[논문 리뷰] CUDA-Self-Organizing feature map based visual sentiment analysis of bank customer complaints for Analytical CRM

Rohit Gavval, Vadlamani Ravi외 3명|arXiv (Cornell University)|2019. 05. 23.

Customer churn and segmentation참고 문헌 33인용 수 7

한 줄 요약

이 논문은 분석적 CRM에서 은행 고객 불만의 시각적 정서 분석을 위한 고성능 CUDA 가속 Self-Organizing Map(SOM) 프레임워크인 CUDASOM을 제안한다. GPU 병렬 처리를 활용함으로써 고차원 텍스트 불만의 군집화 및 시각화를 가속화하여 평균 44배의 성능 향상을 달성하였으며, CRM 임원들이 정서 패턴을 식별하고 즉각적인 시정 조치를 위한 불만 그룹화를 가능하게 한다.

ABSTRACT

With the widespread use of social media, companies now have access to a wealth of customer feedback data which has valuable applications to Customer Relationship Management (CRM). Analyzing customer grievances data, is paramount as their speedy non-redressal would lead to customer churn resulting in lower profitability. In this paper, we propose a descriptive analytics framework using Self-organizing feature map (SOM), for Visual Sentiment Analysis of customer complaints. The network learns the inherent grouping of the complaints automatically which can then be visualized too using various techniques. Analytical Customer Relationship Management (ACRM) executives can draw useful business insights from the maps and take timely remedial action. We also propose a high-performance version of the algorithm CUDASOM (CUDA based Self Organizing feature Map) implemented using NVIDIA parallel computing platform, CUDA, which speeds up the processing of high-dimensional text data and generates fast results. The efficacy of the proposed model has been demonstrated on the customer complaints data regarding the products and services of four leading Indian banks. CUDASOM achieved an average speed up of 44 times. Our approach can expand research into intelligent grievance redressal system to provide rapid solutions to the complaining customers.

연구 동기 및 목표

• 분석적 CRM에서 고객 불만에 대한 확장 가능하고 실시간인 시각적 정서 분석 프레임워크를 개발하기 위해.
• 기존 SOM을 사용할 경우 고객 피드백에서 유도하는 고차원 텍스트 데이터 처리에 발생하는 성능 저하 문제를 해결하기 위해.
• CUDA를 통한 GPU 병렬 처리를 활용해 SOM 학습을 가속화하여 더 빠른 통찰 추출을 가능하게 하기 위해.
• CRM 임원들이 불만 군집을 시각화하고 이해할 수 있도록 하여 대상별 시정 조치를 취할 수 있도록 하기 위해.
• 실제 인도 은행 고객 불만 데이터셋을 대상으로 프레임워크의 유효성을 입증하기 위해.

제안 방법

• 프레임워크는 고차원 텍스트 불만을 의미적 유사성 기반으로 위상적으로 순서가 매겨진 맵으로 군집화하기 위해 Self-Organizing Map(SOM)을 사용한다.
• 텍스트 불만은 SOM에 입력하기 전에 TF-IDF 또는 워드 임베딩 기법을 사용해 벡터화된다.
• CUDA 기반 구현(CUDASOM)은 GPU 코어를 통해 SOM 학습 과정을 병렬화하여 수렴 속도를 가속화한다.
• 알고리즘은 경쟁적 학습과 이웃 함수 업데이트를 사용하여 출력 맵의 위상적 구조를 유지한다.
• 가시성 향상을 위해 색상 코딩과 군집 레이블링과 같은 시각화 기법이 훈련된 맵에 적용된다.
• 시스템은 네 곳의 인도 은행에서 수집한 실제 불만 데이터를 대상으로 평가되었으며, 성능은 속도 향상과 군집 품질 기준으로 측정되었다.

실험 결과

연구 질문

• RQ1 GPU 가속 SOM이 대규모 고차원 고객 불만 데이터를 정서 분석을 위해 효과적으로 처리하고 시각화할 수 있는가?
• RQ2 CUDASOM은 기존 CPU 기반 SOM보다 고객 불만 데이터셋에서 얼마나 더 빠르게 학습하는가?
• RQ3 시각화된 SOM 맵은 은행 고객 불만의 의미 있는 정서 군집과 패턴을 어느 정도 드러내는가?
• RQ4 결과로 도출된 맵은 분석적 CRM 팀이 고객 이탈을 줄이기 위해 실질적인 조치를 취할 수 있는 통찰을 제공하는가?
• RQ5 CUDASOM 프레임워크는 실제 세계의 노이즈가 많고 비정형적인 고객 피드백을 다루는 데 얼마나 견고한가?

주요 결과

• CUDASOM은 동일한 데이터셋에서 기존 CPU 기반 SOM 구현보다 평균 44배 빠른 성능 향상을 달성하였다.
• 시각화된 SOM 맵는 서비스 지연과 수수료 분쟁 등 정서와 주제 기반으로 명확한 군집을 성공적으로 드러내었다.
• 프레임워크 덕분에 CRM 임원들은 반복적인 문제를 식별하고 영향력이 큰 불만 유형을 우선순위에 따라 시정 조치에 반영할 수 있었다.
• 맵의 위상적 순서는 불만 간 의미적 관계를 유지하여 통찰 가능성 향상에 기여하였다.
• 고차원 텍스트 데이터에서의 확장성과 효율성은 실시간 정서 분석의 가능성을 제시하였다.
• 결과적으로 CUDASOM는 금융 및 CRM 분야에서 지능형 불만 해결 시스템의 실현 가능 도구로 보인다.