머신러닝을 활용한 이커머스 환경의 고객 행동 기반 분류 연구

국문 초록 (Abstract)

풍부한 데이터가 존재하는 시대에 빅데이터와 인공지능의 머신러닝을 활용하여 고객들을 행동들을 분석하고 고객에 맞춤형 서비스를 제공하기 위해 기업과 기관에서는 고객 데이터를 수집하고 분석 및 학습하여 고객에게 최적의 서비스를 제공하기 위해 많은 노력들을 하고 있다.
최근 CDP(Customer Data Platform)의 등장으로 고객의 행동 데이터를 지속적으로 저장하고 고객의 단일 프로필 생성, 분석, 추적, 관리 등의 목적으로 다양한 관점에서 분석할 수 있는 소프트웨어 플랫폼으로 발전해 왔다. 특히 이커머스 시장이 전세계적으로 증가함에 따라 이커머스 환경의 고객의 분석 및 분류에 관한 선행 연구들이 진행되어 왔다. 고객의 분류를 하기 위한 RFM 모델은 여러 산업분야에 적용되어 간단한 방법으로 최근성, 구매 빈도, 구매 총 금액 속성을 기준으로 고객을 간단하게 분류를 할 수 있는 모델이지만 이커머스 환경의 고객은 24시간 언제든지 접속할 수 있으며 고객의 여러 행동들의 데이터 수집 및 저장하고 반영한 고객의 행동 기반 분류에는 한계점이 존재한다.
본 논문은 이러한 문제를 해결하기 위해 이커머스 환경에 적합한 고객의 데이터, 세션, 행동 단위의 데이터를 모델링하고 고객을 분류하는 MLCB2SC(Machine Learning based Customer Behavior Segmentation System in e-Commerce)를 제안한다. 이커머스 환경에 적합한 고객 행동 기반 세분화 분류의 RFMVDA & VDAR 모델을 제안하고 DNN를 구성하여 제안한 모델로 고객의 행동 기반 분류 및 예측하였다. 이커머스 환경에서 구매한 고객의 세분화 예측 정확도는 92.98%, 구매하지 않는 고객의 세분화는 87.33%의 예측 정확도를 보였다.

다국어 초록 (Multilingual Abstract)

To analyze customers' behaviors and provide customized services to customers using machine learning of big data and artificial intelligence, companies and institutions are making great efforts to collect, analyze, and learn customer data to provide optimal services to customers.
With the recent advent of CDP (Customer Data Platform), it has evolved into a software platform that continuously stores customer behavioral data and analyzes it from various perspectives for the purpose of creating, analyzing, tracking, and managing a single customer profile. As the e-commerce market has increased worldwide, prior studies have been conducted on the analysis and classification of customers in the e-commerce environment. The RFM model for customer classification is a model that can be applied to various industries to simply classify customers based on recency, purchase frequency, and total purchase amount attributes in a simple way, but customers in the e-commerce environment are It can be accessed at any time, and there is a limit to the behavior-based classification of customers that collects, stores, and reflects data on various customer behaviors.
To solve this problem, this paper proposes MLCB2SC (Machine Learning based Customer Behavior Segmentation System in e-Commerce) that models customer data, session, and behavioral unit data suitable for e-commerce environment and classifies customers. RFMVDA & VDAR models for classification based on customer behavior suitable for the e-commerce environment were proposed, and a DNN was constructed to classify and predict customer behavior based on the proposed model. In the e-commerce environment, the segmentation prediction accuracy of purchasing customers was 92.98%, and the segmentation of non-purchasing customers was 87.33%.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목표 9
• 1.3 논문 구성 12
• 제 2 장 관련 연구 14
• 2.1 CRM (Customer Relationship Management) 14
• 2.2 CLV (Customer Lifetime Value) 고객 생애 가치 15
• 2.2.1 CLV 모델링 16
• 2.2.2 CLV 계산 방법 17
• 2.3 고객 세분화(Customer Segmentation) 20
• 2.4 고객 세분화 RFM 모델 20
• 2.5 고객 분류 클러스터링(Clustering) 24
• 2.5.1 K-means 알고리즘 24
• 2.6 고객 세분화 모델의 선행 연구와 한계점 27
• 2.6.1 구매한 고객의 데이터 RFM & LRFM 모델링 27
• 2.6.2 구매 거래 데이터 기반 고객 분류 및 클러스터링의 한계점 30
• 2.6.3 이커머스 시장 증가와 이커머스 환경의 고객 분류의 필요성 35
• 2.7 이커머스 환경의 머신러닝 활용 연구 40
• 2.7.1 LSTM을 활용한 고객 구매 예측 40
• 2.7.2 머신러닝을 활용한 이커머스 환경의 고객 행동 기반 재구매 예측 42
• 2.7.3 딥러닝을 활용한 디지털 마케팅의 효율적 고객 세분화 43
• 제 3 장 MLCB2SC: Machine Learning-based Customer Behavior Segmentation System in e-Commerce 48
• 3.1 MLCB2SC 구조 설계 50
• 3.2 고객 정보, 세션, 행동 단위 데이터 모델링 52
• 3.2.1 고객 정보 데이터 모델링 55
• 3.2.2 고객 세션 데이터 모델링 58
• 3.2.3 고객 행동 단위 데이터 모델링 60
• 3.3 RMFVDA & VDAR 고객 세분화 모델 61
• 3.3.1 RMFVDA Segmentation Model(구매 한 고객 분류) 61
• 3.3.2 VDAR Segmentation Model(구매하지 않은 고객 분류) 64
• 3.3.3 RMFVDA & VADR User Data Model Normalization 66
• 3.4 딥러닝(Deep learning)을 활용한 고객 세분화 67
• 3.4.1 DNN 입력 계층의 매개변수 74
• 제4 장 성능 평가 77
• 4.1 데이터셋 78
• 4.2 LRFM 모델 적용 82
• 4.3 RFMVDA & VDAR 모델 적용 91
• 4.3.1 RFMVDA 모델 적용 91
• 4.3.2 LRFM & RFMVAR 모델 고객 분류 비교 103
• 4.3.3 VDAR 모델 적용 108
• 4.4 뉴럴 네트워크를 활용한 고객 분류 예측 118
• 4.4.1 구매한 고객 RFMVDA 모델 분류 및 예측 121
• 4.4.2 구매하지 않는 고객 VDAR 모델 분류 및 예측 127
• 제 5 장 결론 및 향후 연구 방향 133
• 참고문헌 135
• 국문초록 145
• ABSTRACT 147