모바일 시장 고객 이탈 예측: 의사결정나무와 로지스틱 회귀 비교

본 논문은 모바일 통신 시장에서 고객 이탈(Churn) 예측을 위한 두 가지 전통적인 데이터마이닝 기법, 로지스틱 회귀와 의사결정나무를 실증적으로 비교한다. 서론에서는 고객 유지가 신규 고객 확보보다 비용 효율성이 높으며, 특히 이동통신사는 연간 20~40%의 이탈률을 보이므로 정확한 이탈 예측이 전략적 중요성을 가진다고 설명한다. 기존 연구들에서 데이터마이닝이 설문 기반 시장조사보다 비용 효율적이고 전체 고객군을 포괄할 수 있다는 점을 강조하며, 회귀와 의사결정나무가 가장 널리 사용되는 두 기법임을 밝힌다. 2장에서는 두 모델의 이론적 배경을 제시한다. 로지스틱 회귀는 입력 변수와 이탈 확률 사이의 선형 관계를 로그오즈 형태로 모델링하며, 회귀계수의 통계적 유의성(p‑값)과 다중공선성 문제에 주의가 필요함을 언급한다. 의사결정나무는 데이터 분할 기준으로 정보이득 비율을 사용하고, 사후 가지치기로 과적합을 방지한다. 나무 구조는 시각적으로 이해하기 쉬우며, 범주형·연속형 변수를 모두 처리할 수 있다는 장점이 있다. 그러나 변수 간 복잡한 상호작용이 많을 경우 트리가 깊어 해석이 어려워지고, 훈련 데이터에 민감해 일반화 성능이 떨어질 위험이 있다. 3장에서는 모델 성능 평가 지표를 상세히 정의한다. 혼동행렬을 기반으로 정확도, 민감도(재현율), 특이도, ROC‑AUC 등을 사용한다. 특히, 고객 이탈 예측에서는 민감도가 중요하다고 강조한다. 정확도만으로는 불균형 데이터에서 오해가 발생할 수 있으므로, ROC 곡선과 AUC를 통해 전반적인 판별력을 평가한다. 또한, Lift 차트를 활용해 상위 decile 고객군에 대한 이탈 예측 효율을 시각화한다. 4장에서는 실험 설계와 결과를 제시한다. 영국 한 모바일 사업자의 데이터웨어하우스에서 추출한 두 개의 데이터셋(각 15,519명·19,919명, 변수 17개)을 사용했으며, 두 데이터셋 모두 이탈 고객 비율이 50%로 균형 잡힌 형태였다. 데이터 전처리 단계에서는 결측값 처리와 변수 변환을 수행했으며, 로지스틱 회귀는 단계별 변수 선택(전진/후진) 방식을, 의사결정나무는 CART 알고리즘을 적용했다. 교차검증(10‑fold)으로 모델을 평가한 결과, 의사결정나무가 로지스틱 회귀에 비해 민감도 0.82 vs 0.71, 특이도 0.78 vs 0.73, AUC 0.86 vs 0.78을 기록했다. 정확도는 두 모델 모두 80% 수준으로 큰 차이가 없었지만, 민감도와 AUC에서 의사결정나무가 우수함을 확인했다. Lift 차트에서도 의사결정나무는 상위 20% 고객군에서 전체 이탈 고객의 55%를 포착했으며, 로지스틱 회귀는 45%에 머물렀다. 5장에서는 결과를 해석하고, 두 기법의 장단점을 정리한다. 로지스틱 회귀는 모델 해석이 용이하고, 변수의 영향력을 정량적으로 파악할 수 있지만, 비선형 관계와 변수 간 상호작용을 포착하기 어렵다. 의사결정나무는 비선형 패턴을 잘 포착하고, 변수 중요도를 시각적으로 제시할 수 있으나, 과적합 위험과 트리 복잡도 증가가 단점이다. 비즈니스 관점에서 이탈 고객을 놓치는 비용이 크므로, 민감도가 높은 모델을 선호한다는 점에서 의사결정나무가 실무에 더 적합하다고 결론짓는다. 마지막으로, 향후 연구 방향으로는 랜덤 포레스트, Gradient Boosting, XGBoost와 같은 앙상블 기법이나 딥러닝 기반 모델을 도입해 예측 성능을 향상시키고, 비용‑편익 분석을 통해 최적의 마케팅 타깃팅 전략을 설계할 필요성을 제시한다. 또한, 변수 선택 과정에서 도메인 지식을 반영하고, 다중공선성 문제를 해결하기 위한 차원 축소(PCA) 등도 고려할 것을 권고한다.