행동 시퀀스 트랜스포머를 이용한 구독 비즈니스의 고객 이탈 예측

Abstract

정기적으로 일정액을 납입하고 서비스를 이용하는 디지털 구독 비즈니스 시장은 최근 몇 년 동안 지속적으로 성장해 왔다. 통계 플랫폼인 Statista에 따르면 2020년 6,500억 달러로 집계된 전 세계 디지털 구독 시장의 규모는 2025년 1조 5,000억 달러로 연평균 18.2% 증가할 것으로 예상된다. 이제는 전통적인 구독 비즈니스인 정수기, 학습지, 이동통신부터 콘텐츠, 음원, 소프트웨어와 같은 디지털 구독 비즈니스까지 어디서나 쉽게 구독 서비스를 만날 수 있다.

서비스의 이용과 이탈이 자유로운 디지털 구독 비즈니스가 지속적으로 성장하기 위해서는 무엇보다 서비스를 이용 중인 구독자의 만족도를 유지하는 일이 중요하다. 신규 고객을 지속적으로 유치한다고 하더라도 평균적인 이용 기간이 짧다면 서비스 제공을 통해 얻는 이익 보다 획득 비용이 더 높아지는 문제가 발생한다. 따라서 구독자의 만족도를 예측하고 이탈을 방지하는 일은 지속 가능한 구독 비즈니스 모델을 만들기 위한 핵심적인 활동으로 여겨진다.

본 연구에서는 트랜스포머 아키텍처를 이용해 구독자의 미납 여부를 예측하는 Churn Behavior Sequence Transformer (Churn BST) 모델을 제안하였다. Churn BST 모델은 트랜스포머를 이용한 Sequence 모델링을 통해 시간의 흐름에 따른 구독자의 행동 변화를 동적으로 파악한다. 또한, Sequence 데이터와 Non-sequence 데이터의 결합을 통해 미납 고객의 일반적인 Latent Representations을 학습함으로써 과적합 문제를 해결하고 효과적인 예측을 수행한다.

Churn BST 모델은 비교 실험에서 서로 다른 이탈률을 가진 복수의 구독 비즈니스를 대상으로 기존의 머신러닝 및 딥러닝 방법론 보다 평균적으로 더 높은 예측 정확도를 보여주었다. 특히, 학습에 이용되지 않은 Unseen 데이터셋에서 성능이 저하되는 기존의 방법론에 비해 Precision-Recall AUC (PR AUC)를 25.97% 개선하는 성과를 거두었다. 다양한 데이터셋에서 강건한 (Robust) 성능을 보여준 Churn BST 모델은 지속적으로 구독자의 데이터 분포가 변화하는 실제 산업현장에서 보다 효과적인 대안을 제시한다.

The subscription business market has been growing continuously in recent years. According to data from the statistics platform Statista, the global digital subscription market, which was valued at $650 billion in 2020, is expected to reach $1.5 trillion in 2025, growing at an average annual rate of 18.2%. From traditional subscription business models (e.g., water purifiers, study books, and mobile communication) to digital subscription business models (e.g., content, music, and software), subscription services are now everywhere.

In order to increase the sustainability of the subscription business, it is crucial to maintain the subscribers' satisfaction. When new customers use the service for a short period, the acquisition cost could rise above the revenue. Therefore, predicting the churn rates and preventing churn is a pivotal activity for creating a sustainable subscription business model.

In this work, we propose the Churn Behavior Sequence Transformer (Churn BST) based on the transformer architecture, which predicts the possibility of nonpayment of subscribers. Churn BST models the interaction sequence of the subscriber through the transformer network and captures the dynamic changes in the subscriber behavior. In addition, Churn BST learns latent representations of unpaid subscribers by concatenating the sequence and non-sequence data. Therefore, it solves the overfitting problem and increases generalized predictive performance.

Churn BST shows higher average prediction accuracy than traditional machine learning and deep learning methodologies. In particular, Churn BST improves Precision-Recall AUC (PR AUC) by 25.97% on the Unseen datasets for which the existing methodologies cause severe performance degradation due to the overfitting problem. The robustness of Churn BST presents a more practical alternative in real-world applications where the data distribution of subscribers continuously changes.