- 고객은 명확한 의사 표현 없이 조용히 떠나는 경우가 많아 사전에 징후를 포착하는 것이 핵심
- 단순히 "누가 떠났는가"가 아닌 "누가 곧 떠날 가능성이 있는가"를 미리 예측하는 분석
- 이탈 예상 고객에게 선제적으로 혜택 제안/콘텐츠 노출/커뮤니케이션 시도 가능
- 프로세스는 이탈 정의 및 분류 → 데이터 준비 → 머신러닝 모델 학습 → 이탈 예측 및 대응 순으로 이어짐
이탈 정의 및 분류 : 서비스 특성에 맞게 이탈 기준을 먼저 설정. 쇼핑몰이면 “30일간 구매 없음”, 교육 플랫폼이면 “2주 이상 수강 없음” 등. 이탈(1)/유지(0)의 이진 분류 문제로 정의
행동 기반 이탈 징후 : 고객이 이탈하기 전에 보이는 공통적인 행동 변화 패턴을 감지. 접속 주기가 하루 → 이틀 → 사흘 간격으로 벌어지거나, 마케팅 알림 클릭이 줄거나, 즐겨 보던 카테고리 접근이 감소하는 것이 대표적인 징후. 이탈 예측 모델이 "누가 이탈할까"를 알려준다면 행동 패턴 분석은 "왜/언제 이탈 징후가 나타났는가"를 알려주는 역할
머신러닝 모델 : 고객별 행동 특성(최근 14일 접속 횟수, 마지막 로그인 이후 경과일, 구매 횟수, 알림 클릭 여부 등)을 입력 데이터로 활용. Logistic Regression은 구조가 단순하고 확률값으로 결과를 출력해 해석이 쉬움. Random Forest/Gradient Boosting은 복잡한 행동 패턴 포착에 강점. scikit-learn으로 구현
이탈 예측 및 대응 : 모델이 고객별 이탈 확률을 수치로 산출(예: 고객 C는 84% 이탈 가능성). 이 결과를 마케팅 자동화 도구/CRM 시스템과 연동해 이탈 위험 고객에게 할인 쿠폰 발송, 알림 강화, 콜센터 우선 연락 등 맞춤형 리텐션 전략을 자동 실행