[논문 리뷰] Intelligent Vector-based Customer Segmentation in the Banking Industry

Salman Mousaeirad|arXiv (Cornell University)|2020. 12. 22.

Customer churn and segmentation참고 문헌 76인용 수 7

한 줄 요약

이 논문은 신경 임bedding을 사용하여 다양한 특징(인구통계학적 특성, 행동 특성, 신용 리스크 등)에서 고객 벡터를 생성함으로써 목표 기반의 고객 세분화를 위한 지능형 벡터 기반 고객 세분화 프레임워크인 Customer2Vec을 제안한다. 지도 학습 기반 분류와 비지도 학습 기반 클러스터링을 결합함으로써 세분화 품질을 향상시키고, 고객 간 유사도 검출 기능을 제공하여 개인화된 은행 전략을 강화한다.

ABSTRACT

Customer Segmentation is the process of dividing customers into groups based on common characteristics. An intelligent Customer Segmentation will not only enable an organization to effectively allocate marketing resources (e.g., Recommender Systems in the Banking sector) but also it will enable identifying the customer cohorts that are most likely to benefit from a specific policy (e.g., to discover diverse patient groups in the Health sector). While there has been a significant improvement in approaches to Customer Segmentation, the main challenge remains to be the understanding of the reasons behind the segmentation need. This task is challenging as it is subjective and depends on the goal of segmentation as well as the analyst's perspective. To address this challenge, in this paper, we present an intelligent vector-based customer segmentation approach. The proposed approach will leverage feature engineering to enable analysts to identify important features (from a pool of features such as demographics, geography, psychographics, behavioral, and more) and feed them into a neural embedding framework named Customer2Vec. The Customer2Vec combines the neural network classification and clustering methods as supervised and unsupervised learning techniques to embed the customer vector. We adopt a typical scenario in the Banking Sector to highlight how Customer2Vec significantly improves the quality of the segmentation and detecting customer similarities.

연구 동기 및 목표

• 기존의 분석가의 의도와 관계없이 일률적인 세분화를 적용하는 전통적 방법에 비해, 목표 기반의 주관적인 금융 분야의 고객 세분화 과제를 해결하기 위해.
• 분석가가 특정 목표(예: 신용 리스크, 대출 불이행 확률 등)를 정의하고, 이를 바탕으로 고객 벡터를 생성할 수 있도록 함으로써 세분화 품질을 향상시키기 위해.
• 공유된 벡터 공간에 고객을 임bed딩함으로써 유사도를 정량화하고 정책 대상 선정에 활용할 수 있도록 동적이고 적응 가능한 세분화를 지원하기 위해.
• 이질적인 데이터 소스와 실생활 금융 데이터셋에서의 누락된 특징을 처리하기 위해 특징 공학과 딥러닝을 통합하기 위해.
• 벡터 유사도를 활용해 고위험 프로파일과 유사한 고객을 식별함으로써 사전적 리스크 탐지 기능을 제공하기 위해.

제안 방법

• 이 방법은 정의된 목표(예: 신용 리스크) 기반으로 고객을 분류하기 위해 완전히 연결된 신경망을 사용하며, 同시에 조밀한 3차원 고객 벡터 표현을 학습한다.
• Customer2Vec은 단일 파ip라인 내에서 지도 학습(분류)과 비지도 학습(클러스터링)을 통합하여 의미 있고 해석 가능한 고객 임베딩을 생성한다.
• 특징 공학이 원시 데이터에서 관련된 속성(인구통계학적 특성, 행동 특성, 신용 이력 등)을 추출하고 통합된 특징 공간에 통합하기 위해 적용된다.
• 고객 벡터는 3차원 좌표계에 임베딩되어 공통된 특성을 기반으로 한 고객 간의 유사도 계산과 시각화를 가능하게 한다.
• 임베딩된 벡터에 대해 클러스터링을 적용하여 목표 속성(예: 고위험/저위험) 기반으로 동질적인 고객 그룹을 식별한다.
• 온라인 학습, 동적 대시보드, 그래프 모델링, OLAP/PCA를 통한 차원 축소 및 다중 속성 분석을 통해 향후 확장 기능을 지원한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 일반적인 일괄 세분화 방식에 의존하지 않고, 목표 기반의 주관적인 고객 세분화를 실현할 수 있는가?
• RQ2 신경 임베딩 기법이 금융 분야의 고객 세분화 품질과 해석 가능성에 얼마나 기여할 수 있는가?
• RQ3 하이브리드 지도-비지도 학습 프레임워크를 통해 생성된 고객 벡터가 유사도를 효과적으로 포착하고 리스크 예측에 기여할 수 있는가?
• RQ4 변화하는 고객 행동을 실시간으로 어떻게 반영하여 세분화 정확도를 장기적으로 유지할 수 있는가?
• RQ5 동적 시각화와 특징 추적 기능이 리스크 관리 분석가의 의사결정 지원에 어떤 역할을 할 수 있는가?

주요 결과

• Customer2Vec은 목표 속성(예: 신용 리스크)을 반영한 조밀하고 해석 가능한 고객 벡터를 성공적으로 생성하여 목표 기반 세분화를 가능하게 했다.
• 분석가가 특정 속성(예: 불이행 위험)을 정의하고 집중할 수 있도록 함으로써, 일반적인 행동 그룹에 의존하는 것보다 세분화 품질을 향상시켰다.
• 벡터 유사도를 통해 유사한 리스크 프로파일을 가진 고객을 식별할 수 있었으며, 이는 사전적 리스크 관리 및 정책 적용을 지원했다.
• 특징 공학과 신경 임베딩의 통합을 통해, 일부 특징이 누락되거나 불완전한 경우에도 이질적인 데이터의 효과적인 활용이 가능했다.
• 온라인 학습을 통해 동적 적응이 가능하여, 모델이 특징 가중치를 업데이트하고 시간이 지남에 따라 새로운 리스크 패턴을 탐지할 수 있었다.
• 향후 확장 기능으로 동적 대시보드 및 그래프 모델링이 실시간 모니터링과 다중 속성 기반 세분화에 유망한 성과를 보였다.