As the Internet and mobile devices spread around the world, many people have become interested in customer relationship management (CRM) using Web or mobile technology. These technologies provide new opportunities for service providers to increase sales and customer satisfaction. However, in order to obtain these positive outcomes, companies should understand their customers in depth, and they should be able to predict customer behavioral patterns accurately. As a result, building an appropriate customer classification model and a recommendation model has become one of the most important issues in the analytic CRM area under the existing ubiquitous environment.
Customer classification means that a company classifies its customers into predefined groups having similar behavior patterns. In general, companies construct a customer classification model to find the prospects for the specific product. This kind of knowledge may create a variety of marketing opportunities for the company such as one-to-one marketing, direct mail, and sales promotion via the telephone or e-mail. A recommendation model is used to help customers who are searching for products they would like to purchase by creating a list of recommended products. It is also used as a tool for accelerating cross-selling and strengthening customer loyalty.
Both of these models require a sophisticated analytic process to provide beneficial and useful information for a company. However, there are many barriers that interfere with the process, thus researchers have focused on the issues surrounding the enhancement of the process to build these models. This study also deals with the topics of improving the performance - prediction accuracy and customer satisfaction - for the customer classification and recommendation models. We propose novel approaches for two areas to build the customer classification and recommendation models, (1) appropriate preprocessing techniques and (2) enhanced classification techniques.
We suggest the independent component analysis (ICA) and GA K-means clustering method as preprocessing techniques. ICA is a statistical method for transforming multidimensional vectors into components which are statistically as independent from each other as possible. That is, ICA produces transformed input data which is more significant and noiseless. Consequently, when we use the independent components derived from ICA in place of the original input data set, we can get more accurate and reliable results. Though ICA has been applied in engineering fields such as medical prediction, face identification and text recognition, this study applies it to the customer classification model whose input data usually has much noise.
We also propose GA K-means clustering. The conventional K-means method is a widely used clustering procedure that searches for a nearly optimal partition with a fixed number of clusters. However, it also has many shortcomings and one of them is that the clustering result may depend on the initial seeds but there exists no mechanism to optimize the initial seeds. GA K-means, our proposed model, optimizes the initial seeds for the conventional K-means algorithm by applying a global search using genetic algorithms (GA). The experimental results show that GA K-means outperforms other classification methods, and the recommender system using GA K-means as a clustering method produces recommendation results with which users are satisfied.
We propose the upgraded model of a traditional classification technique ― case-based reasoning (CBR) using GA. CBR is a problem solving technique that reuses past experiences to find a solution for a new input problem. Usually, CBR is easy to implement and able to explain why it produces a specific result. Furthermore, its prediction model is maintained in an up-to-date state because the case-base is updated in real time, which is a very important feature for the real-world application. Nevertheless, CBR has hardly attracted researchers’ interests because its prediction accuracy is usually quite low. To enhance its prediction accuracy, it is most important to design an effective case retrieval mechanism. This study suggests two methods for improving the case retrieval phase. One is to optimize the number of neighbors to combine (k parameter in k-Nearest Neighbor), and the other is simultaneous optimization of the feature weights and instance selection. We apply these models to the customer classification model. Experimental results show that these methods outperform other prediction algorithms from the perspective of prediction accuracy.
Finally, our paper also suggests a new advertisement recommendation system for mobile users. Our recommender model, MAR-CF (Mobile Advertisement Recommender model using Collaborative Filtering) is based on collaborative filtering (CF), a widely-used method for recommendation. However, compared to traditional CF systems, our CF system uses location and time information of the users as well as their current needs type in order to refine the recommendation results. Using this approach, MAR-CF system can generate effective recommendation results as well as make a recommendation in an efficient way. Our study examines the usefulness of this system by empirical validation. Experimental results show that our proposed method outperforms other comparative methods including traditional CF algorithm from the perspective of prediction accuracy.
