하이브리드 데이터마이닝 기법을 이용한 이탈고객 예측
A Hybrid Data Mining Classifier for Prediction Churn Customers
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
고객관계유지 활동은 고객관계관리의 가장 중추적인 프로세스로, 고객이탈율을 5%만 개선시켜도 기업의 수익률은 거의 100%가까이 증가하는 것으로 알려져 있다. 고객이탈관리를 위해서는 이탈고객 예측활동이 선행되어야 한다. 이탈고객을 사전에 예측할 수 있다면 이에 대한 대비를 하거나 고객의 이탈요인을 사전 제거함으로서 고객이탈에 따른 손실을 최소화하는 것이 가능하다. 기업의 이탈고객 데이터는 이탈고객 수가 유지고객 수에 비해 사례가 현저하게 적은 불균형 데이터 특성을 가지고 있다. 이탈고객 예측 모형의 주요 이슈 중 하나는 예측력을 높이는 것이다. 본 연구에서는 불균형 특성을 가진 이탈고객에 대한 예측력을 높이는 하이브리드 데이터마이닝 기법에 대해 살펴본다. 이탈고객 예측에 많이 사용되며, 예측력이 비교적 높은 것으로 알려진 의사결정나무모형, 신경망모형, SVM모형을 이용한 하이브리드 데이터마이닝 가중치 기법을 제안한다. 제안된 기법의 성능 평가를 위해 UCI churn 데이터 집합에 적용하였다. 실험결과 제안된 하이브리드 데이터마이닝 가중치기법이 불균형 데이터 특성을 가진 이탈고객을 예측하는 데 있어 효과적임을 알 수 있었다.
Abstract
The activities for customer relationship retention are most essential process of customer relationship management. If we improve the rate of churn customers about 5%, it is known that the profit rate of the company raises about 100%. Prediction activities must be preceded for management of the churn customers. If we can predict churn customers in advance, we can minimize the loss because of removing the churn factor. Data sets about churn customers have an imbalanced characteristic that the number of the churn customers is less remarkably than the number of the retention customers. One of the main issues on the models to predict churn customers is to increase prediction performance. This research deals with decision tree, neural networks, and SVM models those are mainly used to predict the churn customers and known as good prediction performance, and proposes a hybrid weighted data mining classifier. To test the prediction performance of proposed method, this study used 'churn data sets' in UCI Machine Learning Repository. Experimental results showed that the method was effective for prediction of churn customers.
참고문헌 (13)
- H. -S. Kim, "Customer relationship management: Principle and practical application" (2011), SciTech
- H. -S. Yong, "Introduction to data mining" (2007), Infinitybooks
- 이재식, "불균형 데이터 집합의 분류를 위한 하이브리드 SVM 모델", 지능정보연구, 19(2), pp.125~140 (2013), 한국지능정보시스템학회
- N. V. Chawha, "Editorial: Special issue on learning from imbalanced data sets", SIGKDD Explorations, 6(1), pp.1~6 (2004)
- M. Kubat, "Addressing the curse of imbalanced traing sets: One sided selection", Proceedings of the 14th International Conference on Machine Learning, pp.179~186 (1997)
- X. Chen, "Prunung support vectors for imbalanced data classification", Proceedings International Joint Conference on Neural Networks, pp.1883~1888 (2005)
- T. -R. Lee, "Data mining" (2004), KNOU Press
- J. R. Quinlan, "C4.5: Programs for machine learning" (1993), Morgan Kaufmann
- 강부식, "SVM 전처리기를 활용한 코스닥기업 도산예측 성능 향상", 한국지식정보기술학회 논문지, 7(4), pp.21~27 (2012), 한국지식정보기술학회
- "UCI machine learning repository" (2013)[URL]
- K. -H. Jeong, "Management science with excel" (2013), BnmBooks
- I. H. Witten, "Data mining: Practical machine learning tools and techniques" (2011), Morgan Kaufmann
- "LIBSVM - A library for support vector machines" (2001)[URL]