이탈 예측 모델의 성능이 가장 좋은 경우, 제k 항목 조합을 입력 항목으로 선정할 수 있다.

도 8은 본 개시의 일 실시예에 따른 하나 이상의 회원에 대한 이탈 여부 예측 결과의 예시를 나타내는 도면이다. 도시된 표에 따르면, 정보 처리 시스템(예를 들어, 정보 처리 시스템(230) 등)은 하나 이상의 회원('회원 1', '회원 2', ??, '회원 n-1', '회원 n')에 대한 위험도, 복수의 이탈 예측, 복수의 이탈 위험도, 정확도가 높은 예측, 커버리지가 높은 예측을 제공할 수 있다.

도시된 표에서, 복수의 이탈 위험도 각각은, 복수의 회원 이탈 예측 모델 각각에 의해 결정된, 대상 회원이 이탈할 것으로 예측되는 정도를 나타내는 척도일 수 있다. 복수의 이탈 위험도는 복수의 회원 이탈 예측 모델에 의해 결정된 복수의 이탈 확률에 기초하여 결정될 수 있다. 예를 들어, 정보 처리 시스템은 복수의 회원 이탈 예측 모델에 의해 결정된 복수의 이탈 확률에 1000을 곱하여, 복수의 이탈 위험도를 결정할 수 있다. 구체적 예로, 제1 회원 이탈 예측 모델이 '회원 1'에 대한 이탈 확률을 '0.85'로 예측한 경우, '회원 1'에 대한 제1 이탈 위험도는 '850'으로 결정될 수 있다.

도시된 표에서, 복수의 이탈 예측 각각은, 복수의 회원 이탈 예측 모델 각각에 의해 예측된 이탈 여부를 나타낼 수 있다. 복수의 이탈 예측은 복수의 회원 이탈 예측 모델에 의해 결정된 복수의 이탈 확률에 기초하여 결정될 수 있다. 예를 들어, 정보 처리 시스템은 회원 이탈 예측 모델에 의해 결정된 이탈 확률이 0.5 이상인 경우, '이탈 예정'으로 이탈 예측할 수 있으며, 결정된 이탈 확률이 0.5 미만인 경우, '비 이탈'로 이탈 예측할 수 있다. 구체적 예로, 제1 회원 이탈 예측 모델이 '회원 1'에 대한 이탈 확률을 '0.85'로 예측한 경우, 제1 회원에 대한 제1 이탈 예측은 '이탈 예정'이 될 수 있다.

도시된 표에서, 위험도는, 복수의 위험도를 종합하여 결정된, 대상 회원이 최종적으로 이탈할 것으로 예측되는 정도를 나타내는 척도일 수 있다. 예를 들어, 정보 처리 시스템은 복수의 위험도의 평균값(또는 중간값)을 산출할 수 있다. 정보 처리 시스템은 산출된 평균값(또는 중간값), 산출된 평균값(또는 중간값)이 속하는 구간 또는 산출된 평균값(또는 중간값)의 순위 등을 기초로 회원에 대한 위험도를 결정할 수 있다. 구체적 예로, '회원 1'에 대한 제1 이탈 위험도 '850', 제2 이탈 위험도 '950' 및 제3 이탈 위험도 '948'의 평균값을 산출하여, 해당 평균값이 n 명의 대상 회원 중 상위 k%내에 속하는 경우, '회원 1'에 대한 위험도는 '고위험'으로 결정될 수 있다.

도시된 표에서, 정확도가 높은 예측 및 커버리지가 높은 예측은, 복수의 회원 이탈 예측 모델 각각에 의해 예측된 이탈 여부를 종합하여 예측한, 회원에 대한 최종 이탈 여부를 나타낼 수 있다. 예를 들어, 대상 회원을 '이탈 예정'으로 예측한 모델의 수가 미리 정의된 수 이상인 경우, '이탈 예정'으로 최종 예측하고, 대상 회원을 '이탈 예정'으로 예측한 모델의 수가 미리 정의된 수 미만인 경우, 대상 회원을 '비 이탈'로 최종 예측할 수 있다. 정확도가 높은 예측에 대응하는 미리 정의된 수는 커버리지가 높은 예측에 대응하는 미리 정의된 수보다 클 수 있다. 즉, 정확도가 높은 예측의 경우, 대상 회원에 대해 많은 수의 회원 이탈 예측 모델이 '이탈 예정'으로 예측할 때, 대상 회원에 대해 '이탈 예정'으로 최종 예측함으로써, 예측의 정확도를 높일 수 있다. 또한, 커버리지가 높은 예측의 경우, 대상 회원에 대해 상대적으로 적은 수의 회원 이탈 예측 모델이 '이탈 예정'으로 예측하더라도, 대상 회원에 대해 '이탈 예정'으로 최종 예측함으로써, 예측의 커버리지가 향상될 수 있다.

