- 고객이 지금 무엇을 하려는지를 행동 데이터 기반으로 예측하는 분석
- 구매 의도, 탐색/정보 수집 의도, 이탈/유지 의도 등을 미리 파악해 맞춤형 콘텐츠/혜택을 선제적으로 제공
- "이 고객은 85% 확률로 24시간 이내에 구매할 것이다"처럼 구체적인 수치로 예측
- 프로세스는 데이터 수집 → 특성 추출 → 예측 모델 적용 → 실시간 예측 파이프라인 구축 순으로 이어짐
데이터 수집 : 클릭 패턴, 검색어, 페이지 체류 시간, 장바구니 담기 등 행동 로그를 Kafka/Kinesis 같은 스트리밍 도구로 실시간 수집
특성 추출 : 수집된 로그를 예측 모델이 쓸 수 있는 형태로 가공. 최근 행동 요약(3일간 클릭 수, 1시간 페이지 이동 수 등), 시간 기반 특성(마지막 방문 이후 경과일)을 생성. Spark Streaming/Apache Flink로 실시간 처리하거나 Python과 Redis 캐시를 조합하여 운영
예측 모델 : 인텐트를 목표값(Label)으로 설정해 분류 모델을 학습. 예측 기준 시점(t) 이후 24시간 이내 구매가 있으면 인텐트 있음(1), 없으면 없음(0)으로 라벨링. Logistic Regression(결과를 확률로 해석 가능), Random Forest(다양한 변수에 강점), Gradient Boosting/XGBoost(높은 예측 성능)를 주로 활용. scikit-learn으로 구현
실시간 예측 파이프라인 : 행동 로그 수집 → 특성 생성 → 인텐트 예측 → 맞춤 액션 실행의 4단계로 구성. 구매 인텐트가 높게 예측된 고객에게는 즉시 맞춤 쿠폰 배너 노출, 관련 상품 추천, 알림 발송 등을 자동 실행. 마케팅 자동화 시스템/A/B 테스트 도구와 연동하여 운영