- 이탈 예측 다음 질문은 “그래서 무엇을 해야 하는가”. 어떤 유지 전략이 실제로 효과가 있었는지를 데이터로 검증
- 단순히 이탈 고객을 막는 행동이 아니라 어떤 고객에게 어떤 전략이 효과적인지를 사전에 판단하는 것이 핵심
- 대표적인 분석 기법은 성향 점수 매칭(PSM)과 업리프트 모델링 두 가지
성향 점수 매칭(PSM) : 전략을 받은 고객과 받지 않은 고객 중 특성이 비슷한 쌍을 찾아 결과를 비교. A/B 테스트 없이도 전략 효과를 추정할 수 있어 구현이 간단. Python의 causalml/psmpy로 구현. 다만 조건이 많아질수록 비슷한 쌍을 찾기 어려워지고, 개별 고객 수준 예측보다는 전체 평균 효과 추정에 적합
업리프트 모델링 : 개입이 있을 때와 없을 때의 결과 차이(업리프트)를 고객 단위로 추정. 이탈 예측이 "누가 떠날까"를 알려준다면, 업리프트 모델은 "전략이 효과를 낼 수 있는 고객은 누구인가"에 초점. 한정된 마케팅 자원을 효과적인 고객에게 집중할 수 있게 해줌. Python의 scikit-uplift/econml/causalml로 구현
업리프트 모델 유형은 다음 네 가지:
- 쌍둥이 모델 : 개입 그룹/비개입 그룹을 나눠 각각 모델을 학습하고 예측값 차이를 계산. 구현이 간단하지만 두 모델의 일관성이 떨어질 수 있음
- 트리 기반 분리 모델 : 비슷한 특성의 고객끼리 묶어 세그먼트별 개입 효과를 직접 비교. 세그먼트별 해석이 쉬워 인사이트 도출에 유리
- T-learner : 두 그룹에 서로 다른 머신러닝 모델을 유연하게 적용. 개입 여부가 균형 있을 때 성능이 좋음
- X-learner : 데이터가 불균형한 상황(개입 받은 고객이 적을 때)에서도 안정적으로 업리프트를 예측. T-learner의 단점을 보완