�ݺ�ߣ

머신러닝 기반
사기적발 / 고객 이탈 분석 사례

빅데이터 딥러닝 질의응답
음성인식 자연어처리 감성분석 이미지분류 데이터마이닝
산업
비즈니스 활용영역
콜센터 효율화
빅데이터 분석
빅데이터 기반
광고
금융기관 리스크 관리
헬스케어 빅데이터
소비재산업 마케팅
IoT
홈오토메이션
마인즈랩의 딥러닝 비즈니스 활용맵

고객이탈분석에
딥러닝의 활용

데이터 분석 및 모델링은 정형데이터를 기반으로 한 전통적 통계기법
방식에서, 비정형데이터를 포함하는 MACHINE LEARNING 적용 방
식으로 진화하고 있습니다.
비정형 Data
(VoC 음성 데이터, 상담 메모
텍스트, SNS 텍스트 등)
스트 등
정형 Data
(Customer Master Data,
Transaction Data 등)
비정형
정형
Supervised Learning
(Classification & Regression)
Unsupervised Learning
(Clustering)
• Deep Learning
• Generalized Linear Model
• Gradient Boosting Machine
• Distributed Random Forest
• Ensembles
• ……
전통적 통계기법 Machine Learning

MACHINE LEARNING을 가장 최적으로 적용하고 있고, 많은 기업에
서 활용하고 있는 오픈소스 기반의 H2O 플랫폼 사례 소개
차원축소 기법 등 적용
오픈소스
기반
분산처리
Flow 개념의
UI 제공
최신의
알고리즘
탑재
많은 기업 사용자 기 확보
• PayPal, Cisco, Nielson, Progressive 등
에서 대용량 데이터 Machine Learning
에 활용됨
REST API를 통한 유연한 UI 제공
• REST API를 통해 자체 UI뿐 아니라 R,
Python으로 사용 가능함
• API를 통해 자체 시스템과의 연결이 수월함
클러스터 환경에서의 분산처리
• JVM 기반의 클러스링 환경 지원
• DBMS뿐 아니라 HDFS 등의 분산
NoSQL지원
• 빠른 계산 속도 보장
빠른 속도의 업그레이드
• 오픈소스 기반으로 빠른 업그레이드를
통해 안정성, 확장성 담보
• 특히 Spark와의 연동을 통한 실시간 처
리 지원
모델 개발 및 관리 용이성 제공
• 모든 분석결과물들은 객체(Object)로 생성되므로
모니터링, 수명 관리, 자동갱신 등이 용이
• 복잡하며 반복적인 외부 정보를 함축된 형태
로 제공하는 Generalized Low Rank Model
등의 최신 기법 제공
신개념의 분석 UI
• 과거의 WYSIWYG 방식의 Workflow가 아
니라 기술 보고서 형식의 UI제공
• 이는 Python의 Notebook이나 Spark의
제플린 방식임
다양한 ML 알고리즘 탑재
• RandomForest, Gradient Boosting
Machine 등의 앙상블 기법 및 Deep
Learning 등 지원
• 기타 분산처리 환경에서의 로지스틱,
k-means 등 지원

PAYMENT 시장의 INNOVATIVE LEADER PAYPAL은 사기방지
를 위해 최첨단 분석 기법을 보유하고 있었으나, 고의적 사기를 막을 수
없었습니다.
Issue
Background
(Fraud
Prevention
역량 기 존재)
• Transaction Level –
Machine Learning 및 통계 모
델 활용으로 최단기간 사기 행
동 인지 가능
• Account Level – 잦은 빈도
수의 결재, 의심되는 프로필
변경과 같은 Abusive
Behavior 인지 가능
• Network Level – 계정간 상
호작용에 대한 모니터링 가능
기존 Fraud Detection 수준
• Machine Learning 최신 모델
운영
• 확장성이 방대하며 다층의
Infrastructure Software 기반
• Data Scientists, Researcher,
Financial & Intelligence
Analysts로 이루어진 최고의
팀 운영
Enabler
+150M Active
Digital Wallets
사기행위자들은 PayPal에
더욱 지능적인 사기 행동을 벌이는 것으로 의심되는 상황
이를 위해 Deep Learning 적용을 검토함

