예측 분석

예측을 작성하고 학습한 후에는 예측 분석 페이지에 액세스할 수 있습니다. 이 페이지에서는 이탈 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 타겟팅 대상과 이유를 결정하는 데 도움이 필요하다면 이 페이지에서 모델의 과거 정확도와 비즈니스 목표에 따라 도움을 받을 수 있습니다.

애널리틱스 구성 요소

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

개요

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

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

이탈 점수 및 카테고리

예측 대상 그룹에 속한 사용자에게는 0~100 사이의 이탈 위험 점수가 할당됩니다. 점수가 높을수록 이탈 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 이탈 점수가 있는 사용자 수가 페이지 상단의 차트에 표시됩니다. 이렇게 하면 이 예측에 따라 모집단 전체의 이탈 위험이 어떤지 파악하는 데 도움이 될 수 있습니다.

사용자 타겟팅을 통한 이탈률 감소

예측 품질

모델의 정확도를 측정하기 위해 예측 품질 메트릭은 과거 데이터에 대해 테스트했을 때 특정 머신 러닝 모델이 얼마나 효과적인지 보여줍니다. 메트릭에 대해 자세히 알아보려면 예측 품질을 참조하세요.

다양한 범위의 예측 품질에 대해 권장하는 사항은 다음과 같습니다:

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

예측은 2주마다 다시 학습되고 예측 품질 메트릭과 함께 업데이트되어 최신 사용자 행동 패턴에 대한 예측을 최신 상태로 유지합니다. 이 재교육이 마지막으로 이루어진 시간은 예측 목록 페이지와 예측의 분석 페이지에 표시됩니다.

예상 결과

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

1. 실제 이탈자 수를 정확하게 타겟팅할 수 있는 추정치입니다.
   
   물론 미래를 완벽하게 알 수 없으므로 예측 대상 고객 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 있는 수를 나타냅니다. 추가적이거나 특이한 메시지로 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 이탈 위험 점수가 높지만 결국 이탈하지 않는 사용자가 있을 수 있습니다. 아무런 조치를 취하지 않아도 이탈하지 않습니다. 어차피 타겟이 될 것이므로 이는 오류 또는 “오탐”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, 오탐 오류로 인해 비즈니스에 발생하는 비용은 얼마인지 결정하는 것이 좋습니다. 가치 있는 프로모션을 발송하는 경우, 모델이 허용하는 한 많은 실제 이탈자를 확보하면서 비전환자를 타겟팅하는 것을 최소화하는 것이 좋습니다. 또는 오탐에 덜 민감하고 사용자가 추가 메시지를 수신하는 경우, 더 많은 잠재 고객에게 메시지를 보내 예상 이탈자를 더 많이 확보하고 오류 가능성을 무시할 수 있습니다.

이탈 상관관계 표

이 분석은 과거 예측 대상에서 사용자 이탈과 상관관계가 있는 모든 사용자 속성 또는 행동을 표시합니다. 테이블은 이탈 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 이탈 가능성을 전체 예측 잠재고객의 이탈 가능성으로 나눈 비율입니다.

이 표는 예측이 재학습될 때만 업데이트되며 사용자 이탈 위험 점수가 업데이트될 때는 업데이트되지 않습니다.