이른바 유비쿼터스(Ubiquitous) 혁명으로 대표되는 인터넷 및 무선통신의 발달에 따라, 오늘날 기업들은 웹(Web)이나 모바일 통신을 활용한 고객관계관리에 보다 많은 관심을 기울이고 있다. 그러나, 이러한 고객관계관리가 효과적인 성과를 내기 위해서는, 고객들의 행동 패턴에 대한 기업들의 이해수준이 보다 고도화되어야 하며, 이를 통해 보다 정확하고 정밀한 고객의 구매행동 예측이 이루어져야 한다. 이러한 배경으로 인해 최근 기업의 제품이나 서비스의 구매를 예측하는 ‘고객 분류 모형’의 구축이 분석 CRM 분야에서 중요한 연구 주제 중 하나로 부상하고 있다.
본 연구에서는 이러한 ‘고객 분류 모형’을 구축하는데 있어서, (1) 적절한 자료 전처리 기법 및 (2) 개선된 분류모형 구축과 관련한 새로운 방법론들을 제안하고 있다. 우선, 자료전처리 기법으로는 ICA (Independent Component Analysis)와 GA K-means 군집화 방법을 제안한다. ICA는 다차원 벡터를 통계적으로 독립을 만족시키는 단위 요소로 변환하는 방법으로, 잡음제거 및 예측성과 향상 효과를 가져올 수 있는 방법론이다. 이에 본 연구에서는 일반적으로 자료의 양은 많으나, 잡음을 많이 포함하고 있는 인터넷 쇼핑몰의 고객 분류 모형에 ICA를 적용함으로서, 고객 구매의 예측성과를 개선하고자 하였다.
아울러, GA K-means 군집화 방법은 초기 군집중심점의 설정에 따라 국소최적화가 발생할 수 있는 전통적인 K-means 군집화 방법을 개선하기 위한 방법으로서, 유전자 알고리즘(GA)을 이용해 군집중심점을 전역최적화하는 방법을 제안한다. 본 연구에서는 이러한 GA K-means 군집화 방법을 인터넷 쇼핑몰의 고객 분류 모형 구축에 대한 전처리 방법으로 적용하여, 본 방법론이 보다 만족스러운 추천결과를 고객에게 제공할 수 있음을 확인하였다.
분류방법론 개선과 관련하여, 본 연구에서는 전통적으로 많이 활용되어 온 분류기법 중 하나인 사례기반추론(CBR, Case-based Reasoning)의 2가지 개선방안을 제시하고 있다. 우선 첫번째 방법은 결합할 최적 사례수(k-NN의 k 모수)를 유전자 알고리즘으로 최적화 하는 방법이며, 다른 하나는 각 변수별 가중치와 학습사례 선정을 유전자 알고리즘으로 최적화 하는 방법이다. 본 연구에서는 이 두 가지 방법을 사례기반추론을 활용한 고객 분류 모형 구축에 적용하였다. 실제 인터넷 쇼핑몰의 데이터를 활용해 실증적인 검증을 수행해 본 결과, 본 연구에서 제안한 모형들이 기존 방법론들이 보여주는 예측성과를 크게 개선할 수 있음을 확인할 수 있었다.
끝으로, 본 연구에서는 휴대전화 사용자들을 위한 모바일 광고 추천 모형을 제안하고 있다. 이른바 MAR-CF (Mobile Advertisement Recommender model using Collaborative Filtering)로 명명한 본 연구의 제안모형은 전통적으로 널리 적용되어 온 추천방법론인 협업 필터링(CF)을 기반으로 하고 있다. 하지만, 장소, 시간, 그리고 고객의 관심 정보를 활용해 추천결과를 보다 정교화함으로서, 모바일 환경에서 보다 적합한 지역광고를 보다 효율적인 방법으로 추천할 수 있도록 설계되었다. 모형의 우수성을 검증하기 위한 실험결과, 본 연구의 제안 모형이 전통적인 협동필터링 방법에 비해, 예측성과 측면에서 보다 우수한 예측결과를 제공함을 확인할 수 있었다.
