1. 프로젝트 개요

• 핵심 주제: 이커머스 고객의 구매 행동 및 앱 활동 로그를 기반으로 한 멤버십 이탈(Churn) 및 이탈 위험군 예측 모델링
• 핵심 가치: 단순히 이탈 여부를 분류하는 것을 넘어, 어떤 비즈니스적 요인(예: 로켓배송 지연, 접속 빈도 감소 등)이 이탈을 유발했는지 XAI로 해석하고, 이를 타겟팅 할인 쿠폰 발급 등 실질적인 리텐션(Retention) 마케팅 액션으로 연결

2. 활용 데이터셋

• 데이터 출처: https://www.kaggle.com/datasets/ankitverma2010/ecommerce-customer-churn-analysis-and-prediction (Kaggle E-commerce 데이터 기반 한국형 도메인 매핑)
• 데이터 규모: 10,000명 고객, 13개 컬럼
• 타겟 변수: churn (0 = 멤버십 유지/활성, 1 = 멤버십 해지/장기 미접속 이탈)
• 주요 변수(컬럼 의미)
  • 고객 식별: customer_id (모델 학습 시 제거)
  • 고객 속성: age, gender, tenure (가입 기간)
  • 행동/활동 (Activity): days_since_last_login (마지막 로그인 후 경과일), app_usage_time (월평균 앱 체류 시간)
  • 구매/가치 (RFM): recency (최근 구매일), frequency (월평균 구매 횟수), monetary (월평균 결제 금액)
  • 플랫폼 특화 (Coupang-specific): wow_membership (와우 회원 여부), rocket_delivery_ratio (전체 구매 중 로켓배송 비율), cs_inquiry_count (최근 3개월 고객센터 클레임 횟수)
• 강점:
  • 전형적인 이커머스 행동 데이터(RFM)와 플랫폼 충성도 지표가 혼합되어 있어, 도메인 지식을 뽐내기 매우 좋은 구조입니다.

3. 기술적 구현 및 분석 전략

① 분석 파이프라인 모듈화 (Modularization) 이커머스 고객 로그가 지속적으로 적재된다고 가정하고, 배치(Batch) 형태로 돌아갈 수 있는 분류 프레임워크 구성:

• def run_churn_prediction():
  • RFM 기반 전처리 + 모델 학습 + 평가 + XAI 해석 단일화
• def run_rfm_segmentation(): (선택 확장)
  • 예측된 이탈 확률과 VIP 등급을 교차하여 고객군 세분화 (예: '이탈 위험이 높은 VIP', '안전한 신규 고객')

② 전처리 핵심 전략

• 불필요 컬럼 제거: customer_id
• 범주형 인코딩: gender, wow_membership → One-Hot 또는 Label Encoding
• 스케일링: monetary, app_usage_time 등 값의 편차가 큰 변수는 RobustScaler나 StandardScaler 적용 (트리 모델 위주라면 생략 가능하지만 파이프라인 정립을 위해 포함)
• 불균형 대응: 이커머스는 보통 유지 고객이 압도적으로 많음. SMOTE를 활용한 오버샘플링이나 알고리즘 내 class_weight='balanced' 적용 필수.

③ ML vs DL 대조군 구성 (성능 + 해석 가능성 비교)

• 머신러닝 (메인 모델):
  • Logistic Regression: 변수 간의 선형적 관계 파악 및 베이스라인.
  • RandomForest: 기본 트리 앙상블.
  • LightGBM / XGBoost: 정형 데이터 및 대용량 이커머스 데이터에서 가장 빠르고 성능이 높은 최종 후보.