경영데이터마이닝

프로젝트 : OTT 서비스 고객 이탈 예측 및 리텐션 강화

개요

국내 OTT 서비스 시장에서는 구독 서비스 피로도를 호소하는 여론이 증가하며 고객 이탈 위험이 커지고 있다. 해당 프로젝트는 고객 행동 데이터를 분석하여 이탈 패턴을 파악하고, 이를 기반으로 맞춤형 리텐션(유지) 전략을 제안하기 위해 수행되었다.

목표

• 고객 이탈 가능성을 사전에 예측하여 이탈률을 감소시킴
• 예측 결과를 바탕으로 고객 세그먼트별 리텐션 전략을 수립하여 마케팅 효율성 강화

주요 특징

• 고객 행동 분석 : 고객 이탈에 영향을 미치는 주요 요인을 분석하여 이탈 위험 특성 파악
• 머신러닝 모델 개발 : 다양한 분류 모델을 사용하여 고객 이탈을 예측하고 성능을 최적화함
• 마케팅 전략 수립 : 고객 세그먼트별 적합한 마케팅 전략을 제안하여 고객 유지와 충성도 강화

프로세스

1. 데이터 탐색 및 전처리

• 탐색적 데이터 분석과 코호트 분석을 통해 고객 이탈과 관련된 주요 패턴 및 상관관계 파악
• 결측값 처리, 이상치 제거, 데이터 정규화 등 데이터 전처리 수행

2. 모델 개발

• 로지스틱 회귀, 인공신경망, 결정나무, 앙상블 기법 등 다양한 머신러닝 모델 학습 및 성능 비교
• GridSearch을 사용하여 하이퍼파라미터 최적화

3. 세그먼트 구분

• 이용 기간에 따라 고객을 신규, 단기, 중기, 장기로 분류하고 분포 확인
• 각 유형별 고객 특성을 파악하고 그에 맞는 전략 수립

비즈니스 효과

• 이탈 위험 고객 식별 : 고객 이탈 가능성을 사전에 예측하여 이탈률 감소에 기여
• 마케팅 캠페인 최적화 : 이탈 가능성이 높은 세그먼트를 타겟으로 맞춤형 캠페인 제안
• 고객 만족도 향상 : 분석 과정에서 도출된 문제점을 해결하여 고객 경험 개선

결과

• 모델 성능 : (LightGBM) Recall 0.89, F1 점수 0.94 달성
• 주요 인사이트 : 구독 기간과 서비스 이용 시간이 이탈에 가장 큰 영향을 미치는 요인으로 확인
• 유지 전략 : 이탈 가능성이 높은 고객을 중심으로 컨텐츠 시청 캠페인, 평가 활성화, 추천 알고리즘 고도화 전략 고안

사용 기술

• Python | Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, LightGBM