D.M.숑스토리

앞선 포스팅에서 프로모션 사례를 통해 결정 분석적 사고에 대해 알아보았습니다.

2017/07/09 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.13 결정 분석적 사고_분석공학(자선 단체 후원할 가능성이 높은 후원자 타겟팅)

이번 포스팅에서는 고객 이탈 관리에 대한 결정 분석적 사고를 알아보도록 하겠습니다.

사례) 고객 이탈관리(이동 통신사의 고객이탈)

1. 프로모션을 제안할 적절한 고객들을 타겟팅

case1) 계약 만료 시기가 다가와 이탈할 확률이 높은 고객들

case2) 이탈할 경우 통신사에 미치는 영향이 큰 고객들

CH13에서 알아봤던 방식으로 기대 수익을 알아보면,

타겟팅 기대 수익

여기서, 이탈할 경우 발생하는 가치가 0이라고 가정하면 기대수익 이므로 남을 확률이 높은 고객을 타겟팅 하는 것이 가장 효과적입니다. 하지만 이 경우에는 앞선 사례와 다르게 타겟팅 하지 않았을 때 발생할 수 있는 수익도 반영하여 계산해야합니다. 비즈니스 문제가 가지는 특성에 따라 변수가 달라지기 때문입니다.

수정된 타겟팅 기대 수익

따라서 값이 가장 큰 고객이 수익이 가장 많이 발생할 고객이라 기대하고 프로모션을 진행하면 됩니다.

기대값 프레임워크를 통한 방식은 복잡하지만 목적에 집중하면서 우리의 사고를 구조화해 체계적으로 생각하고 정교한 분석결과를 만들어 낼 수 있습니다.

데이터 분석에서 고려해야 할 사항

데이터 분석에 필요한 표본을 얻기 위해서는 각종 변수를 고려해야만 합니다.

- 환경적 변화

비즈니스 요구는 시간과 장소 구분없이 긴급하게 발생합니다.

- 가정의 축소 및 간단화 필요

- 데이터를 자산으로 인식하는 자세 필요

- 데이터 확보를 위한 투자 필요

2017/07/09 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.13 결정 분석적 사고_분석공학(자선 단체 후원할 가능성이 높은 후원자 타겟팅)

2017/07/03 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.12 텍스트 표현 및 마이닝(엔트로피와 n-그램)

2017/07/02 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.11 텍스트 표현 및 마이닝(IDF와 TFIDF)

2017/06/18 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.10 증거와 확률(베이즈규칙)

2017/06/17 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.9 좋은 모델은 무엇인가?(비용과 효과)

2017/06/12 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.8 좋은 모델은 무엇인가?(기댓값)

2017/06/10 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.7 좋은 모델은 무엇인가?(분류자평가)

2017/06/07 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.6 유사도

2017/06/03 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.5 과적합화

2017/05/28 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.4 데이터에 대한 모델 적합화(수학 함수를 이용한 회귀분석과 로지스틱 회귀분석)

2017/05/27 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.3 데이터에 대한 모델 적합화(수학 함수를 통한 분류)

2017/05/24 - [Cyong's 마케팅/Data Science] - [Data Science] Ch2. 트리구조모델

2017/03/25 - [Cyong's 마케팅/Data Science] - [Data Science] Ch1. 예측모델링_정보전달하는 속성 찾아내기

기본개념 : 데이터 과학으로 비즈니스 문제를 해결하려면 분석 공학에서 시작합니다. 가용한 데이터, 도구 기법에 기반하여 분석적 해결책을 설계합니다.

응용기법 : 데이터 과학 해결책을 설계하기 위한 프레임 워크로서의 기댓값.

비즈니스 문제에서의 데이터 과학의 한계

복잡하고 다양한 변수 : 원칙에 따른 기법만으로 해결불가합니다.

제대로 표현되지 않은 데이터 : 정보나 지식 추출불가합니다.

