OMO: Oline Merge with Offline
기존 O2O 및 옴니채널은 온라인과 오프라인 간 경계 없이 이루어지는 고객의 복잡한 구매 행동 패턴을 이해하기 위한 ‘고객 행동 데이터’ 확보가 어려웠으며, 오프라인의 매장을 방문하는 고객 행동 데이터보다 온라인에 더 높은 비중을 두고 있어 통합적인 관리가 어려운 상황입니다.
경쟁이 치열해짐에 따라 현재 커머스 시장은 실시간으로 고객의 다양한 니즈를 반영하고 더 불규칙해진 구매 패턴을 빨리 파악하고, 언제 어디서든 고객과의 상호작용을 통해 자사 서비스(상품, 브랜드)에 대한 새로운 고객 경험을 제공하는 것이 매우 중요해졌습니다. 온·오프라인 통합 데이터는 이런 시장 변화에 대응하기 위한 필수 요소이며, OMO 서비스가 O2O를 보완한 서비스 전략으로 주목받게 되었습니다.
저희는 고객의 복잡한 구매 여정을 종합적으로 분석하고 그에 맞는 최상의 고객 경험을 제공하고자, OMO 전략을 위한 고객 유형별 확장 가능한 계열사 예측 및 상품 추천을 통해 계열사 확장을 유도하고자 합니다.
(1) 클러스터링 - 고객 구매 데이터를 통한 고객 유형 분석
(2) 예측 모델 - 확장 가능한 계열사 예측
(3) 추천 시스템 - 예측 결과를 바탕으로 상품을 추천하여 계열사 확장 유도
☝ K-Means
✌ HDBSCAN
- 고객 구매 데이터를 기반으로 고객 유형 세분화 및 프로파일링
- 클러스터를 통해 고객 분석 및 새로운 데이터에 대해 유사 고객을 파악하여 상품 추천 시스템 고안
[변수별 클러스터 분포 - 이용한 계열사 수, 고객생애가치]
- x축: 이용한 계열사 수
- y축: 고객생애가치
- 이용한 계열사 수가 많을수록 고객생애가치가 증가 ➡ 계열사 확장의 필요성 재확인
[변수별 클러스터 분포 - 구매금액, 고객생애가치, 이용 계열사 수, 온라인 친화도, 성별]
[프로파일링(페르소나)]
- 12개 클러스터의 관찰 변수 특징에 따라 페르소나 확정 후, 소비 특성에 따라 4개 유형으로 분류(충성/단골/입문/이탈위험)
☝ Xgboost
✌ Catboost
- EDA와 클러스터링 결과에 따라 고객이 이용하는 계열사 수가 유의미한 변수임을 확인
- 고객의 첫 구매 데이터를 통해 추후에 이용 가능성이 높은 계열사 예측
- 다중 분류 예측 모델 사용
- 학습 데이터 생성 방식
모델
- Ligh
나경훈
박희진
하정현