도 9는 본 개시의 일 실시예에 따른 이탈 예측 회원을 대상으로 콘텐츠를 제공하기 위한 사용자 인터페이스의 예시를 나타내는 도면이다. 일 실시예에 따르면, 최종 이탈이 예측되는 회원들의 리스트를 출력하고, 해당 회원들을 대상으로 콘텐츠를 제공하기 위한 사용자 인터페이스가 제공될 수 있다. 해당 사용자 인터페이스가 제공되는 사용자 단말(또는 컴퓨팅 장치)은 관리자 또는 운영자의 단말(또는 장치)일 수 있다.

사용자 인터페이스는 위험도 선택 메뉴(910), 예측 타입 선택 메뉴(920), 회원 그룹 선택 메뉴(930), 대상자 리스트 및 상세 정보 출력 영역(940), 대상자 추출 버튼(950), 콘텐츠 업로드 버튼(960), 콘텐츠 제공 버튼(970)을 포함할 수 있다. 위험도 선택 메뉴(910) 및 회원 그룹 선택 메뉴(930)는 복수 선택이 가능할 수 있다. 일 실시예에 따르면, 사용자가 위험도, 예측 타입 또는 회원 그룹 중 적어도 하나를 선택 또는 한정하고, 대상자 추출 버튼(950)을 클릭 또는 터치하는 경우, 대상자 리스트 및 상세 정보 출력 영역(940)에는 콘텐츠 제공 대상자 리스트 및 상세 정보가 출력될 수 있다.

일 실시예에 따르면, 사용자는 위험도 선택 메뉴(910)에서 콘텐츠 제공 대상 회원의 위험도를 한정할 수 있다. 도 9에서 위험도는 고위험, 중위험, 저위험으로 분류되는 것으로 도시되었으나, 이에 한정되지 않는다. 예를 들어, 위험도는 회원의 이탈이 예측되는 정도를 0 ~ 1000 사이의 값으로 나타낸 척도를 지칭할 수 있으며, 사용자는 사용자 인터페이스를 통해 콘텐츠 제공 대상이 되는 회원의 위험도 범위를 선택하거나 직접 입력할 수 있다.

일 실시예에 따르면, 사용자는 예측 타입 선택 메뉴(920)에서 회원 이탈 예측 타입을 선택할 수 있다. 예를 들어, 사용자는 커버리지가 높은 예측 또는 정확도가 높은 예측 중 하나를 선택할 수 있다. 일 실시예에 따르면, 사용자가 커버리지가 높은 예측을 선택한 경우, 복수의 회원 이탈 예측 모델 중 적어도 하나에 의해 이탈 예측된 회원들이 콘텐츠 제공 대상 회원이 될 수 있다. 사용자가 정확도가 높은 예측을 선택한 경우, 복수의 회원 이탈 예측 모델 모두에 의해 이탈 예측된 회원들이 콘텐츠 제공 대상 회원이 될 수 있다.

일 실시예에 따르면, 사용자는 회원 그룹 선택 메뉴(930)에서 콘텐츠 제공 대상 회원의 그룹을 한정할 수 있다. 도 9에서 회원 그룹의 예시로 헤비 유저, 미들 유저, 라이트 유저, 복귀 유저가 도시되어 있으나, 이에 한정되지 않으며, 다양한 기준에 의해 그루핑된 다양한 회원 그룹이 목록에 포함될 수 있다. 일 실시예에서, 사용자에 의해 선택된 회원 그룹에 대한 회원 이탈 예측 서브 모델이 존재하는 경우, 해당 서브 모델을 이용하여 선택된 회원 그룹에 포함된 회원에 대한 이탈 예측이 수행될 수 있다.

