Survival / Churn analysis (생존 / 이탈 분석)

생존분석.

 

생존분석은 과거의 데이터를 바탕으로 분석대상이 살아남느냐 아니냐를 예측하는 분석 아이디어이다.

이 분석은 의료 도메인에서 먼저 제안되고 또 많이 이용해왔다고 한다.

예컨데, 과거의 패턴을 통해 현재 환자들이 결국 생존할 지 혹은 사망할 지를 예측할 수 있고,

어떠한 질환에 있어서 투약하는 약물이나 어떠한 치료 환경이 생존에 영향을 미치게 되는지,

그 변수들의 영향력을 알아보는 데도 유용하다.

 

그런데, 이와 같은 아이디어는 경영환경에서도 유용하게 적용할 수 있다.

분석 대상을 환자가 아닌 소비자들로 바꾼다면, 고객관리에 있어서 아주 중요한 시사점을 뽑아낼 수 있다는 사실을 알 수 있다.

소비자의 생존은 기업과 소비자의 관계유지를, 사망은 관계이탈을 의미하는 것으로 볼 수 있는 것이다.

(#이러한 발상의 전환과 아이디어는 언제봐도 정말 대단하다.)

 

이에 같은 맥락으로 현재 소비자들이 우리와 관계를 유지할 지를 예측해볼 수 있고, 관계유지와 이탈에 영향을 미치는 변수들의 영향력을 알아볼 수 있는 것이다. 이렇게 뽑아낸 시사점을 바탕으로 마케팅 캠페인을 전개하거나 고객관계관리(CRM), 고객경험관리(CXM)에 있어서 관리를 들어가야하는 지점과 그 정도를 뽑아낼 수 있다.

실제로 그러한 시사점은 기업에서 매우 관심을 가지고 있는 부분이기도 하다.

 

 

 

출처) 구글

 

 

참고로, 요새는 각 전략에 따른 이유도 있겠지만, 머신러닝 알고리즘에서 지도학습의 레이블(주로 1 or 0)을 사건 발생으로 넣어주기 위하여 이탈을 1로 두는 경우가 대부분이다.

이에 분석이 사건, 즉, 이탈을 잡아내는 방향으로 이루어지기 때문에, 그 분석을 "이탈분석", 분석 모델을 "이탈모델" (churn model)이라고 부른다.

 

#생존(관계 유지)과 이탈은 동전의 양면과 같다. 수식으로 쓴다면 "1 - 생존율 = 이탈율"이다.

 

당연하게도 환자와 소비자들만이 분석의 대상이 돼야 하는 것은 아니다.

그 대상을 확장하여 생존, 이탈분석을 여러 분야에 적용해보는 것도 정말 흥미롭다.

필자는 직원들의 인사 데이터를 바탕으로 이탈에 퇴사라는 새 의미를 부여한 뒤, 직원들의 퇴사패턴과 각 변수들을 영향력을 분석해본 경험이 있다. 

 

 

hr 이탈분석, 출처)구글

 

 

이처럼 이 분석은 여러분야에, 특히 경영 전반에 아주 유용하게 이용될 수 있다.

모든 것을 양적으로, 수치로 평가하고 움직이는 데이터 경제에서 고객관계라는 조금 추상적일 수 있는 개념을 보완하는 아주 중요한 장치로 활용할 수 있는 것이다. 

 

자세한 분석 방법과 알고리즘은 idea와 with data 카테고리에 올려둘 예정이다.