1. 프로젝트 개요

• 핵심 주제: 신용카드 가입 고객 행동 데이터 분석을 통한 이탈 예측 및 맞춤형 유지 전략(Retention) 수립
• 핵심 가치: 단순 예측에 그치지 않고, AI 모델이 왜 그런 판단을 내렸는지 분석(XAI)하여 실질적인 비즈니스 가이드를 제시함.

2. 활용 데이터셋

• 데이터 출처: Kaggle - Credit Card Customers (IBM 제공 데이터)
• 데이터 규모: 약 10,000명 이상의 고객 데이터, 20개 이상의 변수 포함.
• 주요 변수: 고객 연령, 소득 수준, 카드 등급, 최근 거래 금액/횟수 변동 폭, 카드 이용률 등.
• 강점: 풍부한 변수 구성으로 전처리 역량을 보여주기 좋으며, 실제 산업 현장과 유사한 데이터 구조를 가짐.

3. 기술적 구현 및 분석 전략

① 분석 파이프라인 모듈화 (Modularization)

어떠한 정형 데이터가 들어와도 즉각 대응 가능한 '범용적 분석 프레임워크' 구축:

• def run_binary_clf(): 이탈 여부(Yes/No)를 신속하게 판단하는 이진 분류.
• def run_multi_clf(): 고객 위험도(안전/주의/위험)를 3단계로 세분화하는 다중 분류.
• def run_reg(): 이탈 전 결제 금액 감소 폭을 수치로 예측하여 기대 손실액을 산출하는 회귀 분석.

② ML vs DL 대조군 형성

• 머신러닝: 정형 데이터 최강자인 XGBoost, LightGBM을 활용하여 고성능 베이스라인 구축.
• 딥러닝: **DNN(Deep Neural Network)**을 설계하고 하이퍼파라미터 튜닝을 통해 비선형적인 복잡 패턴 학습.
• 비교 포인트: 성능(Accuracy/Recall)과 해석 가능성 사이의 최적점을 도출하여 최종 모델 선정.

4. 기대 산출물

1. 데이터 전처리 결과서: 결측치 처리, 파생 변수 생성, SMOTE 기법을 활용한 데이터 불균형 해소 과정을 심도 있게 기술.