일 실시예에 따르면, 사용자는 위험도, 예측 타입 또는 회원 그룹 중 적어도 일부를 선택 또는 한정할 수 있다. 예를 들어, 사용자가 위험도 선택 메뉴(910)에서 고위험을 선택하고, 회원 그룹 선택 메뉴(930)에서 헤비 유저를 선택하고, 예측 타입을 선택하지 않은 경우, 헤비 유저 그룹에 포함되는 회원 중 이탈 위험도가 고위험인 회원들이 콘텐츠 제공 대상 회원이 될 수 있다. 다른 예로, 사용자가 예측 타입 선택 메뉴(920)에서 정확도가 높은 예측을 선택하고, 다른 메뉴들은 선택하지 않은 경우, 전체 회원 중 복수의 회원 이탈 예측 모델 모두에 의해 이탈 예측된 회원들이 콘텐츠 제공 대상 회원이 될 수 있다.

일 실시예에 따르면, 대상자 추출 이후, 사용자는 콘텐츠 업로드 버튼(960)을 터치 또는 클릭하여, 추출된 대상자들을 대상으로 제공할 콘텐츠를 업로드할 수 있다. 예를 들어, 콘텐츠 업로드 버튼(960)을 터치 또는 클릭하면, 콘텐츠의 목록이 출력될 수 있고, 사용자는 목록 중 하나를 선택하여 업로드할 수 있다. 사용자는 콘텐츠의 목록에 새로운 콘텐츠를 추가하거나, 기존의 콘텐츠의 내용을 변경하거나, 기존의 콘텐츠를 삭제할 수 있다.

일 실시예에 따르면, 콘텐츠 업로드 이후, 사용자는 콘텐츠 제공 버튼(970)을 터치 또는 클릭하여, 추출된 대상자들을 대상으로 업로드된 제공할 수 있다. 이와 같이, 사용자는 위험도, 예측 타입, 회원 그룹 등을 선택 또는 한정하여 원하는 방식에 따라 이탈 예측을 수행할 수 있고, 이를 이용하여 일부 회원들에게 타겟팅 콘텐츠를 제공함으로써, 한정된 리소스를 효율적으로 사용할 수 있다.

도 10은 본 개시의 일 실시예에 따른 회원 이탈 여부를 예측하는 방법(1000)을 나타내는 흐름도이다. 일 실시예에 따르면, 회원 이탈 여부를 예측하는 방법(1000)은 프로세서(예를 들어, 정보 처리 시스템(230)의 적어도 하나의 프로세서(334) 등)에 의해 수행될 수 있다. 회원 이탈 여부를 예측하는 방법(1000)은 프로세서가 하나 이상의 회원과 연관된 회원 정보를 획득함으로써 개시될 수 있다(S1010). 여기서, 회원 정보는 회원과 연관된 복수의 항목에 대한 정보를 포함할 수 있다.

그리고 나서, 프로세서는 복수의 회원 이탈 예측 모델을 이용하여, 하나 이상의 회원과 연관된 회원 정보를 기초로, 하나 이상의 회원에 대한 복수의 이탈 여부를 예측할 수 있다(S1020). 여기서, 회원의 이탈은, 해당 회원이 미리 결정된 기간(예를 들어, 한달) 동안 서비스를 이용하지 않는 것을 지칭할 수 있다. 일 실시예에 따르면, 프로세서는 하나 이상의 회원의 복수의 이탈 여부 예측을 위해, 복수의 회원 이탈 예측 모델을 이용하여 하나 이상의 회원과 연관된 회원 정보를 기초로 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하고, 결정된 복수의 이탈 확률을 기초로 복수의 이탈 여부를 결정할 수 있다. 예를 들어, 복수의 회원 이탈 예측 모델에 의해 결정된 하나 이상의 회원에 대한 복수의 이탈 확률 각각이 미리 정의된 임계치 이상인지 여부에 따라, 하나 이상의 회원에 대한 복수의 이탈 여부를 결정할 수 있다.

일 실시예에 따르면, 복수의 회원 이탈 예측 모델에 입력되는 하나 이상의 회원과 연관된 회원 정보는, 회원 이탈 예측 모델의 유형에 따라, 미리 결정된 방식으로 전처리된 정보를 포함할 수 있다. 예를 들어, 복수의 모델 각각에 대해, 다양한 전처리 방식 중 모델의 성능이 가장 좋은 전처리 방식을 결정하여, 해당 방식으로 전처리된 데이터를 입력으로 사용할 수 있다.

