One Bank가 은행의 모바일 앱으로 비용을 절감하고 고객 참여를 높이기 위해 Salford Predictive Modeler를 선택한 이유

중국의 국립 시중 은행이 모바일폰 앱 캠페인을 진행하자 다운로드 횟수가 2,400만에 달했습니다. 캠페인의 주요 KPI 중 하나는 사용자가 자신의 신용카드를 모바일 앱에 연결하도록 장려하여 사용 빈도를 높이는 것이었습니다. 하지만 신용카드를 연결한 사용자는 1,300만 명에 불과했습니다.

과제

은행은 사용자가 신용카드를 모바일 앱에 연결하도록 장려하는 캠페인을 한 번 더 진행할 계획이었습니다. 하지만 1인당 하루에 200건의 통화를 할 수 있는 텔레마케터 100명으로 구성된 팀이 신용카드를 연결하지 않은 1,300만 명의 사용자에게 모두 연락하려면 2년 가까이 걸릴 것으로 예상되었습니다.

은행은 텔레마케팅 팀을 위해 이 캠페인에 반응할 확률이 더 높은 대상 고객 집단을 찾아야 했습니다. 어떻게 하면 이 대상 집단을 짧은 시간 안에 찾을 수 있을까요?

은행은 IT 부서의 데이터 분석 매니저와 그의 팀에게 기존 데이터를 토대로 예측하는 데 유용할 수 있는 은행의 기존 기계 학습 도구를 사용하여 해결 방법을 찾아달라고 요청했습니다. 팀은 반응 확률이 높은 대상 고객 집단을 정확히 찾을 수 있는 모형을 학습시키고 평가 및 배포하려고 했습니다. 하지만 은행의 기존 소프트웨어 솔루션은 사용자 중심 솔루션이 아니었습니다. 이렇게 정확한 예측을 만들려면 모형 구축 경험이 필요했습니다. 이 프로세스에는 모형을 최적화하고 확장 가능하게 만든 경험도 필요했습니다.

SPM을 활용한 사례

중국의 Minitab 공인 파트너인 QY Datatech Inc.는 Salford Predictive Modeler(SPM)를 은행에 소개했습니다. 팀은 SPM의 두 가지 모형화 엔진인 CART®TreeNet®을 사용했는데, 이러한 엔진은 특히 다양한 변수가 있는 더 크고 매우 복잡한 데이터 집합을 처리할 때 강력한 성능을 제공했습니다. 이 사례의 경우 변수는 고객의 세부 정보와 고객이 은행 앱을 사용하는 빈도 같은 기타 데이터의 조합이었습니다.

예를 들어 CART 모형화 엔진은 범주형 데이터를 사용하여 정성적 값을 예측하는 단일 결정 분류 트리와 예/아니요 규칙 집합으로 구분할 수 있는 과거 데이터를 생성했습니다. 이 구분을 통해 반응(Y) 변수가 예측 변수(X) 설정에 따라 분할됩니다. CART 트리를 계속 성장시키자("프루닝") 팀은 이 공정에서 발생하는 과도한 변동의 추가 원인을 빨리 파악할 수 있었습니다. 팀에서 소수의 필수 예측 변수로 범위를 좁힌 후, 25세 이상이거나 연간 소득이 미화 40,000달러보다 많은 고객 등의 특정 규칙을 충족하는 고객 집단으로 결과를 제한하기 위한 통제가 이루어졌습니다. 이 규칙은 모바일 앱을 은행 계좌에 연결할 확률이 더 높은 고객의 인구통계 집단을 공략하기 위한 것이었습니다.

팀은 CART 모형이 회귀 분석과 분산 분석을 사용하여 생성된 기존 쿼리로는 발견하기 어려운 특정 규칙을 충족하는 고객 집단 같은 유용한 정보를 표시한다는 사실을 알게 되었습니다. 위 그래프에서 각 분할은 데이터가 하나의 예측 변수 값을 기준으로 두 집단으로 구분됨을 나타냅니다.

TreeNet의 부분 종속성 그림은 하나의 변수와 대상 사이의 반응을 직관적인 방법으로 설명합니다.