데이터 과학만으로 비즈니스 문제를 해결하기 어렵습니다. 비즈니스 문제를 해결하기 위해서는 비즈니스에 대한 이해(분석공학)와 데이터 이해(데이터 과학)이 동반되어야 합니다.

* 데이터 과학 : 원칙에 따른 기법들을 이용해 데이터로 부터 정보나 지식을 뽑아내는 학문입니다.

아래의 사례를 통해 비즈니스 문제를 도구를 통해 하위문제로 분할하고 각 하위 문제를 유효성이 입증된 기법을 이용해 해결, 원래의 문제를 해결하기 위해 각 하위문제 해결책을 통합함으로써 도구가 어떻게 작동하는지 확인하도록 하겠습니다.

기댓값 프레임워크

데이터 분석 문제에 대한 생각을 구조화하는데 상당히 유용한 툴로 1.문제의 구조화 2.데이터에서 추출할 수 있는 분석 항목 3.다른 재원으로 부터 가져와야 할 분석 항목으로 구성되어 있습니다.

사례) 자선 단체 후원할 가능성이 높은 후원자 타겟팅

1. 우리의 목표는 기부 할 사람을 타겟팅 하는 것인가?

후원요청 편지에 응할 가능성이 높은 후원자를 타겟팅 → 응답의 형태가 다양 (기부자마다 기부 금액이 다를 수 있습니다.(A는 10만원 B는 1만원)

같은 비용을 소요한다면 기부 금액이 큰 고객을 타겟팅 하는 것이 효과적입니다.

2. 기부액을 최대화하는 것인가

편지를 보내는 비용이 1천원일 때 많은 이에게 편지를 보냈으나 대부분이 1천원씩만 기부할 경우, 실제 모금된 후원금은 거의 없는 상황이 됩니다. 결국 우리의 목표는 후원수익(비용을 공제한 순수 후원금)의 최대화일 것입니다. 즉, 모금된 전체 기부금 > 전체 편지 발송비용이 되는 것입니다.

이 경우, 기댓값 프레임워크를 사용하면 데이터 분석을 구조화 할 수 잇습니다.

타겟팅 기대 수익

하지만 위의 방법은 고객이 동일한 후원금을 납부한다는 전제가 필요하므로, 고객마다 납부한 금액을 달리 적용할 수 있도록 공식을 수정해야만 합니다.

수정된 타겟팅 기대 수익

,값은 회귀 분석 모델링을 통해서 구할 수 있습니다. 과거 이력 데이터를 분석, 대략적인 금액 확인 가능합니다. 단, 과거에 캠페인에 응했던 고객들에 대한 데이터만 활요앻야 합니다. 대부분의 고객들은 캠페인에 응하지 않으므로 기부할 금액이 0이 되는 경우가 발생할 수 있기 때문입니다. 결국 수익이 언제나 0보다 크기를 원하므로 다음과 같은 부등식을 유도할 수 있습니다.

2017/07/03 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.12 텍스트 표현 및 마이닝(엔트로피와 n-그램)

2017/07/02 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.11 텍스트 표현 및 마이닝(IDF와 TFIDF)

2017/06/18 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.10 증거와 확률(베이즈규칙)

2017/06/17 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.9 좋은 모델은 무엇인가?(비용과 효과)

2017/06/12 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.8 좋은 모델은 무엇인가?(기댓값)

2017/06/10 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.7 좋은 모델은 무엇인가?(분류자평가)

2017/06/07 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.6 유사도

2017/06/03 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.5 과적합화

2017/05/28 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.4 데이터에 대한 모델 적합화(수학 함수를 이용한 회귀분석과 로지스틱 회귀분석)

2017/05/27 - [Cyong's 마케팅/Data Science] - [Data Science] Ch.3 데이터에 대한 모델 적합화(수학 함수를 통한 분류)

2017/05/24 - [Cyong's 마케팅/Data Science] - [Data Science] Ch2. 트리구조모델

2017/03/25 - [Cyong's 마케팅/Data Science] - [Data Science] Ch1. 예측모델링_정보전달하는 속성 찾아내기

맛있는 커피원두와 그 특징을 지역별로 알아보도록 하겠습니다.

