머신러닝을 활용한 구매예측 모형 연구

Abstract

고객 관리는 기업이 생존하기 위한 반드시 필요한 기업 전략 중 하나이다. 고객 관리 방법은 다양하지만, 기본적인 방법 중 하나는 고객이 어떤 상품군 을 구매할 것인지 예측하고 고객이 원하는 제품을 출시하는 것이다. 구매예측 을 위해 다양한 정성적, 정량적 방법 등이 적용되어 왔으며 최근 온라인 쇼핑 이 증가하면서 온라인상 축적된 고객 로그 데이터를 활용한 머신러닝 기반의 구매예측에 관한 연구가 활발하게 이루어지고 있다. 그러나 오프라인 판매의 비중이 높은 가전의 경우 고객의 사용 행동에 대한 로그 데이터를 축적하기 어려워 머신러닝 방법을 적용하기 주저되어 왔다. 또한, 구매에는 고객의 사용 행동 데이터와 인구통계학적 데이터 외 라이프스타일 등 개인의 정성적 특성 도 중요한 영향을 미친다는 것은 기존 연구를 통해 밝혀온 만큼 적용하기 어 렵다는 문제가 종종 제기되어 왔다. 그러나 2010년 들어서 스마트 가전이 본격 출시되면서 가전에서도 스마트 센서를 통해 고객의 제품 사용 행동에 대한 로그 데이터와 스마트 가전 애플 리케이션 가입 정보를 이용한 고객 인구통계학적 데이터를 축적할 수 있게 되 었다. 코로나 전후로 스마트 가전 시장은 급성장하였고 기업에서는 빠르게 상 당수의 데이터를 축적하고 있으며 최근 이를 활용하여 고객 데이터와 AI와 결 합한 고객 맞춤형 서비스가 제안하고 있다. 이에 본 연구는 생활가전 중 필수 품인 세탁기를 대상으로 정성적 특성을 제외한 스마트 가전으로 확보할 수 있 는 데이터가 향후 구매할 세탁기 타입 예측에 얼마나 영향을 미치는지를 머신 러닝 방법을 통해 확인하고 구매예측에서 스마트 가전을 통해 축적되는 데이 터의 활용 방안에 검토하고자 한다. 본 연구에서는 스마트 가전을 통해 축적할 수 있는 Hypothetical Dataset(임 의적인 가상의 데이터셋)을 구성하고 해당 데이터만을 활용하여 향후 구매할 세탁기 4가지 타입(전자동 세탁기, 드럼 세탁기, 콤보 세탁기, 건조기 일체형 세탁기)에 대해 다양한 머신러닝 알고리즘(Logistic Regression, SVM, Decision Tree, Random Forest, XGBoost, CatBoost, DNN)을 활용하여 예측하였다.또한, 타입 예측 시, 기존 활용해 오던 다항 분류 예측 모형이 아닌 단계적 분류 예측 연구 모형(Step-by-Step classification prediction model) 개발을 통해 다항 분류의 성능을 개선하였다. 그 결과 전자동 세탁기, 드럼 세탁기와 같이 세탁기의 타입이 명확하게 구분되는 경우 스마트 가전으로 축적할 수 있는 데이터만으로도 구매예측이 가 능함을 확인할 수 있었다. 본 논문 결과를 통해 스마트 가전으로 얻어지는 고객 데이터를 적극적으로 활용하면서 이를 보완하는 데 필요한 데이터만 추가로 수집하여 결합한다면 고객 데이터를 더 효율적으로 활용할 수 있을 것으로 기대한다. 또한, 생활가 전 분야에서는 상대적으로 머신러닝을 활용한 고객 연구는 아직 미흡한 실정 인데 향후 생활 가전에서도 머신러닝이 고객 연구에 적용 가능한 방법론적 대안으로 활용 가능성이 높을 것으로 기대한다.;Among various customer management methods in the industry, one of the fundamental approaches is to have the company to launch the product line by predicting what customer desire to purchase. Predicting customer purchase trend has been facilitated through various qualitative and quantitative methods; and with recent increase in online shopping transactions, research on machine learning-based customer purchase prediction using historic data captured through customers' online activities have been conducted quite conscientiously. Yet, for home appliances, where offline sales still hold a significant share, implementing machine learning-based prediction method has been hesitant due to the difficulty of building up customer behavior data. Furthermore, it has been challenging to apply qualitative characteristics such as lifestyle, which have been shown to influence purchases, in addition to customer usage behavior data and demographic data. However, since around 2010, with the full-scale launch of smart appliances, companies can now collect customer behavior and demographic data via smart sensors and appliance registrations in software platform entered by consumer. The smart home appliance market has experienced rapid growth before and after the COVID-19 pandemic, with companies quickly accumulating a significant amount of data. Recently, they have been leveraging this data to propose personalized customer services that combine customer data with AI technology. In this regard, this study aims to investigate how the data obtained through smart appliance can influence the prediction of future washing machine purchases using machine learning. In addition, the study explores the utilization of data accumulated through smart appliances in customer purchase prediction and examine potential incorporation of AI technology in customer-specific services. In this study, a hypothetical dataset collected via smart appliance sensors has been built and fed to various machine learning algorithms (Logistic Regression, SVM, Decision Tree, Random Forest, XGBoost, CatBoost, DNN) to compare four types of washing machines (Top-loading, Front-loading, Combo, and Washer-dryer). Moreover, instead of using conventional multi-class classification prediction model, the Step-by-Step classification prediction model was employed to improve the performance of multinomial classification. The result showed the washing machines of its types can be clearly identified, such as Top-loading washer and Front-loading washer, customer purchase trend is predictable using the data collected using smart appliances alone. After a careful study and its result, this paper concludes that customer data can be used more efficiently when it is actively collected from smart appliance. Furthermore, machine learning will be highly viable methodological alternative for customer research in the future in despite of challenge in implementing machine learning-based prediction in home appliances field.