DEVOCEAN

1. 서론

통신 업계에서 고객 유지와 매출 증대를 위한 효과적인 요금제 관리가 중요한 화두로 떠오르고 있습니다.

이에 저희 팀은 요금제 다운그레이드 방어와 업셀(Upsell)을 위한 하이브리드 ML 모델을 개발했습니다.

이 모델은 두 가지 주요 단계로 구성됩니다:

1. 요금제 변경 등급 예측

2. 최적의 변경 가망 요금제 추천

이러한 접근 방식을 통해 개인화된 마케팅 전략을 수립하고 실행할 수 있습니다.

2. 요금제 변경 등급 예측 모델

2.1 목적

고객의 요금제 변경 패턴을 예측하여 다운그레이드를 방어하고 업셀 기회를 포착합니다.

2.2 방법론

• 다중 분류(Multiclassification) 방식 사용

• XGBoost 라이브러리 활용

2.3 요금제 변경 등급 정의

요금제 변경 등급은 -3부터 +3까지 7단계로 분류됩니다:

if ((변경 후 요금제 가격 - 변경 전 요금제 가격) > 0):
    min(ceil((변경 후 요금제 가격 - 변경 전 요금제 가격) / 10000), 3)
else:
    max(floor((변경 후 요금제 가격 - 변경 전 요금제 가격) / 10000), -3)

2.4 성능

요금제 변경 등급 예측 모델 성능

등급  Precision  Recall    F1-Score
-3    88.22%     82.79%    85.42%    ████████████████████
-2    36.93%     3.72%     6.75%     ████████
-1    30.56%     0.55%     1.09%     ███████
 0    97.84%     98.66%    98.25%    ██████████████████████
+1    44.86%     17.60%    25.28%    ██████████
+2    41.56%     9.05%     14.86%    █████████
+3    31.32%     46.37%    37.39%    ███████

(막대 그래프는 Precision을 기준으로 표현)

주목할 만한 점:

• 0등급(변경 없음)에 대해 매우 높은 정확도(97.84%)를 보입니다.

• -3등급(큰 폭의 다운그레이드)에 대해서도 상당히 높은 정확도(88.22%)를 나타냅니다.

• 상향 등급(+1, +2, +3)에 대해서는 개선의 여지가 있습니다.

3. 변경 가망 요금제 예측 모델

3.1 목적

고객이 변경할 가능성이 높은 요금제를 예측하여 효과적인 마케팅 전략을 수립합니다.

3.2 방법론

1. Learning To Rank (LTR) 방식

   • 개념: 항목들의 최적 순서를 학습하는 기계학습 기법

   • 주요 접근법:

     • Pointwise: 각 항목의 관련성 점수를 개별적으로 예측

     • Pairwise: 두 항목 간의 상대적 순서를 학습

     • Listwise: 전체 목록의 순열을 직접 최적화

   • 손실 함수: 순위 불일치(rank discordance) 최소화

   • 평가 지표: NDCG(Normalized Discounted Cumulative Gain), MAP(Mean Average Precision) 등

   • 장점: 항목 간 상대적 중요도를 고려한 정확한 순위 예측

2. XGBoost 라이브러리 활용

3. Constrained Optimization 접근법

   • 목표: ARPU(Average Revenue Per User) 최대화

   • 제약 조건: 사용자 만족도를 특정 임계값 이상으로 유지

   • 주요 특징 및 이점:

     • 균형 잡힌 전략: ARPU 증대와 고객 만족도 사이의 최적 균형점 도출

     • 지속 가능한 성장: 단기적 ARPU 증대와 장기적 고객 유지 동시 고려

     • 데이터 기반 의사결정: 고객 만족도에 대한 정량적 지표 도입

     • 유연한 전략 조정: 시장 상황에 따른 ARPU와 고객 만족도 간 가중치 조정 가능

3.3 요금제 랭킹 정의

• 1등: 실제로 변경한 요금제

• 2등 이후: 변경한 요금제와의 가격 차이를 기준으로 오름차순 정렬 (캠페인 기획자의 의도에 따라 랭킹 선호도 설정 가능)

3.4 성능

변경 가망 요금제 예측 모델 성능

랭킹  Precision@K  요금가격차이
1     51.95%       10,639       ██████████
2     58.14%       15,900       ███████████
3     63.97%       17,918       ████████████
4     66.80%       18,872       █████████████
5     69.04%       19,498       █████████████

(막대 그래프는 Precision@K를 기준으로 표현)

주목할 만한 점:

• Top-1 예측의 정확도가 51.95%로, 절반 이상의 경우에 정확한 요금제를 예측합니다.