중남미 지역(Central & South America)

온두라스 산타엘레나 클레멘테 바스케츠(Honduras Santa Elena Clemente Vasquez(Micro Lot))

복숭아의 달콤한 향과 은은한 산미, 초콜릿의 단맛, 견과류의 고소함, 헤이즐럿의 여운이 남는 커피입니다.

브라질 세하도(Brazil Cerrado)

버터를 발라 볶아낸듯한 고소한 아몬드의 맛과 다크초코릿의 묵직한 질감을 오래 느낄 수 있는 커피입니다.

콜롬비아 후일라 수프리모(Colombia Huila Supremo)

구수한 곡류의 향, 쌉싸름한 아몬드의 고소함과 풍부한 입자감이 느껴지는 조화로운 맛의 커피입니다.

콜롬비아 엘 베르헬(Colombia El Vergel Micro Lot)

라임과 같은 풍부한 향과 산미, 진한 카라멜의 단맛과 초콜릿의 질감, 호두와 캐슈넛의 고소함을 느낄 수 있는 커피입니다.

과테말라 안티구아 SHB(Guatemala Antigua SHB)

장작불에 구워낸 듯한 마른 옥수수의 구수함. 입안에 퍼지는 스모키함과 상쾌함, 다크초콜릿처럼 진한 단맛이 긴 여운으로 남는 커피입니다.

코스타리카 따라주 SHB(Costa Rica Tarrazu SHB)

커피의 깊은 향 속에 잘 익은 대추의 단맛과 곡류의 구수함이 조화를 이룬 부드럽고 깔끔한 커피입니다.

멕시코 디카페인(Mexico Select Water Decaffeintion)

오렌지, 레몬 계열의 상큼함과 과일향, 아몬드와 같은 너트의 고소함이 강조되며 부드러운 바디감, 허니와 초콜릿의 후미가 여운이 남는 커피입니다.

아시아지역(Asia)

인도네시아 만델링 G-1(Indonesia Mandheling G-1)

한 여름의 짙은 풀향과 수마트라 섬을 연상시키는 흙내음, 부드럽게 감싸는 과실주의 향미, 진한 초콜릿의 여운이 남는 커피입니다.

아프리카지역(Africa)

브룬디 소개스탈 키룬도(Burundi Sogestal Kirundo GP)

보리의 구수함, 달콤한 과일의 산미, 민트향과 함께 찾아오는 새벽공기의 상쾌한 여운이 남는 커피입니다.

탄자니아 킬리만자로 AA(Tanzania Killimanjaro Moshi AA)

블랙 카카오의 쌉싸름함, 베리 계열의 과일향, 와인의 신맛과 견과류의 고소함, 캔디의 단맛이 조화를 이룬 커피입니다.

케냐 키암부 AA(Kenya Kiambu AA)

자몽 계열의 과일향, 포도주의 와일드한 신말과 다크 초콜릿의 쌉싸름함, 산미와 단맛이 조화로운 커피입니다.

에티오피아 시다모 내추럴 G3(Ethiopia Sidamo Natural G3)

향긋한 꽃 내음과 입안에 퍼지는 캔디의 묵직하고 진한 달콤함, 베리와 같은 상큼 달콤함이 너트의 고소함으로 깔끔하게 마무리되는 부드러운 질감의 커피입니다.

에티오피아 예가체프 워시드 G2(Ethiopia Yirgacheffe Washed G2)

유칼립투스와 같은 허브향, 상큼한 라임과 자몽에서 느껴지는 시트러스 맛과 향, 부드럽고 가벼운 질감이 커피라기보다는 샹그리아가 연상되는 풍성한 향을 가진 커피입니다.