[논문 리뷰] A Framework in CRM Customer Lifecycle: Identify Downward Trend and Potential Issues Detection

Kun Hu, Zhe Li외 4명|arXiv (Cornell University)|2018. 02. 25.

Customer churn and segmentation참고 문헌 9인용 수 3

한 줄 요약

이 논문은 고객 이탈 전 조기 징후를 탐지하기 위한 이중 구조 프레임워크를 제안한다. 인과 추론과 준지도 학습을 활용해 '침묵하는 피해자'(불만을 직접 제기하지는 않지만 부정적인 경험을 겪는 고객)를 식별한다. 이 프레임워크는 이탈 전에 조기 하락을 예측하고 원인을 진단하여 실제 A/B 테스트에서 구매량에 88.5%의 추가 효과를 달성한다.

ABSTRACT

Customer retention is one of the primary goals in the area of customer relationship management. A mass of work exists in which machine learning models or business rules are established to predict churn. However, targeting users at an early stage when they start to show a downward trend is a better strategy. In downward trend prediction, the reasons why customers show a downward trend is of great interest in the industry as it helps the business to understand the pain points that customers suffer and to take early action to prevent them from churning. A commonly used method is to collect feedback from customers by either aggressively reaching out to them or by passively hearing from them. However, it is believed that there are a large number of customers who have unpleasant experiences and never speak out. In the literature, there is limited research work that provides a comprehensive and scientific approach to identify these "silent suffers". In this study, we propose a novel two-part framework: developing the downward prediction process and establishing the methodology to identify the reasons why customers are in the downward trend. In the first prediction part, we focus on predicting the downward trend, which is an earlier stage of the customer lifecycle compared to churn. In the second part, we propose an approach to figuring out the cause (of the downward trend) based on a causal inference method and semi-supervised learning. The proposed approach is capable of identifying potential silent sufferers. We take bad shopping experiences as inputs to develop the framework and validate it via a marketing A/B test in the real world. The test readout demonstrates the effectiveness of the framework by driving 88.5% incremental lift in purchase volume.

연구 동기 및 목표

• 이탈 전 조기 불만 징후를 식별하는 데 있어 기존의 갭을 보완하기 위해.
• 불만을 적극적으로 제기하지는 않지만 부정적인 경험을 겪는 '침묵하는 피해자'를 탐지하기 위해.
• 인과 추론을 활용해 행동 데이터에서 고객 불만의 근본 원인을 체계적으로 진단하는 방법을 개발하기 위해.
• 조기 탐지 기반 사전 조치를 통해 고객 유지를 향상시키기 위해.
• 실제 마케팅 A/B 테스트를 통해 프레임워크의 효과성을 검증하기 위해.

제안 방법

• 프레임워크는 두 단계로 구성된다: 하강 추세 예측 및 근본 원인 진단.
• 하강 추세 예측은 이전 고객 행동 데이터를 활용해 이탈 전 조기 단계의 하락을 탐지한다.
• 근본 원인 분석을 위해 인과 추론 방법을 적용해 관찰된 행동 변화와 잠재적 고통 지점 간의 연관성을 파악한다.
• 준지도 학습을 활용해 레이블이 없는 고객 피드백과 행동 패턴을 식별하여 침묵하는 피해자 탐지 능력을 향상시킨다.
• 프레임워크는 행동 신호와 암묵적 피드백을 통합해 고객 경험 악화를 모델링한다.
• 프레임워크의 구매량에 대한 영향을 평가하기 위해 마케팅 A/B 테스트를 실시한다.

실험 결과

연구 질문

• RQ1 기존의 이탈 예측보다 고객 수명 주기 동안 더 이른 시점에 하강 추세를 어떻게 조기에 탐지할 수 있는가?
• RQ2 불만을 직접적으로 제기하지 않는 '침묵하는 피해자'를 효과적으로 식별할 수 있는 방법은 무엇인가?
• RQ3 행동 데이터에서 고객 불만의 근본 원인을 인과 추론을 어떻게 적용할 수 있는가?
• RQ4 준지도 학습을 통해 레이블이 없는 고객 데이터에서 조기 경고 신호를 탐지하는 데 얼마나 효과적으로 향상시킬 수 있는가?
• RQ5 실제 사업 현장에서 이러한 프레임워크를 도입할 경우 고객 유지를 비롯한 구매량에 어떤 영향을 미치는가?

주요 결과

• 프레임워크는 이탈에 도달하기 전에 조기에 하강 추세에 놓인 고객을 성공적으로 식별하여 조기 간섭이 가능하게 했다.
• 인과 추론과 준지도 학습을 활용한 결과, 반응형 피드백 수거 방식에 비해 침묵하는 피해자 탐지 능력이 크게 향상되었다.
• 실제 A/B 테스트에서 프레임워크는 구매량에 88.5%의 추가 효과를 달성하여 강력한 사업적 영향을 입증했다.
• 근본 원인 분석을 통해 행동 변화와 연결된 특정 고통 지점을 밝혀내어 대상별 사업 조치를 가능하게 했다.
• 고객 수명 주기 하락의 더 이른, 더 조치 가능한 단계에 집중함으로써 기존의 이탈 예측 방식을 뛰어넘는 성능을 보였다.
• 검증 결과, 조기 탐지 및 불만 진단이 고객 유지율과 참여도 향상에 측정 가능한 영향을 미친다는 것이 확인되었다.