예측 분석

예측을 작성하고 학습한 후에는 예측 분석 페이지에 액세스할 수 있습니다. 이 페이지에서는 고객이탈 위험 점수 또는 카테고리를 기준으로 어떤 사용자를 타겟팅할지 결정할 수 있습니다.

예측 학습이 완료되고 이 페이지가 채워지면 세그먼트 또는 캠페인에서 필터를 사용하여 모델의 결과물을 사용하기 시작할 수 있습니다. 하지만 오디언스을 결정하는 데 도움이 필요하고 그 이유를 알고 싶다면, 이 페이지는 모델의 역사적 정확성과 비즈니스 목표에 따라 도움을 줄 수 있습니다.

분석 구성 요소

• 고객이탈 점수 및 카테고리
  
• 예측 품질
  
• 예상 결과
  
• 고객이탈 상관관계 표

개요

전체 예측 오디언스에 대한 점수 분포는 페이지 상단에 카테고리별 또는 점수별로 볼 수 있는 차트에 표시됩니다. 오른쪽에 있는 쓰레기통에 있는 사용자는 점수가 높을수록 고객이탈 가능성이 높습니다. 왼쪽에 있는 빈에 있는 사용자는 이탈할 가능성이 적습니다. 차트 아래의 슬라이더를 사용하면 사용자 그룹을 선택하고 선택한 고객이탈 위험 점수 또는 카테고리 범위의 사용자를 타겟팅할 경우 어떤 결과가 나올지 예측할 수 있습니다.

슬라이더를 움직이면 하단 패널의 왼쪽 절반에 있는 막대가 전체 예측 오디언스 중 몇 명의 사용자를 타겟팅할지 알려줍니다.

고객이탈 점수 및 카테고리

예측 오디언스에 포함된 사용자에게는 0에서 100 사이의 _고객이탈 위험 점수_가 할당됩니다. 점수가 높을수록 고객이탈 가능성이 커집니다.

• 0~50점 사이의 점수를 받은 사용자는 저위험 카테고리로 분류됩니다.
• 50~75점, 75~100점 사이의 점수를 받은 사용자는 각각 중간 위험 및 고위험 카테고리로 분류됩니다.

점수 및 해당 카테고리는 모델 생성 페이지에서 선택한 일정에 따라 업데이트됩니다. 동일한 크기의 버킷 20개 각각에 고객이탈 점수가 있는 사용자 수가 페이지 상단의 차트에 표시됩니다. 이렇게 하면 이 예측에 따라 모집단 전체의 고객이탈 위험이 어떤지 파악하는 데 도움이 될 수 있습니다.

사용자 타겟팅을 통한 이탈 줄이기

예측 품질

모델의 정확도를 측정하기 위해 예측 품질 측정기준은 과거 데이터에 대해 테스트했을 때 특정 머신 러닝 모델이 얼마나 효과적인지 보여줍니다. 예측 품질을 참조하여 추적기술에 대해 자세히 알아보세요.

다양한 범위의 _예측 품질_에 대해 다음을 권장합니다.

예측 품질 범위(%)	추천
60 - 100	훌륭합니다. 최고 수준의 정확도입니다. 오디언스 정의를 변경하더라도 추가 이점이 없을 수 있습니다.
40 - 60	좋습니다. 이 모델은 정확한 예측을 산출하지만, 다른 오디언스 설정을 적용하면 결과가 향상될 수도 있습니다.
20 - 40	보통입니다. 이 모델은 어느 정도의 정확도와 가치를 제공하지만, 다른 오디언스 정의를 적용해 보고 성과가 향상되는지 확인하는 것이 좋습니다.
0 - 20	미흡합니다. 기존의 오디언스 정의를 변경한 다음, 다시 시도해보는 것이 좋습니다.

예측은 2주마다 다시 학습되고 예측 품질 측정기준과 함께 업데이트되어 최신 사용자 행동 패턴에 대한 예측을 최신 상태로 유지합니다. 이 재훈련이 마지막으로 발생한 시점은 예측 목록 페이지와 예측 분석 페이지에 표시됩니다.

예상 결과

차트 아래 패널의 오른쪽 절반에는 이 예측 오디언스를 타겟팅할 때 예상되는 정확도의 추정치가 표시됩니다. 이 진행률 막대는 과거 예측 오디언스에 포함된 사용자에 대한 데이터와 해당 과거 데이터에 대한 고객이탈 사용자와 비이탈 사용자를 구분하는 모델의 정확도를 기반으로 슬라이더로 강조 표시된 오디언스를 사용하여 미래의 잠재적 메시지를 추정합니다.

1. 실제 이탈자 수를 정확하게 타겟팅할 수 있는 추정치입니다.
   
   물론 미래를 완벽하게 알 수 없으므로 예측 오디언스 중 어떤 사용자가 향후 이탈할지 정확히 알 수 없습니다. 하지만 예측은 신뢰할 수 있는 추론입니다. 이 진행률 막대는 과거 실적을 기반으로 예측 오디언스에서 예상되는 총 “실제” 또는 “실제” 이탈자 수(이전 이탈률 기준)를 현재 타겟팅 선택 항목으로 타겟팅할 수 있음을 나타냅니다. 추가적이거나 특이한 메시징으로 타겟팅하지 않으면 이 정도의 사용자 수는 이탈할 것으로 예상됩니다.
   
   

2. 실제로 이탈하지 않았을 사용자 수에 대한 잘못된 타겟팅 추정치입니다.
   
   모든 머신러닝 모델은 오류를 일으킵니다. 선택 항목에 고객이탈 _위험 점수_가 높지만 결국 이탈하지 않는 사용자가 있을 수 있습니다. 아무런 조치를 취하지 않아도 이탈하지 않습니다. 어차피 타겟이 될 것이므로 이는 오류 또는 “위양성”입니다. 이 두 번째 진행률 표시줄의 전체 너비는 이탈하지 않을 것으로 예상되는 사용자 수를 나타내며, 채워진 부분은 현재 슬라이더 위치를 사용하여 잘못 타겟팅할 사용자 수입니다.

이 정보를 사용하여 얼마나 많은 이탈자를 포착할지, 위양성 오류로 인해 비즈니스에 발생하는 비용이 얼마인지 결정하는 것이 좋습니다. 가치 있는 프로모션을 발송하는 경우, 모델이 허용하는 한 많은 실제 이탈자를 확보하면서 비전환자를 타겟팅하는 것을 최소화하는 것이 좋습니다. 또는 위양성에 덜 민감하고 사용자가 추가 메시지를 수신하는 경우, 더 많은 오디언스에게 메시지를 보내 예상 이탈자를 더 많이 확보하고 오류 가능성을 무시할 수 있습니다.

고객이탈 상관관계 표

이 분석은 과거 예측 오디언스에서 사용자 이탈과 상관관계가 있는 모든 커스텀 또는 행동을 표시합니다. 테이블은 고객이탈 가능성이 높은 고객과 낮은 고객을 각각 왼쪽과 오른쪽으로 나눕니다. 각 행에 대해 왼쪽 열에 있는 행동 또는 속성을 가진 사용자가 이탈할 가능성이 높거나 낮은 비율은 오른쪽 열에 표시됩니다. 이 수치는 해당 행동 또는 속성을 가진 사용자의 고객이탈 가능성을 전체 예측 오디언스의 고객이탈 가능성으로 나눈 비율입니다.

이 표는 예측이 재학습될 때만 업데이트되며 사용자 _고객이탈 위험 점수_가 업데이트될 때는 업데이트되지 않습니다.