데이터마이닝을 이용한 인터넷 쇼핑몰의 이탈 고객 분석 모형에 관한 연구

Abstract

최근 들어서 신규 고객의 창조 보다는 오히려 기존 고객의 유지를 중시하는 것이 마케팅의 새로운 조류로서 주목받고 있다. 일반적으로 마케팅이란 고객 창조에 중점을 두어 왔으나 기존 고객과의 관계 강화를 통한 수익 기반의 유지 및 확대를 위한 릴레이션십 마케팅(Relationship Marketing)이 대두되고 있다. 불특정 다수를 상대로한 잠재 고객의 개발에 주력해오던 기업들이 이제는 선별적인 고객을 유지하는 것이 기업의 수익에 크게 기여한다는 점을 중요하게 인식하고 있다. 기업은 효과적인 마케팅 활동을 통해 보다 나은 성과를 기대한다. 따라서 이제는 신규 고객의 창출을 위해 노력하기 보다는 기존 고객의 충성도를 높임으로써 경쟁사로의 이탈을 막는 기존 고객 대상의 전략이 더욱 주효하다. 본 논문의 목적은 현재 업계에서 데이터 베이스 마케팅 차원의 고객 세분화 기법인 RFM 분석에서 사용되는 RFM 변수를 데이터 마이닝 기법에 적용하여 기존 고객들에 대한 이탈 예측 분석 모형을 제시하려는 것이다. 시장 경쟁의 원리가 가중되는 상황에서 기업들은 자신의 기업에서 가지고 있는 고객들의 구매 현황 자료들로부터 유용한 패턴을 알아낼 필요를 느끼게 된다. 기업 운영상 필요한 부분의 정보를 구하거나 의사 결정을 하게 해주는 지식을 제공하기 위하여 데이터 마이닝 기법을 적용하는데 있어서 RFM 변수는 이해하기도 쉬울 뿐 아니라 이용하기도 용이하므로 매우 효율적이다. 본 논문에서는 이탈 고객 예측을 위한 분석 모형으로 SPSS 클레멘타인 6.5 툴을 이용하여 로지스틱 모형과 신경망 모형, C 5.0 모형의 세 가지 분석 모형을 구축하였다. 연구 결과 각 고객의 미래 구매 행동 유형을 예측할 수 있는 이탈 고객 분석 모형을 제시하였다. 또한 실험 변수가 Recency, Frequency, Monetary의 세 가지로 제한적이고 각각의 변수가 상호 독립적이지 않다는 문제점을 가지고 있기는 하지만 이탈 고객을 예측하는데 있어서 유용함을 보여주었다. 이탈 고객 분석 모형을 통하여 기업들은 고객 관리를 하는데 있어서 고객 유형별로 차별화 되고 효율적인 마케팅 전략을 펼칠 수 있을 것이다. 현재 대부분의 업계에서 데이터 베이스 마케팅 목적상 임의적이고 관습적으로 적용시키고 있는 RFM 변수를 데이터 마이닝 기법에 적용시켜서 보다 체계적이고 학문적인 접근을 시도한 것도 본 논문의 의의라고 할 수 있겠다.; Customer churn is the defection or turnover of a portion of a company s customer base. In order to solve the high cost of churn, increasingly sophisticated techniques can be employed to analyze why customers churn and which customers are most likely to churn in the future. Data mining techniques will bring powerful modeling analytics to the identification of the "Why" and "Most Likely" groups. The purpose of this study is to present a customer churn analysis model applying a method of data mining, which is a predict model of a churn probability of each customer. In this study, RFM value of the RFM analysis was used to build the customer churn analysis model. RFM (recency, frequency, monetary) analysis is a data base marketing technique used to determine quantitatively which customers are the best ones by examining how recently a customer has purchased (recency), how often they purchase (frequency), and how much the customer spends (monetary). RFM variables can easily be understood and found from a customer database that includes purchase history. The results of the research is that RFM variables help to predict which customers are more likely to churn in the future and that customer churn analysis model will help companies to identify core groups of customers and create promotional marketing strategies for each group.