Understanding and adapting to changes of customer behavior is an important aspect to survive in a continuously changing environment. Knowing what is changing and how it has been changed is important because it allows businesses to provide the right products and services to suit the changing market needs (Liu et al. 2000). This thesis handles topics on how to detect changes of customer behavior and where to apply the detected changes in eCRM. Here, the term ‘customer behavior’ means action-oriented activities like calling, visiting websites, and making purchases.
Detecting the change of customer behavior can be considered at two different levels, organizational and individual level. In organizational level, it is critical to understand the changes of behavior pattern (i.e. buying pattern or visiting pattern or usage pattern) of their customer groups over time because business manager can promote the desirable trends and control the undesirable trends with this information. More specifically, most business managers have a strong need to know and adapt to the answers to following questions about their customers. Which aspects are changed in behaviors and preferences of customer before and after financial crisis? What are the differences in customer behavior before and after loyalty campaign? What are the differences in purchasing pattern before and after adoption of new service? For this business needs, we propose a change mining methodology, which automatically discovers changes of customer behavior between two datasets, which are collected over time. The change mining methodology forms the first part of this thesis.
On the other hands in individual level, if we detect the abnormal (or outlier) behavior, which is different from normal behavior pattern for a certain customer at the right time, we can investigate the reason and prevent undesirable results such as defection or fraud (Ng and Liu 2000; Raghavan et al. 2000). The second part of this thesis proposes a methodology for defection detection and prevention based on the technique for detecting the change of customer behavior in an individual level. The basic idea originates from the observation that potential defectors have a tendency to take a couple of months or weeks to gradually change their behavior (i.e. trim-out their usage volumes) before their eventual withdrawal. This gradual pulling out process offers the company the opportunity to detect the signals of defection. With this approach, we have several benefits compared with traditional defection detection studies based on the data mining techniques. First, we can take ample lead-time for defection prevention by providing early warnings before defections actually take place. Second, we can build a personalized defection detection system because customer behavior is very different for each individual in usage patterns. Finally, the key benefit is that our approach can provide not only a procedure for defection detection but also for defection prevention which recommends the desirable behavior state for the next period so as to lower the likelihood of defection. Although potential defectors have been identified, each customer will eventually defect without the guidance to control his/her undesirable behavior which leads to defection.
The heart of two proposed methodologies is change detection task. Change detection task typically involves large amounts of customer transactions and other behavior data. For this reason, data mining techniques usually have been applied for change detection task. Data mining is the process of exploration and analysis of large quantities of data in order to discover meaningful patterns and rules. But much of existing data mining research has been focused on devising techniques to build accurate models and to discover rules. Relatively little attention has been paid to detect changes in databases collected over time (Liu et al. 2000). Most data mining techniques such as association rules, decision trees and neural networks cannot be applied alone to answer the above research questions, because they cannot handle dynamic situations well. Therefore, we developed methodologies for change detection through integration of various data mining techniques.
To evaluate proposed methodologies, case studies also have been conducted. The first case study shows the effectiveness of change mining methodology by applying sales dataset of an online shopping mall who sells various cosmetics. For the validation of the defection detection and prevention methodology, analysis for an online game site has been conducted because it has fluent behavior data for the purpose of billing needs. Especially in internet based company, there exist enormous customer behavior data such as web log and transaction database. This fluent behavior data provides a good opportunity to apply change detection task in real business.
고객행위의 변화를 이해하고 변화하는 환경에 적응한다는 것은 기업 경영에 있어서 매우 중요하다. 고객의 요구가 어떻게 변화되었는지를 알 수 있다면 기업은 변화하는 시장 요구에 맞추어 적시에 적합한 제품과 서비스를 제공할 수가 있다 (Liu et al. 2000). 본 논문은 고객행위의 변화를 탐지하는 방법을 제시하고, 고객관계관리에서 본 방법론이 어떻게 응용될 수 있는지를 고찰한다.