일 실시예에 따르면, 프로세서는 복수의 회원 정보 항목 중 복수의 회원 이탈 예측 모델 중 적어도 하나의 입력으로 사용될 항목을 선정할 수 있다. 이 경우, 프로세서는 복수의 회원 이탈 예측 모델 중 적어도 하나를 이용하여, 선정된 항목에 대한 정보를 기초로 하나 이상의 회원에 대한 적어도 하나의 이탈 여부를 예측할 수 있다.

일 실시예에 따르면, 복수의 회원 이탈 예측 모델은, 복수의 기계학습 모델을 포함할 수 있다. 여기서, 기계학습 모델은 복수의 참조 회원과 연관된 참조 회원 정보에 기초하여, 복수의 참조 회원의 이탈 확률을 결정하도록 학습된 모델일 수 있다. 추가적으로, 복수의 회원 이탈 예측 모델은, 적어도 하나의 앙상블 모델을 포함할 수 있다. 여기서, 앙상블 모델은 복수의 회원 이탈 예측 모델로부터 출력된 복수의 참조 회원에 대한 복수의 이탈 확률을 기초로, 복수의 참조 회원에 대한 앙상블 이탈 확률을 결정하도록 학습된 모델일 수 있다.

추가적으로 또는 대안적으로, 복수의 회원 이탈 예측 모델은, 복수의 회원 그룹에 대한 복수의 회원 이탈 예측 서브 모델을 포함할 수 있다. 여기서, 복수의 회원 그룹은, 미리 결정된 기준을 기초로 복수의 참조 회원을 그루핑함으로써 생성된 그룹일 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 이탈 예측 대상 회원과 연관된 회원 정보에 기초하여, 복수의 회원 그룹 중에서 대상 회원이 포함되는 회원 그룹을 결정하고, 대상 회원이 포함되는 회원 그룹에 대한 회원 이탈 예측 서브 모델을 이용하여, 대상 회원의 이탈 확률 및/또는 이탈 여부를 예측할 수 있다.

프로세서는 예측된 복수의 이탈 여부를 기초로, 하나 이상의 회원에 대한 최종 이탈 여부를 예측할 수 있다(S1030). 예를 들어, 프로세서는 하나 이상의 회원 각각에 대해 이탈할 것으로 예측한 회원 이탈 예측 모델의 수가 미리 정의된 수 이상인 경우, 하나 이상의 회원 각각에 대해 최종적으로 이탈할 것으로 예측할 수 있다.

추가적으로, 프로세서는 최종적으로 이탈할 것으로 예측된 회원들을 하나 이상의 콘텐츠와 연관시킬 수 있다. 예를 들어, 타겟팅된 회원들을 대상으로 콘텐츠를 제공할 수 있는 사용자 인터페이스가 제공될 수 있다. 사용자(예: 관리자, 운영자 등)는 해당 사용자 인터페이스를 통해, 예측 타입(예: 커버리지가 높은 예측 또는 정확도가 높은 예측 등)을 선택하거나 콘텐츠 제공 대상 회원 그룹(예: 헤비 유저, 미들 유저, 라이트 유저 등)을 한정할 수 있다. 정보 처리 시스템은 사용자가 한정한 회원 그룹에 포함된 회원들에 대해, 사용자가 선택한 예측 타입에 따른 이탈 여부 예측을 수행하여, 콘텐츠 제공 대상 회원들의 리스트를 제공할 수 있다. 또한, 사용자의 콘텐츠 제공 요청에 따라, 콘텐츠 제공 대상 회원들에게 요청된 콘텐츠가 제공될 수 있다.

도 11은 본 개시의 다른 실시예에 따른 회원 이탈 여부를 예측하는 방법을 나타내는 흐름도이다. 일 실시예에 따르면, 회원 이탈 여부를 예측하는 방법(1100)은 프로세서(예를 들어, 정보 처리 시스템(230)의 적어도 하나의 프로세서(334) 등)에 의해 수행될 수 있다. 회원 이탈 여부를 예측하는 방법(1100)은 프로세서가 하나 이상의 회원과 연관된 회원 정보를 획득함으로써 개시될 수 있다(S1110).

