In the last decade since the first research about customer behavior in online environment was originally published, there has been much research efforts both in industry and academia on modeling dynamic user behavior and analyzing groups or personal behavior patterns in B2C environment. From Customer Relationship Management (CRM) perspective, it is critical to understand and model the change of customer’s behavior patterns (i.e., purchasing patterns, browsing patterns or reaction patterns toward a promotion) based on which a company will be able to promote desirable trends and prevent undesirable trends. In recent years, the advent of Web 2.0 environments and related technologies have brought the new digital age such as P2P environment (e.g., Web-based social networks) since the advent of World Wide Web which also created a new society and a new industry. In Web-based social networks, a vast majority of current online users are encouraged to share their personal profiles, personal interests, knowledge or valuable user-created contents with anonymous users. However, online users in such Web-based social networks face a challenge to find a large number of trustworthy users from anonymous users. Therefore, for the success of online communities, it is vital to provide a reliable computational trust model which assesses a degree of trust on anonymous users in the eye of an individual user.
The eventual goal of a trust model for P2P environment is the same with a dynamic user behavior model for B2C environment, in terms of Customer Relationship Management concerns attracting and keeping valuable customers. However, the unique nature of a B2C online market such as Amazon.com and a P2P based online community makes great differences. Thus, there is need to model and predict consumer (online user) behavior with a different approach right for each market with available data.
In this thesis, we suggest dynamic user behavior models for a B2C traditional e-commerce market where various methodologies of detecting the change of user behavior over time are used for customer relationship management (Study A and B). Next, we suggest a social trust relationship model for a P2P based online community where social interactions are constructed based on a degree of trust rather than user’s preference or profile similarity (Study C). We show how to and why to differently model and analyze users behavior or social relationships with three proposed methodologies.
In the first methodology (Study A), called ‘A dynamic procedure for detecting and preventing defection based on the mean time to defection’, we develop a procedure for detecting and preventing defection using SOM and a Markov process. With this defection detection procedure, we can predict the mean time to defection by a unique and novel dynamic feature. This feature helps a marketing manager to prepare plans at the right time for defection prevention. Moreover, our approach can provide a procedure for defection prevention as well as defection detection, which recommends a suitable behavior state for the next period to be guided, and so lower the likelihood of defection.
In the second methodology (Study B), we propose the sequential decision making method for profit maximization under the given defection probability in direct marketing. We adopt a Reinforcement learning algorithm to determine the sequential optimal marketing actions. With this finding, we design a marketing strategy map to help a marketing manager identify sequential optimal campaigns, customers’ behavior dynamics in each state and the shortest paths toward desirable states.
In the third methodology (Study C), we present a computational framework for predicting trust connectivity between a pair of users in a P2P based online community. Unlike existing computational trust models which use only direct experiences or testimonies from witness, our trust model is richer in systematically accommodating direct experiences and personalized testimonies (a reputation) and, combining multiple context trust evidence weighted by a user affinity value for contexts.
본 논문은 인터넷 기반의 고객관계관리 (eCRM)를 위해, B2C 온라인마켓 환경에서는 사용자의 동적 행위를, P2P 온라인 커뮤니티 환경에서는 사용자들 간의 신뢰도를 분석, 모델링 하였다. 2004년 Web 2.0의 등장 이후, 경제적으로 가치가 있는 기존 고객을 유지하고 새로운 고객을 유치하려는 고객관계관리의 기본 목적에는 변함이 없지만, 웹에서의 고객관계관리의 접근 방법이 변화하는 것을 확인할 수 있다. 우선, 기존의 B2C 온라인 환경에서는 웹 로그, 구매 데이터베이스 등의 대용량 고객 행위 데이터로부터 의미 있는 규칙, 행위 패턴을 모델링 하거나, 행위 패턴의 변화를 예측함으로써, 고객에게 구매 가능성이 높은 새로운 제품을 추천하고 (추천시스템), 잠재 이탈 고객을 예측하는 (이탈 예측 및 이탈 방지 시스템), 동적 사용자 행위 모델링이 주요 이슈이다. 하지만 Web 2.0의 등장으로 웹에서의 사용자의 역할은 단순한 정보의 사용자에서 정보의 생산자 (제공자)로 확대 되어진다. 따라서 온라인 사용자들은 온라인 커뮤니티 환경에서 다른 사람들과 개인적인 관심사에서부터 자신이 직접 제작한 컨텐츠 (지식) 등을 공유함으로써 온라인 상에서 새로운 소셜 커뮤니티를 형성해 나간다. 즉, P2P 온라인 커뮤니티에서는 사용자 개개인의 행위 변화를 모델링 하기 보다는 사용자들간의 상호작용이 어떻게 형성되는지 분석함으로써, 개별 사용자들에게 그들이 신뢰할 수 있는 사용자들로 구성된 소셜 커뮤니티를 추천해 주거나, 특정 주제에 대한 전문가 그룹을 추천해 주는 것이 주요 이슈가 되고 있다. 따라서 본 논문에서는 두 온라인 환경의 차이점에 대한 이해를 바탕으로, B2C 온라인 환경을 위한 2개의 동적 사용자 행위 모델 (Study A & B)를, P2P 온라인 커뮤니티를 위한 사용자 신뢰도 분석 모델(Study C)를 제시하였다.
