[논문 리뷰] Modelling customer lifetime-value in the retail banking industry

Greig Cowan, Salvatore Mercuri외 1명|arXiv (Cornell University)|2023. 04. 06.

Customer churn and segmentation인용 수 6

한 줄 요약

이 논문은 마르코프 기반 시뮬레이션과 해석 가능한 기계학습을 융합한 하이브리드 고객 생애가치(CLV) 모델링 프레임워크를 제안한다. 이는 소매은행에서 장기적인 고객 가치와 제품 보유 유혹도를 예측하는 데 목적이 있다. 모델은 기준 기준선 대비 1년 후 검증에서 중앙값 절대오차가 43% 향상되었으며, 예측된 투자 유혹도가 상위 10%인 고객들은 무작위 표본보다 투자할 가능성이 3.2배 높다는 것을 입증하였다.

ABSTRACT

Understanding customer lifetime value is key to nurturing long-term customer relationships, however, estimating it is far from straightforward. In the retail banking industry, commonly used approaches rely on simple heuristics and do not take advantage of the high predictive ability of modern machine learning techniques. We present a general framework for modelling customer lifetime value which may be applied to industries with long-lasting contractual and product-centric customer relationships, of which retail banking is an example. This framework is novel in facilitating CLV predictions over arbitrary time horizons and product-based propensity models. We also detail an implementation of this model which is currently in production at a large UK lender. In testing, we estimate an 43% improvement in out-of-time CLV prediction error relative to a popular baseline approach. Propensity models derived from our CLV model have been used to support customer contact marketing campaigns. In testing, we saw that the top 10% of customers ranked by their propensity to take up investment products were 3.2 times more likely to take up an investment product in the next year than a customer chosen at random.

연구 동기 및 목표

• 소매은행의 장기 계약 관계에 적용 가능한 확장성 있고 해석 가능한 CLV 모델링 프레임워크를 개발하기 위해.
• 고객의 제품 보유 현황과 전환 상태를 고려한 다년간 시뮬레이터를 활용해 전통적인 CLV 모델을 1년 이상의 수평선으로 확장하기 위해.
• 특정 제품(예: 투자, 모기지)에 대한 고정밀도 유혹도 모델을 유도하여 타겟 마케팅 캠페인을 지원하기 위해.
• 예측 성능와 모델의 해석 가능성 간 균형을 유지하여 마케팅 및 고객관계관리에 실질적인 통찰을 제공하기 위해.
• 모델을 시간 내 및 시간 외 테스트 세트에서 검증하여 데이터 기록 한계를 초월한 강건성과 일반화 능력을 입증하기 위해.

제안 방법

• CLV는 시간에 따라 제품 수준의 가치의 합으로 정의되며, 제품 가치는 수익에서 비용을 뺀 값(식 1)이고, 총 고객 가치는 모든 제품에 대한 합(식 2)이다.
• 일차 마르코프 과정을 사용해 고객의 제품 상태 간 전환을 모델링하며, 전환 확률은 역사를 기반으로 추정된다.
• 다년간 시뮬레이터를 통해 관측된 데이터 기록을 초월한 예측을 가능하게 하여 장기적 CLV 예측 및 전략적 의사결정 지원을 가능하게 한다.
• 해석 가능한 기계학습 모델(예: 강제 분할이 적용된 트리 기반 모델)을 사용해 고객 수준의 CLV와 특정 제품에 대한 보유 유혹도를 예측하며, 블랙박스 행동을 최소화한다.
• 유혹도 모델은 CLV 예측에서 파생되며, 타겟팅 효율성을 측정하기 위해 리프트 곡선을 사용해 검증된다.
• 모델은 영국 소매은행의 고객 데이터를 기반으로 훈련 및 검증되었으며, 성능 평가에는 시간 외 테스트 세트에서 중앙값 절대오차와 리프트 지표가 사용되었다.

실험 결과

연구 질문

• RQ1 마르코프 시뮬레이션과 해석 가능한 기계학습을 융합한 하이브리드 CLV 모델이 소매은행에서 장기적 가치 예측을 향상시킬 수 있는가?
• RQ2 특히 시간 외 설정에서 기존 기준선 대비 모델의 예측 성능는 어떻게 비교되는가?
• RQ3 이 모델이 특정 제품(예: 투자, 모기지)에 대해 높은 유혹도를 가진 고객을 얼마나 정확히 식별할 수 있는가?
• RQ4 특히 2년 수평선 이상의 예측에서 모델은 데이터 기록을 초월해 얼마나 잘 일반화되는가?
• RQ5 모델은 측정 가능한 타겟팅 효율 향상으로 이어지는 타겟 마케팅 캠페인을 지원할 수 있는가?

주요 결과

• 모델은 문헌 기준선 대비 1년 후 시간 외 중앙값 절대오차에서 43% 향상되어 뛰어난 예측 정확도를 입증하였다.
• 예측된 투자 유혹도가 상위 10%인 고객들은 무작위 표본보다 다음 12개월 내 투자 제품을 보유할 가능성이 3.2배 높았다.
• 예측된 투자 유혹도가 상위 20%인 고객들은 2.4배 더 높았으며, 상위 40%인 고객들은 1.8배 더 높아, 강력한 타겟팅 효율성을 확인하였다.
• 다년간 시뮬레이터를 활용해 모델이 두 해의 데이터 기록을 초월한 예측을 성공적으로 수행하여 전략적 장기 계획 수립을 가능하게 하였다.
• 세그멘테이션 모델에서 강제 분할을 적용함으로써 모델의 해석 가능성 향상과 마케팅 캠페인 목표와의 일치가 달성되었다.
• 이 프레임워크는 장기 계약 고객 관계와 다수의 수익 창출 제품을 보유한 다른 산업 분야로도 일반화 가능하다.