개요
이탈 신호에서는 사람이 정한 규칙(평소 간격의 몇 배)으로 경보를 걸었어요. AI는 이 일을 더 많은 재료로 해요. 방문 간격, 문자 열람, 구매 품목, 상담 기록을 함께 보고, 과거에 떠난 고객과 비슷한 정도를 0에서 1 사이 예측 점수로 매겨요. 점수가 높을수록 떠날 가능성이 크다는 뜻이에요. 그런데 점수만으로는 아무 일도 일어나지 않아요. “몇 점부터 연락할까”를 정해야 행동이 돼요.
핵심 개념: 점수는 가능성이에요
- 예언이 아니에요. 점수가 높을수록 비슷했던 과거 고객 중 떠난 사람이 많았다는 뜻이에요. 높은 점수에도 남는 고객이 있고, 낮은 점수에도 떠나는 고객이 있어요.
- 확률과 같은 숫자가 아니에요. 점수 0.7이 “떠날 확률 70%“라는 뜻은 아니에요. 아래 표에서 점수 0.7 칸의 고객 45명 중 실제로 떠난 고객은 17명이었어요. 점수는 누가 더 떠날 것 같은지 순서를 매기는 데 먼저 써요.
- 과거를 배워요. 과거 데이터의 빈칸과 착시도 함께 배워요. 시장이 크게 바뀌면 과거의 규칙이 맞지 않게 돼요.
- 기준선이 필요해요. 점수를 어디서 끊어 연락 명단을 만들지는 사람이 정해요.
기준선이 정하는 두 성적
고객 1,000명에게 이탈 예측 점수를 매겼고, 석 달 뒤 실제로 떠난 고객은 100명이었어요. 기준선을 어디에 두느냐에 따라 결과가 이렇게 달라져요.
정밀도 = 연락한 고객 중 실제로 떠난 고객 ÷ 연락한 고객 × 100
재현율 = 연락한 고객 중 실제로 떠난 고객 ÷ 실제로 떠난 고객 전체 × 100
| 기준선 | 연락할 고객 | 그중 떠날 고객 | 정밀도 | 재현율 | 놓친 고객 | 헛연락 |
|---|---|---|---|---|---|---|
| 점수 0.5 이상 | 242명 | 82명 | 33.9% | 82% | 18명 | 160명 |
| 점수 0.7 이상 | 108명 | 58명 | 53.7% | 58% | 42명 | 50명 |
| 점수 0.9 이상 | 28명 | 21명 | 75% | 21% | 79명 | 7명 |
기준선을 낮추면 놓치는 고객이 줄지만(재현율이 올라요), 원래 남을 고객에게도 연락하게 돼요(정밀도가 내려가요). 둘 다 높이는 기준선은 없어요. 기준선을 직접 옮겨 봐요. 막대의 위쪽(떠난 고객 100명)과 아래쪽(남은 고객 900명)은 인원 규모가 달라서 눈금을 따로 잡았어요. 막대 위의 숫자로 인원을 읽어요.
기준선은 비용이 정해요
| 상황 | 더 챙길 것 | 기준선 |
|---|---|---|
| 연락이 싸고 놓치면 아까워요(앱 알림, 가치 큰 고객) | 재현율 | 낮게 |
| 연락이 비싸거나 부담을 줘요(직원 전화, 큰 쿠폰) | 정밀도 | 높게 |
| 헛연락이 관계를 해쳐요(남을 고객에게 “떠나지 마세요”) | 정밀도 | 높게 |
같은 모델이라도 문자 한 통을 보낼 때와 직원이 전화를 걸 때의 기준선은 달라요. 그리고 연락한 뒤에는 대조군과 비교해 연락이 실제로 붙잡은 고객을 세요. 점수가 맞혔는지와 연락이 효과가 있었는지는 다른 질문이에요.
예측 점수는 고객이 어떤 행동을 할 가능성을 0에서 1 사이로 어림한 것이에요. 기준선을 낮추면 재현율(놓치지 않기)이 오르고 정밀도(헛연락 줄이기)가 내려가요. 기준선은 놓치는 비용과 헛연락의 비용을 보고 사람이 정해요.
“점수가 높으면 그 고객은 떠난다.” 점수는 비슷한 고객들 사이의 가능성이에요. 0.7 이상 108명 중에서도 절반 가까이는 원래 남을 고객이에요.
어느 백화점이 이탈 예측 모델을 들여와 점수 상위 고객 모두에게 담당 직원이 전화를 걸게 했어요. 몇 주 뒤 직원들이 지쳤고, 전화를 받은 고객 중 꽤 많은 수가 “왜 갑자기 연락하냐”며 의아해했어요. 원래 잘 오던 고객이었어요. 팀은 연락 방법마다 기준선을 나눴어요. 점수 중간 고객에게는 앱으로 관심 상품 소식을, 점수가 높고 예전 구매가 컸던 고객에게만 직원 전화를 걸었어요. 전화 수는 크게 줄었고, 전화를 받은 고객의 반응은 나아졌어요.
- 날씨 앱이 “비 올 가능성 높음”이라고 해도 반드시 비가 오는 것은 아니에요. 우산을 챙길지는 젖었을 때 얼마나 곤란한지가 정해요.
- 시험 범위 중 “나올 것 같은 문제”만 공부하면 시간은 아끼지만 놓치는 문제가 생겨요. 범위를 넓게 잡으면 덜 놓치지만 시간이 많이 들어요.