먼저, 첫 번째 연구 (Study A)에서는 데이터 마이닝 기법의 하나인 SOM과 마코브 체인을 결합하여, 고객 이탈 탐지 및 방지를 위한 동적 절차를 제안하였다. 기존의 이탈 탐지 모델들이 고객의 이탈 가능성을 바탕으로 잠재 이탈 고객을 찾는 데에만 초점을 맞춘 반면, 본 연구에서는 잠재 이탈자를 예측하고, 그들의 예상 이탈 시기를 예측함으로써, 마케팅 담당자들에게 이탈 방지를 위한 리드 타임을 제공해 줄 수 있다. 뿐만 아니라, 본 논문은 주어진 리드 타임 내에 잠재 이탈 고객들의 이탈 확률을 낮출 수 있도록, 고객의 행위 변화를 급진적 또는 점진적으로 유도할 수 있는 전략을 함께 제시하였다.
두 번째 연구 (Study B) 에서는 B2C 환경에서 다이렉트 마케팅의 최적화를 위해, 고객 이탈률을 일정 수준 이하로 낮추면서, 이윤을 극대화 할 수 있는 순차적 의사결정 모델을 제안하였다. 기존의 다이렉트 마케팅 방법론은 이윤 극대화라는 단일 목적을 달성하기 위해, 마케팅 비용이 많이 들어가는 잠재 이탈자 (장기적인 관점에서 우량 고객으로 성장할 수 있는 고객)을 마케팅 대상에서 제외함으로써, 고객관계관리의 중요한 이슈인 고객 이탈과 고객 이탈로부터 발생하는 금전적, 비금전적 손실을 함께 고려하지 못하는 한계를 갖고 있다. 따라서 본 연구에서는 마케팅에 있어서 서로 상충되기 쉬운 이윤 극대화와 이탈률 최소화라는 두 가지 목적을 효율적인 관점에서 달성하기 위해, 이탈률을 최소화 하기 위해 필요 이상의 비용을 사용하기 보다는, 이탈률은 기업에서 수용할 수 있는 정도 (안전하다고 판단되는 정도)로만 유지하고, 이윤은 극대화할 수 있도록 마케팅의 목적을 수립하였다. 이와 더불어 마코브 프로세스의 한 형태의 강화 학습을 이용하여 연속적인 마케팅 캠페인의 수행과 그에 따른 고객의 행위 변화, 수익 및 이탈률의 변화를 순차적으로 학습할 수 있도록 제안 하였다. 궁극적으로 본 연구에서 제안된 순차적 의사결정 모델은 이윤 극대화만을 위한 모델 또는 이탈률 최소화만을 위한 모델에 비해 총 수익 및 최종 이탈률에서 우월함을 보여 주었다.
마지막 세 번째 연구 (Study C)에서는 P2P 온라인 커뮤니티 환경에서 사용자들 간의 신뢰도를 계산할 수 있는 신뢰도 계산 모델을 제안하였다. 온라인 커뮤니티 환경에서 일부 적극적인 온라인 사용자들을 제외한 대부분의 온라인 사용자들은 소수의 일부 사용자들과 매우 미미한 직접적인 인터렉션(상호작용)을 하고 있다. 따라서 기존의 신뢰도 계산 모델에서는 데이터의 희소성 (sparseness)으로 인해, 각 사용자 별로 개인화된 신뢰도 (local trust)를 계산하기 보다는 온라인 커뮤니티 전체 사용자들이 특정 사용자에 대해 가지는 총체적인 의견 (global trust, reputation)을 계산하고 있다. 사용자의 직접적인 인터렉션 데이터를 이용하여 개인화된 신뢰도를 계산하는 일부 모델들의 경우, 데이터의 희소성으로 인해 낮은 예측의 정확도 및 신뢰도를 보여주고 있다. 하지만 신뢰도는 사용자의 과거의 직접적인 경험뿐 만 아니라, 다른 사용자들로부터 수집한 타겟 사용자에 대한 여러 의견들이 종합적으로 반영되어 형성되는, 개인의 타겟 사용자에 대해 갖는 주관적인 믿음이다. 따라서 본 연구에서는 직접적인 경험으로부터 얻은 데이터와 다른 사용자들로부터 얻은 간접적인 데이터를 Belief function으로 모델링 하여, Dempster-Shafer Theory의 결합 규칙을 이용하여 결합함으로써, 최종적인 신뢰도 값을 계산하였다. 본 연구에서는 다른 사용자들로부터 얻은 간접적인 데이터를 단순 결합하는 것이 아니라, 각 사용자 별로 다른 사용자들의 의견에 영향을 받는 정도를 계산하여 신뢰도를 계산하는데 반영함으로써, 최종적으로 예측의 정확성을 높일 수 있었다.
