.gif&blockId=11b00c82-b138-8050-a58b-dcbceda2ef8f)
Github : 
SKN03-3rd-2Team
SKN03-3rd-2Team개발 인원 : 5명
기여도 : 35% (PM)
프로젝트 목적 : Telco 가입 고객 이탈 예측
개요
기존 서비스 가입 고객 데이터를 분석하여 이탈 위험이 높은 고객을 예측하고, 고객의 이탈을 방지할 수 있는 맞춤형 전략 제안 솔루션
주요 담당 역할
•
데이터 아키텍처 설계
•
MySQL 데이터베이스 설계 및 구축
•
Plotly를 사용한 데이터 분석
•
Scikit-learn을 사용한 가입고객 이탈 예측 모델 개발
•
Git/Github Issue, Project를 이용한 프로젝트 관리
기술 스택 (I used)
•
언어 : Python
•
프레임워크 : Django
•
데이터베이스 : MySQL
•
ETC Devops : Git/Github
구조
실험
문제 & 목표
•
문제 : 현재 이탈율은 전체 대비 약 30% 정도로 적지 않은 이탈율을 보이고 있다.
•
목표 : 예측 모델을 통해 미래 고객에게 기존과 다른 정책을 시행하여 이탈율을 감소시킨다.
가설
1.
온라인 보안 서비스 • 기술 지원 서비스에 관련한 서비스 개편 시 고객 이탈율이 줄어들 것이다.
2.
특정 가입 기간 고객 그룹에 추가 혜택 제공 시 고객 이탈율이 줄어들 것이다.
3.
결제 방식 전환 시 고객 이탈율이 줄어들 것이다.
실험 설계
1.
온라인 보안 서비스 • 기술 지원 서비스
a.
Fiber optic 인터넷 서비스를 사용하는 고객에게 할인 제공
b.
온라인 보안 서비스 미사용 고객에게 보안 서비스 제공
c.
기술 지원 미사용 고객에게 기술 지원 제공
2.
특정 가입 기간 고객 그룹
a.
월 단위 계약 고객 중 일부를 선택하여 1년 계약으로 전환
b.
가입 기간이 24개월 이상인 고객에게 할인 제공
c.
가입 기간이 6개월 이하인 신규 고객에게 할인 제공
d.
가입 기간 12개월 이하, 월 요금이 중앙값보다 높은 고객에게 할인 제공
3.
결제 방식 전환
a.
전자 수표를 사용하는 고객 일부를 신용카드/자동이체로 전환시키기
실험 및 검증
1.
온라인 보안 서비스 • 기술 지원 서비스에 관련한 실험 검증 결과
•
Fiber optic 사용자에게 할인 혜택 제공 시 각 할인율(5%~20%)에 따라 이탈율(약 1%~3%)감소
•
온라인 보안 서비스 및 기술 지원 미사용 고객 일부(5%~15%)에 서비스 제공 시 이탈율(약 2%내외)감소
2.
특정 가입 기간 고객 그룹에 관련한 실험 검증 결과
•
월 단위 계약 고객 중 일부(5%~15%)를 선택하여 1년 계약으로 전환 시 이탈율(약 1% 내외)감소
•
장기고객(24개월 이상)에 대한 할인 혜택 제공 시 각 할인율(5%~20%)에 따라 이탈율(약 1%~3%)감소
•
신규 고객(6개월 이하)에 대한 할인 혜택 제공 시 각 할인율(5%~20%)에 따라 이탈율(약 2%~5%)감소
•
가입 기간(12개월 이하) + 월 납부액이 높은 고객에 대한 할인 혜택 제공 시 각 할인율(5%~20%)에 따라 이탈율(약 2%~4%)감소
3.
결제 방식 전환에 관련한 실험
a.
전자 수표를 사용하는 고객 일부(5%~15%)를 신용카드/자동이체로 전환 시 이탈율(약 2% 내외)감소
활용방안 및 기대 효과
•
이탈율 감소 활용 방안
◦
서비스를 체험해 볼 수 있도록 사전 체험권 제공 시
◦
특정 가입 기간 고객 그룹에게 할인 혜택 제공 시
◦
결제 방식 전환을 고객에게 고려하여 전환 시
•
위 사항에 따른 CAC 및 CRC를 추가적으로 검토하여 회사 마케팅 정책 방향을 설정할 수 있을 것이다.
정량적 성과
•
PolynomialFeatures를 도입한 후 독자적인 Feature Selection 과정을 추가하여 F1 Score 기준 기존 Score 대비 0.07 향상.
•
ROC curve
•
교차검증 혼동 행렬 ( F1 Score for CatBoost: 0.6391 ± 0.0231 )
정성적 성과
•
고객 이탈 데이터 분석 경험
•
머신러닝 모델 구축 및 모듈화
피드백
•
같은 지표에 대한 계산 방식이 달라 서로 다른 해석을 하고 있는지에 대한 검토 필요
•
데이터 전처리 파이프라인을 모델링과 구분해서 모듈을 분리할 것인지, 공통으로 묶어서 서비스로 배포해야하는 지에 대한 검토 필요
•
다른 연도의 데이터를 더 가져와서 모델의 성능 개선이 가능하든 것을 확인함.
→ 모델 학습 데이터셋에 추가하여 예측 분석의 신뢰도를 더 높힐 수 있음.
