고객이탈 예측 생성하기

Braze 대시보드에서 고객이탈 예측을 생성하는 방법을 알아보세요.

1단계: 새 예측 만들기

Braze에서 분석 > 예측 이탈로 이동합니다.

예측은 학습된 머신 러닝 모델의 한 인스턴스와 그 모델이 사용하는 모든 매개변수 및 데이터입니다. 이 페이지에는 현재 활성화된 예측 목록과 이에 대한 몇 가지 기본 정보가 표시됩니다. 여기에서 예측의 이름을 바꾸고, 보관하고, 새 예측을 만들 수 있습니다. 보관된 예측은 비활성 상태이며 사용자 점수를 업데이트하지 않습니다.

새 예측을 생성하려면 예측 생성을 선택하고 새 이탈 예측을 선택합니다.

기본 사항 페이지에서 새 예측에 고유한 이름을 지정합니다. 선택 사항으로 설명을 입력하여 이 특정 예측에 대한 메모를 남길 수도 있습니다.

다음 단계로 이동하려면 앞으로를 선택합니다. 원하는 경우 지금 구축을 선택하여 모든 기본값을 사용하고 마지막 생성 단계로 건너뛸 수 있습니다. 구축 프로세스를 시작하기 전에 설정을 검토할 수 있는 기회가 주어집니다. 나중에 진행률 추적기에서 해당 단계를 선택하여 어느 단계로든 돌아갈 수 있습니다.

2단계: 고객이탈 정의하기

이탈 정의 패널에서 제공된 필터를 사용하여 비즈니스에 대한 사용자 이탈을 정의하는 방법을 지정합니다. 다시 말해, 사용자가 어떤 시간대에 어떤 행동을 해야 고객이탈로 간주할 수 있을까요?

고객이탈을 유발하는 행동은 설명할 필요가 없으며, 무엇이 사용자를 이탈 사용자로 만드는지에 대해서만 설명해야 한다는 점을 기억하세요. 사용자가 한 번(do) 또는 중단(do not)하는 행위가 고객이탈에 해당한다고 생각하면 됩니다. 예를 들어 7일 동안 앱을 열지 않은 사용자를 고객이탈 사용자로 간주할 수 있습니다. 탈퇴, 계정 비활성화 등의 커스텀 이벤트를 통해 사용자가 이탈하도록 유도할 수 있습니다.

고객이탈 기간

이탈 기간은 사용자의 활동이 이탈 기준을 충족하는 기간입니다. 사용 가능한 데이터에 따라 최대 60일 동안 설정할 수 있습니다. 이 창은 과거 데이터를 가져와 예측을 훈련하는 데 사용됩니다. 예측이 구축되면 정확한 결과를 얻기 위한 데이터가 충분한지 확인할 수 있습니다.

예측이 구축되고 사용자에게 점수가 부여되면 이탈 위험 점수는 이탈 기간에 설정한 기간 내에 사용자가 이탈할 가능성이 얼마나 되는지 보여줍니다.

다음은 지난 7일 동안의 경과 세션을 기준으로 한 간단한 정의의 예입니다.

이탈 정의 사용자가 7일 동안 세션을 시작하지 않으면 고객이탈로 간주됩니다.](/docs/ko/assets/img/churn/churn1.png?5619ff92841156ba91ecdcbd325e6a30)

이 경우 do not 및 start a session 을 선택합니다. AND 및 OR 에 다른 필터를 적절히 조합하여 필요한 정의를 만들 수 있습니다. 고려해야 할 몇 가지 잠재적인 고객탈퇴 정의에 대해 알고 싶으신가요? 다음 섹션의 고객탈퇴 정의 샘플에서 영감을 얻을 수 있습니다.

정의 아래에는 정의에 따라 과거에 이탈한 사용자와 이탈하지 않은 사용자 수에 대한 추정치가 표시됩니다. 필요한 최소값도 확인할 수 있습니다. Braze는 예측이 학습할 수 있는 충분한 데이터를 확보할 수 있도록 과거 데이터에서 이 최소 사용자 수를 사용할 수 있어야 합니다.

3단계: 예측 오디언스 필터링하기

예측 오디언스는 이탈 리스크를 예측하려는 사용자 그룹입니다. 예측 오디언스는 머신 러닝 모델이 과거로부터 학습하기 위해 살펴보는 사용자 그룹을 정의합니다. 기본값은 모든 사용자로 설정되어 있으므로 이 예측은 모든 활성 사용자에 대한 이탈 위험 점수를 생성합니다(이탈 모델에서 활성 사용자로 간주되는 대상은 이전 참고 사항 참조).

사용 사례에 따라 필터를 사용하여 모델에 대해 평가할 사용자를 지정할 수 있습니다. 이렇게 하려면 나만의 예측 대상 정의하기를 선택하고 오디언스 필터를 선택합니다. 예를 들어, 드라이버와 라이더를 사용자 기반으로 하는 차량 공유 앱에서 라이더를 대상으로 이탈 모델을 구축하는 경우, 예측 대상을 라이더로만 필터링하고 싶을 것입니다. 많은 사용 사례에서 특정 예측 오디언스를 선택할 필요가 없다는 점에 유의하세요. 예를 들어, 사용 사례가 이탈 가능성이 가장 높은 EU 지역의 사용자를 타겟팅하는 경우 모든 사용자에 대해 모델을 실행한 다음 캠페인 세그먼트에 EU 지역에 대한 필터를 포함하기만 하면 됩니다.