고객 행위변화의 탐지는 조직 수준과 개인 수준에서 각각 고찰될 수 있다. 조직 수준에서 고객 행위변화의 탐지는 서로 다른 두 기간에 수집된 고객 행위 데이터를 기반으로 구매 패턴의 변화, 방문 및 사용 패턴의 변화 등을 탐지하는데 그 목적이 있다. 이때, 경영자는 탐지된 변화의 경향이 바람직하다고 판단되면 그러한 경향을 촉진하고, 바람직하지 못하다고 판단되면 해당 변화를 통제할 수 있도록 마케팅 전략을 수립할 수 있다. 조직 수준에서 고객행위변화 탐지 방법론은 ‘금융위기 전후의 고객 구매 패턴이 어떻게 다른가?’, ‘로열티 켐페인 전후의 고객 행위의 차이는 무엇인가?’, ‘새로운 서비스를 도입하기 전과 후에 구매 패턴이 어떻게 다른가?’ 등의 연구문제를 해결하는데 활용될 수 있다. 이와 같이, 본 논문의 첫번째 부분에서는 조직수준에서 고객행위의 변화를 발견하는 방법론을 제시하고 있다. 한편, 개인 수준에서 고객의 행위를 모니터링하고 있다가, 과거와는 다른 행위 혹은 목표 행위와 (Target Indicator) 유사한 고객 행위가 발견 된다면, 그 원인을 분석함으로써 고객이탈, 사기와 같은 바람직하지 않은 결과를 사전에 예방할 수 있을 것이다 (Ng and Liu 2000; Raghavan et al. 2000). 본 논문의 두 번째 부분에서는 개별 고객 행위의 모니터링 및 변화 탐지를 통해 가망 이탈고객을 탐지하고 이탈 방지 대책을 수립하기 위한 방법론을 제시하고 있다. 가망 이탈고객 탐지를 위한 기본 아이디어는 이탈 고객의 대부분이 이탈 직전에 사용 또는 방문 행위에 있어서 변화를 보인다는 관찰에 기인하고 있다. 행위의 변화를 기반으로 가망이탈고객을 탐지하면 조기 경보형태의 시스템구축이 가능해지므로, 이탈 예방 캠페인을 수행할 충분한 리드타임을 확보할 수 있다. 또한, 고객마다 서로 다른 개인 행위패턴을 기반으로 하므로 개인화 된 이탈 예측이 가능하고, 개인화 된 이탈 방지 캠페인을 수립할 수 있다.
고객 행위변화 탐지를 위해서는 웹로그, 구매 Database 등의 대용량의 고객 행위 데이터에 대한 분석이 요구되기 때문에 데이터 마이닝 기법의 활용이 필수적이다. 데이터 마이닝은 대용량의 데이터로부터 의미 있는 규칙과 패턴을 발견하는 과정으로 정의된다. 그러나, 대부분의 데이터 마이닝 연구는 예측 및 분류의 정확성이 높은 모델을 개발하는데 초점이 맞추어져 있으며, 변화를 발견하는 연구는 지극히 부족한 상황이다 (Liu et al. 2000). 뿐만 아니라, 인공 신경망, 의사결정 나무, 연관성 규칙 발견, 군집 분석 기법 등의 대부분의 데이터마이닝 기법들은 그 자체만으로 변화 탐지와 같은 동적인 문제 해결에 적용하기가 곤란하다. 따라서, 본 연구에서는 다양한 데이터 마이닝 기법들의 통합을 통해 고객 행위 변화 탐지의 방법론을 제시하고 있다.
제안된 방법론을 검증하기 위하여 2개의 사례 연구가 수행 되었다. 첫번째 사례연구는 인터넷 쇼핑몰에서 구매 패턴의 변화를 탐지하는 것을 목표로 하고 있으며, 조직 수준의 고객 변화 탐지 방법론을 적용하여 유의한 구매 패턴의 변화를 파악함으로써 본 방법론의 유효성을 검증하였다. 두번째 사례연구는 온라인 게임 사이트를 대상으로 가망 이탈고객을 탐지하고 개인화 된 이탈 방지 대책을 수립할 목적으로 수행 되었다. 본 방법론은 다중 퍼셉트론 방식의 인공 신경망 기법과 비교해서 이탈 예측의 정확도가 높았으며, 개인화 된 이탈 방지 대책을 자동으로 수립하는 기능에 있어서도 그 유효성을 확인할 수 있었다. 특히, 인터넷 기반의 고객관계관리(eCRM)에서는 다량의 고객행위 데이터의 축적이 용이하기 때문에 고객 행위변화 탐지 방법론은 실제 기업 경영에 유용하게 접목될 것으로 기대된다.
