Data mining, which is also referred to as knowledge discovery in databases, is an emerging science of applying modern statistical and artificial intelligence technologies to the problem of extracting valid, previously unknown, comprehensible, and actionable information from large databases and of using it to make crucial business decisions.
In this paper, we presents the data mining process from extracting data to interpreting extracted knowledge and data mining tasks, and corresponding algorithms. Before applying data mining techniques to a real world application, we present our own data model for the data mart and build a data mart on the Intranet. RFM (Recency, Frequency, and Monetary) data in the data mart are extensively used for our analysis. We then propose a new marketing strategic planning which is fully utilizing the extracted knowledge.
데이터웨어하우스와 데이터마이닝의 개념들이 현재 기업 환경에서 초미의 관심사로 대두되고 있다. 이것은 1980년대부터 기업 전산화의 필수 요건으로 데이터베이스가 등장한 것과 비견될 수 있는 사건이라 할 수 있다.
종래의 데이터베이스가 기업의 일상적인 거래 정보를 단순히 쌓아두기만 하는 역할을 충실히 수행했다면, 축적되어 있는 데이터를 조회 수준으로 이용하고 있는 한계에서 벗어나 데이터베이스에서 그동안 발견하지 못했던 유용한 정보를 추출하여 기업 의사 결정에 도움이 될 수 있도록 하자는 요구는 무한 경쟁 시대에서 기업이 살아 남기 위한 너무나 당연한 결과라고 여겨진다.
데이터마이닝의 전단계로 흔히 데이터웨어하우스 구축을 거론하는데 이것은 데이터베이스에 축적되어 있는 데이터를 직접 데이터마이닝의 기초 자료로 활용하기에는 어려운 현실에서 1차로 데이터를 가공하기 위함이다. 한편으론 데이터마이닝의 도구들이 불완전하고 부정확한 데이터를 입력 자료로 사용했을 경우 더욱 부정확한 지식 (knowledge)을 산출할 수 있는 불완전성을 가지고 있어 이것을 보완하는 방편이기도 하다. 부서 단위의 데이터웨어하우스인 데이터마트를 구축하는데 있어 기존의 데이터 모델인 star schema를 사용하는 대신, 관계형 데이터 모델을 그대로 사용하면서 데이터마트와의 입출력을 최소화하여 처리 시간을 단축할 수 있도록, 테이블 필드에 star schema의 fact table과 dimension table이 모두 포함될 수 있도록 모델링을 한다.
본 연구에서는 데이터웨어하우스와 데이터마이닝 기법을 호텔 면세점을 대상으로 적용하고 있는데, 일반 백화점이나 슈퍼마켓과는 달리 면세점은 회원제로 운영이 되고 있고 판매 품목도 수입품이 거의 대부분인 특징이 있다. 작은 양의 데이터를 가진 데이터마트를 구축할 수 있어 오히려 연구 목적상 분석이 용이하다는 장점이 있다. 데이터마이닝의 4대 과제인 association, clustering, classification, prediction을 recency, frequency, monetary 관점에서 구축한 데이터마트에서 추출한 자료를 대상으로 적용하여 본다. 그 결과 면세점의 판매액을 증대시킬 수 있는 새로운 마케팅 전략을 제시할 수 있는데 이것은 데이터마이닝에서 추출한 지식을 적극 활용하는 전략적 접근 방법이라 하겠다.
우선 면세점 코너 고객을 대상으로 고객 유형 분류 작업을 수행한다. 여기에는 SOM이라는 분류 알고리즘이 사용되어지는데 그 결과 우수 고객군과 불량 고객군 등으로 고객을 분류할 수 있다. 이 고객군에 대한 전략적 포지셔닝 결과로 direct mail 등의 마케팅 프로모션의 대상이 되는 target 고객군을 포착할 수 있다.
한편, SOM을 통해 획득한 고객 유형 정보를 C4.5라는 의사 결정 트리 생성 프로그램의 입력 자료로 활용하여 고객을 분류하는 룰을 생성한다. 생성된 룰은 고객 지식 베이스에 축적되어지고, 추후 고객 서비스 향상에 기여할 수 있는 기초 자료로 활용된다.
면세점 고객의 코너 이용에는 어떤 상관 관계가 있을까? 예를 들어 샤넬이라는 코너에 들러 구매를 한 고객은 같은 날에 다른 어떤 코너를 방문할까?
여기서 코너사이의 상관 관계가 높을수록 면세점 내 코너의 재배치를 고려해 볼 가치가 있음을 알 수 있다. 또 코너의 매출액의 추이는 상관 관계가 높은 다른 코너의 매출액 추이에 상당 부분 영향을 미친다. 따라서 해당 코너 매출액의 변화를 어느 정도 예측할 수 있다.
면세점 코너의 전략적 포지셔닝을 통해서는 direct mailing의 스케줄링이 가능하다. 비슷한 정도의 recency를 가진 코너끼리는 비슷한 시기에 direct mailing을 하는 것이 좋음을 알 수 있다.
이상과 같은 전략적 마케팅 계획 수립을 통해 우리는 서비스 TQM (Total Quality Management)을 달성할 수 있는 기반을 조성하게 된다.
