[논문 리뷰] Churn analysis using deep convolutional neural networks and autoencoders

Artit Wangperawong, Cyrille Brun외 2명|arXiv (Cornell University)|2016. 04. 18.

Customer churn and segmentation참고 문헌 3인용 수 20

한 줄 요약

이 논문은 시간적 행동 데이터를 이미지 유사 표현으로 변환함으로써, 분류 작업에 사용되는 컨볼루션 신경망(CNN)과 비지도 학습 분석을 위한 오토에인코더를 활용한 새로운 딥러닝 접근법을 제안한다. 이 방법은 고객 이탈 예측에 있어 12개의 시간적 특성만을 사용하여 테스트 세트에서 AUC 0.743의 성능을 달성하였고, 오토에인코더 활성도 맵은 이탈 위험이 높은 사용자를 유지하기 위한 실질적인 통찰을 제공한다.

ABSTRACT

Customer temporal behavioral data was represented as images in order to perform churn prediction by leveraging deep learning architectures prominent in image classification. Supervised learning was performed on labeled data of over 6 million customers using deep convolutional neural networks, which achieved an AUC of 0.743 on the test dataset using no more than 12 temporal features for each customer. Unsupervised learning was conducted using autoencoders to better understand the reasons for customer churn. Images that maximally activate the hidden units of an autoencoder trained with churned customers reveal ample opportunities for action to be taken to prevent churn among strong data, no voice users.

연구 동기 및 목표

• 이미지 분류에 주로 사용되는 딥러닝 아키텍처를 시간적 고객 행동 데이터에 적용하여 이탈 예측 정확도를 향상시키는 것.
• 오토에인코더를 통한 비지도 표현 학습을 탐색하여 고객 이탈의 근본 원인과 패턴을 밝혀내는 것.
• 원시 고객 행동 시계열을 시간 역동성을 유지하는 이미지 유사 시각화로 변환하여 딥러닝 처리에 적합하게 만드는 것.
• 특히 '강한 데이터, 음성 없음' 사용자와 같은 실질적인 조치가 가능한 고객 세그먼트를 식별하여 유지를 위한 개입이 가장 효과적일 수 있도록 하는 것.
• 최소한의 특성 공학으로도 대규모 실세계 고객 이탈 예측에 대해 딥러닝의 가능성과 성능을 입증하는 것.

제안 방법

• 시간적 고객 행동 데이터(예: 사용 패턴, 서비스 상호작용 등)를 순차적 구조를 유지하면서 2차원 이미지 표현으로 변환하여 CNN 처리가 가능하도록 한다.
• 이탈 여부(이탈자 vs. 비이탈자)의 레이블이 부여된 데이터를 대상으로 지도 학습 방식으로 딥 컨볼루션 신경망(CNN)을 훈련시어 고객 이탈 확률을 예측한다.
• 이탈한 고객의 데이터만을 사용하여 오토에인코더를 훈련시켜 이탈 관련 행동 패턴의 압축되고 의미 있는 표현을 학습한다.
• 훈련된 오토에인코더의 은닉 유닛에 대해 최대 활성도 분석을 적용하여 이탈을 시사하는 가장 대표적인 행동 패턴을 시각화하고 해석한다.
• 모델은 고객당 오직 12개의 시간적 특성만을 사용하여 입력 복잡도를 최소화하면서도 예측 성능를 유지한다.
• 예측을 위한 지도 학습과 이해 가능성을 위한 비지도 분석을 결합함으로써 타겟팅된 유지 전략 수립이 가능하다.

실험 결과

연구 질문

• RQ1 시간적 고객 행동 데이터가 이탈 예측에 유의미한 패턴을 유지하는 이미지 표현으로 효과적으로 변환될 수 있는가?
• RQ2 최소한의 특성으로 이미지로 변환된 행동 시계열을 기반으로 훈련된 딥 컨볼루션 신경망이 이탈 예측에 얼마나 잘 성능을 내는가?
• RQ3 오토에인코더를 통해 이탈한 고객의 어떤 은닉 표현을 학습할 수 있으며, 이를 통해 유지 전략에 어떻게 기여할 수 있는가?
• RQ4 오토에인코더의 은닉 유닛에 의해 가장 강하게 활성화되는 고객 세그먼트는 어디이며, 이는 이탈 위험도가 높고 개입이 가능한지를 시사하는가?
• RQ5 지도 학습 기반의 딥 컨볼루션 신경망과 비지도 학습 기반의 오토에인코더를 조합함으로써 높은 예측 정확도와 실질적인 통찰을 동시에 달성할 수 있는가?

주요 결과

• 딥 컨볼루션 신경망은 테스트 데이터셋에서 AUC 0.743의 면적을 기록하여 고객당 12개의 시간적 특성만으로도 강력한 예측 성능를 입증하였다.
• 이탈한 고객 데이터에 대해 훈련된 오토에인코더는 고객 이탈과 관련된 특정 행동 패턴을 강조하는 의미 있는 표현을 학습하였다.
• 오토에인코더의 은닉 유닛을 최대로 활성화시키는 이미지들은 '강한 데이터, 음성 없음' 사용자에게 명확한 실질적 신호를 드러내었으며, 이는 타겟팅된 유지 전략이 효과적일 수 있음을 시사한다.
• 오토에인코더 활성도의 시각적 해석 가능성은 순수 예측을 넘어서 행동 데이터 내 핵심 이탈 원인을 식별하는 데 기여하였다.
• 이 방법은 컴퓨터 비전 분야에서 사용되는 딥러닝 아키텍처를 비시각적이고 순차적인 고객 행동 문제에 효과적으로 활용하였으며, 높은 성능와 해석 가능성을 동시에 확보하였다.
• 시간적 데이터의 이미지 기반 변환은 강력한 딥러닝 모델을 고객 이탈 분석에 효과적으로 적용할 수 있도록 하였다.