이런 점에서 가장 기본적인 것은 고객의 구매행동에 대한 예측모델이라고 할 수 있다. 고객이 언제 구매하는지, 얼마나 구매하는지, 마케팅 활동에 대한 반응률을 정량적으로 평가하는 모델입니다. 이러한 상황에서 고객 정보의 가치는 특히 회사에 축적되어 있는 만큼 실증적으로 평가되어야 합니다.
많은 실무자와 연구자는 고객 반응 확률을 예측하는 데 관심이 있습니다. 예를 들어, 영업사원이 직장을 그만둘 확률은 처음 2년 동안 증가했다가 이후 감소합니다. 한 회사에서 향후 고객 구매 패턴을 예측하기 위해 일대일 마케팅을 실시하려고 합니다.
인구통계 ID 기부자 ID(가구) 고객 ID. 인구통계 데이터(Demo) 개별 고객에 대한 인구통계 데이터입니다.
실증분석 결과
판별분석을 수행한 후 검증그룹의 구매내역 정보를 모두 포함시키면 측정그룹과 관찰그룹 간의 오분류와 올바른 분류상태를 <표 6>과 같은 분류행렬로 표현한다. 이때 관심변수는 언제 다시 구매가 일어날 것인가이다. 이 경우 위험 함수는 i번째 고객이 시간 t에 나갈 순간의 확률을 나타냅니다.
즉, 구매 위험은 시간이 지남에 따라 증가했다가 감소하는 것으로 볼 수 있습니다. 한편, 측정 세트에서 추출된 모델을 검증 세트에 적용하여 구매구간을 예측하였고, 예측값과 실제 구매구간과의 차이를 다음과 같이 표현되는 RMSE(Root Mean Square Error)로 측정하였다. 구매 간격을 예측하기 위해 Helsen과 Schmitlein(1993)이 제안한 대로 몇 가지 고려 사항이 사용됩니다.
하락하는 시점을 매수 시점으로 간주하고, 당시의 t값을 매수구간 예측값으로 사용하였다. 이러한 과정을 통해 t0~10 시점의 구매내역 데이터를 포함하는 모델의 회귀계수는 다음과 같이 도출되었다. 또한 정보가 없는 상황(베이스)에서 전체 인구의 평균 구매가격과의 차이로 계산된 RMSE 값보다 측정군과 검증군 모두에서 RMSE 값이 더 높은 예측력을 보이는 것을 알 수 있다.
세 모델 모두 구매내역 정보가 추가될수록 예측력이 증가하는(또는 오분류율/RMSE 값이 감소하는) 것을 확인하였다. 한편, 구매이력 데이터가 증가할수록 측정군의 예측력은 점차 높아지는 것으로 나타났다. 이를 통해 구매내역 정보를 1단위 추가하면 예측력은 높아지나 한계예측력은 점차 감소한다는 결론을 내릴 수 있다.
구매현황(오분류율) 구매시간(RMSE) 구매금액(RMSE). 구매 이력 데이터를 자산으로 소중히 여깁니다. 검증그룹을 이용하여 구매금액 예측모델을 측정할 때, 예측력이 1단위 증가하면 구매금액도 비례하게 된다.
요약 및 결론
신용카드업계의 경우 초기에는 고객정보를 획득하는데 많은 비용이 소요되지만, 일정 수준의 기반이 구축되면 자연스럽게 고객의 거래정보가 기업 내부에 축적되고, 고객정보를 획득하기 위한 추가적인 비용이 발생하게 됩니다. 감소 추세. 이러한 경우를 가정하고 위의 방법으로 수익을 계산해 보면 [그림 7]과 같이 데이터 개수에 비례하여 수익이 늘어나게 되므로, 거래 데이터를 많이 사용할수록 수익도 높아지게 된다. 전반적으로 예측력이 증가하는 것으로 나타났습니다.
그러나 증가율이 눈에 띄게 나타나 구매내역 데이터의 단위값이 점차 감소하고 있는 것으로 확인됐다. 이를 실제로 적용해 보면, 주어진 고객정보 획득 비용에서 고객정보의 가치가 극대화되는 지점이 있다는 결론을 내릴 수 있다. 이러한 타겟팅 전략을 현장에서 구현하려고 할 때, 이는 고객 데이터의 가치 평가에 반영되어야 할 것입니다.
본 연구에서는 고객 구매이력 데이터의 가치를 평가하는 기준으로 모델의 예측력을 선택하였다. 예측력이 높을수록 모델의 적합도가 높아 구매 확률이 높은 고객을 정확하게 선별하고 1:1 마케팅을 진행함으로써 기업의 현금흐름이 증가할 것이라고 가정했기 때문이다. 그러나 업계 특성이나 고객 이질성을 반영하지 못하고, 예측력이 모델 평가의 유일하고 절대적인 기준이 될 수 없다는 한계가 있습니다.
또한, 데이터 추가 이후 전체 모형의 개선 정도에 초점을 맞춰 독립변수 간의 자기상관 현상을 통제하지 못했다는 한계가 있다. 또한, 본 연구는 다양한 구매 예측 모델이 아닌 특정 모델에 국한되어 연구되었기 때문에 결과를 일반화하기 어려울 수 있으며, 모델 과적합으로 인한 가장 낮은 예측 역률을 확인하지 못하는 한계가 있다. 향후에는 산업 특성을 반영한 데이터의 가치 측정을 위한 새로운 기준을 마련하고, 실제 비즈니스 데이터를 기반으로 한 보다 정교한 모델로서 고객 데이터의 가치를 평가하기 위한 연구가 필요할 것이다.
인공신경망과 로짓모형을 이용한 내구재 구매의도 예측에 관한 비교연구.”마케팅연구.
