1. 프로젝트 내용

1-1. 프로젝트 개요

• 은행 상품 가입 유도를 위한 마케팅을 할 때 **타겟 마케팅**이 아닌 AI모델로 타겟팅
• 고객의 정형화된 기본 정보 뿐만이 아니라 과거부터 누적된 고객 행동 패턴을 기반한 AI모델

1-2. 프로젝트 수행 내용

• 고객 여정 테이블 구축(각 채널별 로그 데이터 - 스마트 뱅킹, 콜센터, 거래 내역 등)
• 고객 정형 테이블 구축(고객 기본정보, 수신, 여신, 카드 등)
• 고객 여정 & 고객 정형 데이터를 활용한 상품군 추천 모델 개발
• 고객 Segmentation(선호, 이탈) 모델 개발

2. 프로젝트 결과

2-1. 오프라인 성능

• 11개의 상품군(주택청약, 예금, 신용대출, 신용카드, 체크카드 등)에 대해 AUC, LIFT로 평가
• AUC : 최소 0.8이상 & 평균 0.9이상
• LIFT(상위 10%) : 최소 2.5이상 & 평균 3이상
  • LIFT : (모델 score 기준 상위 10% 가입률) / (Random Sample 10% 가입률)
  • ex) 100만명 중 1만명이 금융 상품에 가입 했을 때, 랜덤으로 10%를 뽑을때 가입률은 1%(1,000/100,000), 모델 score 기준 상위 10%를 뽑았을 때의 가입률을 3%라고 했을 때 → 3(3%/1%)
  • Mass Marketing 대비 Target Marketing의 성능으로 볼 수 있음

2-2. 온라인 성능

• Mass Marketing 대비 약 1.5~2배 정도 성능이 있음(2023년 상반기 기준)

3. 역할 및 기여한 내용

• AI 학습 마트(고객 행동 여정, 고객 프로파일) 구축(Python & Oracle)
  • 광주은행과 동일하게 진행
  • • 가입률 분석을 상품군 단위로 세분화하였으며 Coverage까지 고려한 계산식을 산출하여 유의미한 행동을 선정함.
• AI Segmentation(선호, 이탈) 모델 구축 & 서빙(Python - LGBM & ONNX)
  • Issue : 일별 100만이 넘는 고객에 대해 1년치 데이터를 모두 활용하기에는 제한적
  • → 선호, 이탈 각각 유의미한 고객들만 추출하여 진행
    • ex) 이탈 정의를 상품을 해지하고 3개월 재가입하지 않는 고객이라고 할 때, 고객 대상을 상품을 가입하고 있거나 3개월 이내에 해지한 고객들에 한해서만 진행
  • → 금융 도메인에서는 일별로 드라마틱하게 데이터들이 변화하지 않다고 생각되어 4-5일 중 하루만 선택해서 모델 학습 진행
  • → Base Model 기준 학습 속도 10배 이상 단축 & 성능 유지