COMPLEX MULTILAYERED NETWORK에 의한 데이터의
HIGH-LEVEL 패턴을 분석하는 DEEP LEARNING 방식을 도입하
여 사기방지 예측모델을 획기적으로 개선하였습니다.
근본원인
Deep
Learning
기법의
효과
• Low-level의 추상적 개념을
이해할 수 있도록 지원
• 기존과 다른 고도의 복잡성을
지닌 function에 대하여
학습할 수 있도록 지원
• 이미지, 영상 프로세싱, 실물 인식에 사
용 가능
• 용이한 확장성
• 우월한 퍼포먼스
• 유연한 활용도
• 다른 Big Data Framework와 연동
가능
• 단순한 인터페이스
기존의 탐지 방법과 달리 더 복잡한 체계
로 이루어진 모델을 제시할 수 있는
Cost effective 한 Solution 필요
확장과 계산이 가능한
예측 모델 필요
PayPal은 해결방안으로 Deep Learning 기법을 도입
Deep
Learning
결과

FRAUD PREVENTION SOLUTION : DEEP LEARNING

SOFTWARE-AS-A-SERVICE 회사인 MOZ는 고객 이탈 예측을
위해 DEEP LEARNING 기법인 RNN 기반 모델을 구현하였습니다.
Netflix와 같은 Software-as-a-Service(SaaS) 회사로, Moz Pro 이용고객이 납부
하는 월 이용료를 주요 수익 원천
• 일반적인 SaaS 회사의 비즈
니스 모델(30일 무료 Trial)
을 기반으로 함
• Moz의 사업 특성 상, 기
존 고객의 이탈 방지는 회
사의 수익성과 직결됨
• Moz의 데이터정보학팀과
고객관리팀은 Recurrent
Neural Networks(RNN :
Deep Learning의 일종)을
기반으로 고객 이탈에 대
한 모델링을 수행함
• 고객의 월 이용료를 주 수
익원으로 함
Free Trial Paid
Suspended
Involuntary
Churn
Voluntary
Churn
Revenue Generation Customer Lifecycle 고객 이탈 모델링
→ 고객 Life Cycle 관리를 통한 이탈예측이 핵심 경쟁력

MOZ는 고객의 행동 양상을 파악하여 익월 고객의 STATUS를 예측하
는 RNN 모델을 기반으로, 향후 고객 이탈을 방지하는 모델을 구현하였습
니다.
• 서비스 사용 기간이 길
어짐에 따라 보류 고객
의 과거 보류 이력 가능
성이 높음
• 즉, 과거 보류 이력은 미
래 보류 가능성 예측에
주요 단서임
• 첫 보류와 마지막 보류
사이 기간이 수개월 걸릴
수 있음
• 즉, 고객의 초기 행동을
통해 수개월 뒤의 행동
양상을 예측할 수 있음
RNN 모델 고객 행동 분석 예시
• RNN 모델을 이용하여 각 고객의 익월
Status를 예측함
• 예측 고객 Status: ①Paid (고객 유지),
②Voluntary Churn (자발적 이탈),
③Involuntary Churn (비자발적 이탈)

고객이탈분석 (CUSTOMER CHURN ANALYSIS) H2O DEMO

�ݺ�ߣ

20160203_마인즈랩_딥러닝세미나_07 머신러닝 기반 고객 이탈 분석 유태준대표

Recommended

More Related Content

What's hot (20)

Viewers also liked (14)

Similar to 20160203_마인즈랩_딥러닝세미나_07 머신러닝 기반 고객 이탈 분석 유태준대표 (20)

More from Taejoon Yoo (20)

20160203_마인즈랩_딥러닝세미나_07 머신러닝 기반 고객 이탈 분석 유태준대표