• 랭킹이 높아질수록 정확도가 지속적으로 증가하여, Top-5에서는 69.04%의 높은 정확도를 보입니다.

• 요금가격차이도 함께 증가하는 추세를 나타내어, 상위 순위 예측 요금제들 간 가격 차이가 작아짐을 보입니다.

4. 모델 공통 사항

1. 사용 특성(Feature): 고객 프로파일, 가입 요금제 정보, 단말기 정보, 사용 패턴 등

2. 데이터 분포 특징: 0등급(변경 없음)이 대다수를 차지하는 불균형 데이터

   • 해결책: Undersampling 기법 적용 (최적 비율 선정을 위해 다양한 sampling ratio 테스트 진행)

3. 성능 최적화: 캠페인 특성상 Recall보다 높은 Precision 확보에 집중

4. 기술 스택: 대용량 데이터 처리를 위해 Spark ML 활용

5. 예측 결과 활용 방안

5.1 하향 예측 고객(-3, -2, -1 등급) 대상 맞춤형 마케팅

• 기변 전 요금제보다 요금제 하향이 예측되는 고객에 대해서, 월정액 차이 최소 가망 요금제로 안내 유도

• 스마트플래너와 Swing 상담화면에서 가망 요금제 추천

5.2 예측된 변경 가망 요금제 Top 5 중 마케팅 목적에 부합하는 요금제 선별 오퍼

• Upsell 오퍼링: 가망 요금제별 등급 상향 (1~3단계 상향)

• 메시지 개인화: 가족, 관심사, 제휴처 거리에 따라 고객 유형화 기반 캠페인에 활용

5.3 고객 유지(Retention)와 업셀(Upsell) 전략의 기반 데이터로 활용

• 적용 가능 예시 시나리오:

  1. 동거가족 3인 이상: 홈플러스 구독 혜택 제안

  2. 카페 이용 고객: 투썸플레이스 혜택 제안

  3. 가족 구성원 중 저가 요금 사용 시: 가족 데이터 공유 플랜 제안

6. 결론 및 향후 계획

이 하이브리드 ML 모델은 통신사의 요금제 관리와 마케팅 전략의 AIX에 큰 도움을 줄 것으로 기대됩니다.

정확한 요금제 변경 예측과 최적의 대안 제시를 통해 고객 만족도 향상과 동시에 회사의 수익 증대에 기여할 것입니다.

주요 기대 효과:

1. 요금제 다운그레이드 방어를 통한 ARPU 유지

2. 맞춤형 업셀 전략을 통한 매출 증대

3. 개인화된 마케팅으로 고객 만족도 향상

앞으로도 지속적인 모델 개선과 새로운 기법 적용을 통해 더욱 정교한 예측 시스템을 구축해 나갈 예정입니다.

특히, NDCG와 같은 고급 평가 지표를 활용하여 모델의 순위 예측 성능을 지속적으로 개선할 계획입니다.

Constrained Optimization 접근법의 도입으로 ARPU 최대화와 고객 만족도 유지 사이의 균형을 더욱 효과적으로 달성할 수 있을 것으로 기대됩니다.

이러한 노력을 통해 빠르게 변화하는 통신 시장에서 경쟁력을 유지하고, 고객과 회사 모두에게 이익이 되는 Win-Win 전략을 실현할 수 있을 것입니다.

앞으로도 지속적인 연구와 개선을 통해 더욱 효과적이고 지속 가능한 마케팅 전략을 개발해 나갈 것입니다.