그리고 나서, 프로세서는 복수의 회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로, 상기 하나 이상의 회원에 대한 복수의 이탈 확률을 결정할 수 있다(S1120). 여기서, 복수의 회원 이탈 예측 모델은 제1 기계학습 모델 및 제2 기계학습 모델을 포함할 수 있다. 일 실시예에 따르면, 프로세서는 하나 이상의 회원과 연관된 정보를 이용하여, 제1 기계학습 모델로부터 제1 이탈 확률을 출력하고, 제2 기계학습 모델로부터 제2 이탈 확률을 출력할 수 있다.

프로세서는 앙상블 예측 모델을 이용하여, 결정된 복수의 이탈 확률을 기초로 하나 이상의 회원에 대한 앙상블 이탈 확률을 결정할 수 있다(S1130). 그리고 나서, 제1 이탈 확률, 제2 이탈 확률 또는 앙상블 이탈 확률 중 적어도 하나를 기초로, 하나 이상의 회원에 대한 최종 이탈 여부가 예측될 수 있다. 일 실시예에 따르면, 프로세서는 제1 이탈 확률, 제2 이탈 확률 및 앙상블 이탈 확률의 각각을 기초로 하나 이상의 회원에 대한 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 예측할 수 있다. 그리고 나서, 프로세서는 예측된 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 기초로 하나 이상의 회원에 대한 최종 이탈 여부를 예측할 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.

110: 제1 회원 이탈 예측 모델 112: 회원 정보
114: 제1 이탈 확률 116: 제1 이탈 여부
120: 제2 회원 이탈 예측 모델 122: 회원 정보
124: 제2 이탈 확률 126: 제2 이탈 여부
130: 제3 회원 이탈 예측 모델 134: 제3 이탈 확률
136: 제3 이탈 여부 140: 최종 이탈 여부

Claims (20)

1. 적어도 하나의 프로세서에 의해 수행되는, 회원 이탈 여부를 예측하는 방법에 있어서,
   하나 이상의 회원과 연관된 회원 정보를 획득하는 단계;
   복수의 회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로, 상기 하나 이상의 회원에 대한 복수의 이탈 여부를 예측하는 단계; 및
   상기 예측된 복수의 이탈 여부를 기초로, 상기 하나 이상의 회원에 대한 최종 이탈 여부를 예측하는 단계
   를 포함하는, 회원 이탈 여부를 예측하는 방법.
   
2. 제1항에 있어서,
   상기 복수의 이탈 여부를 예측하는 단계는,
   상기 복수의 회원 이탈 예측 모델의 각각을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로, 상기 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하는 단계; 및
   상기 하나 이상의 회원의 각각에 대해, 상기 결정된 복수의 이탈 확률을 기초로 복수의 이탈 여부를 결정하는 단계
   를 포함하는, 회원 이탈 여부를 예측하는 방법.
   
3. 제1항에 있어서,
   상기 복수의 회원 이탈 예측 모델은, 복수의 기계학습 모델을 포함하고,
   상기 복수의 기계학습 모델의 각각은, 복수의 참조 회원과 연관된 참조 회원 정보를 기초로, 상기 복수의 참조 회원에 대한 이탈 확률을 출력하도록 학습되는, 회원 이탈 여부를 예측하는 방법.
   
4. 제1항에 있어서,
   상기 복수의 회원 이탈 예측 모델은, 적어도 하나의 앙상블 모델(Ensemble Model)을 포함하고,
   상기 적어도 하나의 앙상블 모델은,
   상기 복수의 회원 이탈 예측 모델 중 적어도 일부로부터 출력된, 복수의 참조 회원에 대한 복수의 이탈 확률을 기초로 상기 복수의 참조 회원에 대한 앙상블 이탈 확률을 결정하도록 학습되는, 회원 이탈 여부를 예측하는 방법.
   
5. 제1항에 있어서,
   상기 복수의 회원 이탈 예측 모델은, 복수의 회원 그룹에 대한 복수의 회원 이탈 예측 서브 모델을 포함하고,
   상기 복수의 회원 이탈 예측 서브 모델의 각각은, 복수의 참조 회원 중 상기 복수의 회원 그룹의 각각에 속하는 복수의 참조 회원과 연관된 참조 회원 정보를 기초로, 상기 복수의 회원 그룹의 각각에 속하는 복수의 참조 회원의 각각에 대한 이탈 확률을 결정하도록 학습된 모델이고,
   상기 복수의 회원 그룹은, 상기 복수의 참조 회원을 미리 결정된 기준으로 그루핑함으로써 생성되는, 회원 이탈 여부를 예측하는 방법.
   