Braze는 예측 오디언스의 예상 규모를 보여줍니다. 원하는 오디언스를 지정했는데 모델을 실행하는 데 필요한 최소값을 충족하지 못하는 경우 더 넓은 필터를 지정하거나 모든 사용자 옵션을 사용하세요. ‘모든 사용자’ 그룹의 크기는 고정되어 있지 않으며 고객이탈 정의를 고려하므로 모델마다 달라집니다. 예를 들어, 이탈의 정의를 30일 동안 구매를 하지 않는 것이라고 가정하면, 이 경우 Braze는 지난 30일 동안 구매한 적이 있는 사용자(그리고 향후 30일 동안 구매하지 않을 가능성을 예측)를 대상으로 모델을 실행하므로 이러한 사용자가 ‘전체 사용자’ 측정기준에 반영됩니다.

예측 기간이 14일 이하인 경우, ‘마지막으로 사용한 앱’, ‘마지막으로 구매한 구매’와 같이 “…“로 시작하는 필터의 기간은 이탈 정의에 지정된 이탈 기간을 초과할 수 없습니다. 예를 들어, 고객이탈 정의의 기간이 14일인 경우 ‘마지막…’ 필터의 기간 창은 14일을 초과할 수 없습니다.

전체 필터 모드

새로운 예측을 즉시 구축하기 위해 Braze 세분화 필터의 하위 집합만 지원됩니다. 전체 필터 모드에서는 모든 Braze 필터를 사용할 수 있지만 예측을 구축하는 데 하나의 이탈 기간이 필요합니다. 예를 들어, 이탈 기간을 15일로 설정한 경우 전체 필터 모드에서만 지원되는 필터를 사용하면 사용자 데이터를 수집하고 예측을 구축하는 데 15일이 걸립니다. 또한 전체 필터 모드에서는 오디언스 규모에 대한 일부 추정치를 사용할 수 없습니다.

예측 오디언스 정의의 샘플 목록을 보려면 다음 섹션의 샘플 이탈 정의에서 샘플 정의를 확인하세요.

!

이전 페이지와 마찬가지로 하단 패널에는 고객이탈 정의 및 예측 오디언스 정의에 따른 예상 과거 사용자 수가 표시됩니다. 이러한 예상치는 예측을 생성하기 위해 표시된 최소 요구 사항을 충족해야 합니다.

4단계: 고객이탈 예측을 위한 업데이트 주기 선택

머신 러닝 모델이 사용자의 이벤트 가능성 점수를 생성하고 여기에서 선택한 일정에 따라 해당 점수가 업데이트됩니다. 이벤트 가능성 점수를 기준으로 사용자를 타겟팅할 수 있습니다.

유용하다고 생각되는 최대 업데이트 빈도를 선택합니다. 예를 들어 매주 프로모션을 전송하여 사용자가탈을 방지하려는 경우 업데이트 주기를 원하는 요일과 시간에 매주로 설정합니다.

!예측 업데이트 일정을 매일 오후 5시로 설정했습니다.

5단계: 예측 구축

입력한 세부 정보가 정확한지 확인한 후 예측 구축을 선택합니다. 초안으로 저 장을 선택하여 변경 사항을 초안 형태로 저장하여 이 페이지로 돌아와 나중에 모델을 구축할 수도 있습니다. 예측 구축을 선택하면 모델을 생성하는 프로세스가 시작됩니다. 데이터 양에 따라 30분에서 몇 시간 정도 소요될 수 있습니다. 이 예측의 경우 모델 구축 프로세스 기간 동안 학습이 진행 중임을 설명하는 페이지가 표시됩니다. Braze 모델은 커스텀 이벤트, 구매 이벤트, 캠페인 인터랙션 이벤트, 세션 데이터를 고려합니다.

완료되면 페이지가 자동으로 분석 보기로 전환되며 예측 및 결과가 준비되었음을 알려주는 이메일도 받게 됩니다. 오류가 발생하면 페이지가 편집 모드로 돌아가면서 무엇이 잘못되었는지에 대한 설명이 표시됩니다.

예측은 2주마다 자동으로 다시 재구축(“재학습”)되어 사용 가능한 가장 최신 데이터로 업데이트됩니다. 이는 예측의 결과물인 사용자의 이탈 위험 점수가 생성되는 시점과 별도의 프로세스입니다. 후자는 4단계에서 선택한 업데이트 주기에 따라 결정됩니다.

샘플 고객 이탈 및 예측 오디언스 정의

샘플 고객탈퇴 정의

• “7일 이내, 커스텀 이벤트 ‘구독 취소’“
  
• “30일 이내, 커스텀 이벤트 ‘평가판 만료’“
  
• “1일 이내에 제거하세요.”
  
• “14일 이내에 구매하지 마십시오.”
  

앞서 설명한 이탈 정의에 해당하는 예측 오디언스 정의가 있을 수 있습니다:

• 2주 이상 전에 구독을 시작했거나 2주 미만 전에 구독을 시작한 경우
  이 경우 2개의 예측을 생성한 다음 신규 가입자에게는 장기 가입자와 다르게 메시지를 보낼 수 있습니다. 이를 “30일 이상 전에 처음 구매”로 정의할 수도 있습니다.
  
• 제거 프로그램
  최근 과거에 상품을 구매했거나 최근에 앱을 사용한 고객에 집중할 수 있습니다.
  
• 고객이탈의 정의로 구매하지 않을 위험에 처한 사람들
  최근에 앱을 탐색하거나 검색하거나 참여한 적이 있는 고객에 집중할 수 있습니다. 적절한 할인 개입을 통해 참여도가 높은 그룹의 고객 이탈을 방지할 수 있습니다.

아카이브 된 예측

보관된 예측은 사용자 점수 업데이트가 중지됩니다. 아카이브되지 않은 예측은 미리 정해진 일정에 따라 사용자 점수를 계속 업데이트합니다. 보관된 예측은 삭제되지 않고 목록에 남아 있습니다.