그런 다음, 팀은 TreeNet 모형화 엔진을 사용하여 가장 큰 영향을 미치고 변수와 결과의 관계를 설명하는 데 사용할 수 있는 변수를 빠르게 좁혔습니다. 그 결과는 고객이 앱을 은행 계좌와 연결할 확률이었고, 이 예에서 확인된 변수에는 위의 그래프에 표시된 월 소득이 포함되었습니다.

데이터 분석 매니저는 TreeNet의 게인 차트를 사용하여 모형을 평가했습니다. TreeNet은 학습 데이터를 세그먼트 몇 개로 잘라(배깅) 게인/리프트 통계를 표시합니다. 사용자는 학습/검정이나 풀링 및 배깅된 데이터를 ROC(Receiver Operating Characteristic) 같은 여러 다른 측정치를 사용하여 분석할 수도 있습니다. ROC 곡선은 이항 예측에 중요한 평가 기준입니다. ROC가 높을수록 모형의 성능이 더 좋습니다.

TreeNet에는 중요한 일부 통계를 표시하는 요약 창이 있습니다. 이 그림에는 모형 예측의 확률 해석을 강조하는 모형 확인/비교를 위한 통계 측정치인 '음의 로그 우도'가 있습니다.

팀은 학습 및 검정하고 저반응 고객을 목록에서 제거한 후 모형을 최적화하고 검증하여 대상 고객 집단을 찾을 수 있었습니다. 생성된 모형은 지난 1년 동안의 은행 프로모션에 대한 고객의 과거 반응을 기준으로 각 고객의 반응을 점수로 환산하고 평가하여 "고반응" 고객 집단의 특성을 파악할 수 있었습니다.

은행 팀은 SPM의 사용 편리성을 가장 큰 장점으로 꼽았습니다. 팀은 코딩 없이 몇 번의 클릭만으로 초기 모형을 생성하고 전체 모형화 시간을 몇 달에서 며칠로 줄일 수 있었습니다. 대상 집단을 예측할 수 있는 정제된 모형을 학습시키고 배포하는 데 걸린 시간은 실제로 7일에 불과했습니다.

결과

텔레마케팅 팀은 초기의 1,300만 명보다 훨씬 적은 200만 명의 앱 사용자로 정제된 이 집단을 사용하여 몇 달 안에 모든 사용자에게 연락할 수 있었습니다. 그 결과 신용카드를 모바일 앱에 연결하는 사용자가 300% 증가했습니다. 은행은 또한 텔레마케터를 추가로 채용하는 데 수반되는 비용을 절감하고 효율성을 높이는 동시에 이런 수익 창출 서비스를 대상 고객에게 홍보하기도 했습니다. 텔레마케팅 팀은 카드를 연결하도록 사용자를 설득하는 데 성공한 비율이 이전 캠페인보다 35% 높아졌다고 말하기도 했습니다. Salford Predictive Modeler로 무장한 프로젝트 팀은 은행이 데이터를 이해하고 데이터를 사용하여 사실에 기반한 정보를 생성하여 비용 절감으로 이어진 결정을 내리는 데 도움이 될 수 있었습니다.

조직

중국의 국립 시중 은행

개요

  • 중국 24개 지역에 지점이 있고 설립 후 30년이 지난 은행
  • 기업 고객 300,000, 개인 고객 3,400만, 신용카드 고객 5,700만, 모바일 뱅킹 고객 2,4000만 이상

과제

은행의 모바일 앱을 사용하는 1,300만 고객이 은행 카드를 앱에 연결하지 않음

사용 제품

Salford Predictive Modeler

결과

  • 이전 캠페인에 비해 모바일 앱 연결 고객 300% 증가
  • 카드를 앱에 연결하도록 사용자를 설득하는 데 성공한 비율이 이전 캠페인보다 35% 높아짐
  • 텔레마케팅 팀의 효율성을 높여 비용 절감
  • 고객에게 수익 창출 서비스 홍보

이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다. 당사의 개인정보 보호정책을 확인하십시오