6. 제1항에 있어서,
   상기 하나 이상의 회원에 대한 최종 이탈 여부를 예측하는 단계는,
   상기 복수의 회원 이탈 예측 모델 중에서, 상기 하나 이상의 회원 각각에 대해 이탈할 것으로 예측한 회원 이탈 예측 모델의 수가 미리 정의된 수 이상인 경우 최종적으로 이탈할 것으로 예측하는 단계를 포함하는, 회원 이탈 여부를 예측하는 방법.
   
7. 제6항에 있어서,
   상기 방법은,
   컴퓨팅 장치로부터 커버리지가 높은 예측 리스트 또는 정확도가 높은 예측 리스트에 대한 요청을 수신하는 단계;
   상기 최종적으로 이탈할 것으로 예측된 회원들을 상기 리스트에 추가하는 단계; 및
   상기 리스트를 상기 컴퓨팅 장치에 제공하는 단계를 더 포함하고,
   상기 미리 정의된 수는,
   상기 커버리지가 높은 예측 리스트에 대응하는 미리 정의된 수 및 상기 정확도가 높은 예측 리스트에 대응하는 미리 정의된 수를 포함하고,
   상기 커버리지가 높은 예측 리스트에 대응하는 미리 정의된 수는, 상기 정확도가 높은 예측 리스트에 대응하는 미리 정의된 수보다 작은,
   회원 이탈 여부를 예측하는 방법.
   
8. 제1항에 있어서,
   상기 하나 이상의 회원은 복수의 회원을 포함하고,
   상기 방법은,
   컴퓨팅 장치로부터 회원 이탈 여부의 예측 대상이 되는 회원 그룹을 선택하는 요청을 수신하는 단계;
   상기 복수의 회원 중에서, 상기 선택된 회원 그룹에 속하는 하나 이상의 회원과 연관된 회원 정보를 추출하는 단계; 및
   상기 회원 그룹에 속하는 하나 이상의 회원에 대한 이탈 여부를 상기 컴퓨팅 장치에 제공하는 단계
   를 더 포함하는, 회원 이탈 여부를 예측하는 방법.
   
9. 제1항에 있어서,
   상기 하나 이상의 회원과 연관된 회원 정보는, 상기 하나 이상의 회원의 각각에 대한 복수의 항목에 대한 정보를 포함하고,
   상기 방법은,
   상기 복수의 회원 이탈 예측 모델 중 적어도 하나에 대한 입력으로 사용될 하나 이상의 항목을 선정하는 단계를 더 포함하고,
   상기 복수의 이탈 여부를 예측하는 단계는,
   상기 복수의 회원 이탈 예측 모델 중 적어도 하나를 이용하여, 상기 선정된 하나 이상의 항목에 대한 정보를 기초로, 상기 하나 이상의 회원에 대한 적어도 하나의 이탈 여부를 예측하는 단계를 포함하는, 회원 이탈 여부를 예측하는 방법.
   
10. 제1항에 있어서,
    상기 하나 이상의 회원과 연관된 회원 정보는, 상기 복수의 회원 이탈 예측 모델의 유형에 따라 미리 결정된 방식으로 전처리된 정보를 포함하는, 회원 이탈 여부를 예측하는 방법.
    
11. 제1항에 있어서,
    상기 하나 이상의 회원은 복수의 회원을 포함하고,
    상기 복수의 회원 중에서, 최종 이탈할 것이라고 예측된 적어도 하나의 회원을 하나 이상의 콘텐츠와 연관시키는 단계를 더 포함하는, 회원 이탈 여부를 예측하는 방법.
    
12. 적어도 하나의 프로세서에 의해 수행되는, 회원 이탈 여부를 예측하는 방법에 있어서,
    하나 이상의 회원과 연관된 회원 정보를 획득하는 단계;
    복수의 회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로, 상기 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하는 단계; 및
    앙상블 예측 모델을 이용하여, 상기 결정된 복수의 이탈 확률을 기초로 상기 하나 이상의 회원에 대한 앙상블 이탈 확률을 결정하는 단계
    를 포함하는, 회원 이탈 여부를 예측하는 방법.
    
13. 제12항에 있어서,
    상기 복수의 회원 이탈 예측 모델은, 제1 기계학습 모델 및 제2 기계학습 모델을 포함하고,
    상기 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하는 단계는,
    상기 하나 이상의 회원과 연관된 회원 정보를 이용하여, 상기 제1 기계학습 모델로부터 제1 이탈 확률 및 상기 제2 기계학습 모델로부터 제2 이탈 확률을 출력하는 단계를 포함하고,
    상기 방법은,
    상기 제1 이탈 확률, 상기 제2 이탈 확률 또는 상기 앙상블 이탈 확률 중 적어도 하나를 기초로, 상기 하나 이상의 회원에 대한 최종 이탈 여부를 예측하는 단계를 더 포함하는, 회원 이탈 여부를 예측하는 방법.
    
14. 제13항에 있어서,
    상기 최종 이탈 여부를 예측하는 단계는,
    상기 제1 이탈 확률, 상기 제2 이탈 확률 및 상기 앙상블 이탈 확률의 각각을 기초로, 상기 하나 이상의 회원에 대한 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 예측하는 단계; 및
    상기 예측된 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 기초로, 상기 하나 이상의 회원에 대한 최종 이탈 여부를 예측하는 단계
    를 포함하는, 회원 이탈 여부를 예측하는 방법.
    
15. 제1항 내지 제14항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
    
16. 정보 처리 시스템으로서,
    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,
    복수의 회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로, 상기 하나 이상의 회원에 대한 복수의 이탈 여부를 예측하고,
    상기 예측된 복수의 이탈 여부를 기초로, 상기 하나 이상의 회원에 대한 최종 이탈 여부를 예측하기 위한 명령어를 포함하는, 정보 처리 시스템.
    
17. 제16항에 있어서,
    상기 적어도 하나의 프로그램은,
    상기 복수의 회원 이탈 예측 모델의 각각을 이용하여, 상기 하나 이상의 회원에 대한 회원 정보를 기초로, 상기 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하고,
    상기 하나 이상의 회원의 각각에 대해, 상기 결정된 복수의 이탈 확률을 기초로 복수의 이탈 여부를 결정하기 위한 명령어를 더 포함하는, 정보 처리 시스템.
    
18. 정보 처리 시스템으로서,
    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,
    복수의 회원 이탈 예측 모델을 이용하여, 상기 하나 이상의 회원과 연관된 회원 정보를 기초로, 상기 하나 이상의 회원에 대한 복수의 이탈 확률을 결정하고,
    앙상블 예측 모델을 이용하여, 상기 결정된 복수의 이탈 확률을 기초로 상기 하나 이상의 회원에 대한 앙상블 이탈 확률을 결정하기 위한 명령어를 포함하는, 정보 처리 시스템.
    
19. 제18항에 있어서,
    상기 복수의 회원 이탈 예측 모델은, 제1 기계학습 모델 및 제2 기계학습 모델을 포함하고,
    상기 적어도 하나의 프로그램은,
    상기 하나 이상의 회원과 연관된 회원 정보를 이용하여, 상기 제1 기계학습 모델로부터 제1 이탈 확률 및 상기 제2 기계학습 모델로부터 제2 이탈 확률을 출력하고,
    상기 제1 이탈 확률, 상기 제2 이탈 확률 또는 상기 앙상블 이탈 확률 중 적어도 하나를 기초로, 상기 하나 이상의 회원에 대한 최종 이탈 여부를 예측하기 위한 명령어를 더 포함하는, 정보 처리 시스템.
    
20. 제19항에 있어서,
    상기 적어도 하나의 프로그램은,
    상기 제1 이탈 확률, 상기 제2 이탈 확률 및 상기 앙상블 이탈 확률의 각각을 기초로, 상기 하나 이상의 회원에 대한 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 예측하고,
    상기 예측된 제1 이탈 여부, 제2 이탈 여부 및 앙상블 이탈 여부를 기초로, 상기 하나 이상의 회원에 대한 최종 이탈 여부를 예측하기 위한 명령어를 더 포함하는, 정보 처리 시스템.

Images