실시간 고객 경험 예측을 위한 제한형 랜덤 포레스트 모델

초록

**
본 논문은 이동통신사의 네트워크 사용 로그와 고객센터 전화 기록을 결합해, 사용자가 곧 고객센터에 전화를 걸 가능성을 실시간으로 예측하는 방법을 제시한다. 제한형 랜덤 포레스트(RRF)라는 해석 가능한 의사결정트리 앙상블을 설계하고, 배치·스피드 레이어를 갖춘 빅데이터 파이프라인에 구현해 816 M 건의 데이터(1.9 M 사용자)에서 높은 정확도로 예측함을 입증한다.

**

상세 분석

**
이 연구는 이동통신 사업자가 보유한 방대한 네트워크 메트릭(다운로드량, 재전송 패킷 비율, 사용 앱·디바이스, 위치·시간 등)을 “고객 경험”의 프록시로 활용한다는 점에서 의미가 크다. 기존 연구가 주로 고객 이탈(Churn)이나 설문 기반 만족도에 초점을 맞췄다면, 본 논문은 고객센터 전화라는 실제 행동 데이터를 레이블로 삼아, 실시간에 가까운 시점에서 불만을 사전에 감지한다는 차별점을 가진다.

핵심 알고리즘은 ‘제한형 랜덤 포레스트(RRF)’이다. 일반 랜덤 포레스트와 달리 각 트리는 사전에 정의된 특징 집합을 사용해 학습되므로, 트리마다 어떤 변수(예: 재전송 비율, 특정 앱 사용량)가 예측에 기여했는지 명확히 파악할 수 있다. 이는 통신사 운영자가 문제 원인을 빠르게 식별하고, 셀 타워 조정이나 서비스 공지 등 즉각적인 대응을 할 수 있게 한다.

데이터 파이프라인은 Lambda 아키텍처를 참고해 배치 레이어와 스피드 레이어로 구분한다. 배치 레이어에서는 하루 단위로 과거 데이터를 파티셔닝해 병렬 학습을 수행, 최신 데이터에 가중치를 부여해 모델의 시의성을 유지한다. 스피드 레이어에서는 실시간 스트리밍(시간당 테라바이트 수준) 데이터를 RRF 모델에 투입해 실시간 스코어링을 제공한다. 이러한 설계는 페타바이트 규모의 히스토리 데이터와 초당 수천 건의 트랜잭션을 동시에 처리할 수 있게 한다.

실험 결과는 두 가지 주요 인사이트를 제공한다. 첫째, 재전송 패킷 비율이 높은 구간에서 고객센터 전화가 급증했으며, 특히 Apple Maps 사용 시 네트워크 지연이 심해 불만이 집중되는 현상이 포착되었다. 둘째, RRF 모델은 평균 정확도(Precision)와 재현율(Recall) 모두 0.8 이상을 기록, 기존 로지스틱 회귀나 단일 의사결정트리 대비 현저히 높은 성능을 보였다. 또한, 각 트리의 피처 중요도 분석을 통해 “앱 종류 → 재전송 비율 → 다운로드량” 순으로 영향력이 큰 것으로 나타났다.

이와 같이 제한형 랜덤 포레스트는 예측 정확도와 해석 가능성 사이의 트레이드오프를 최소화하면서, 통신사가 실시간으로 고객 불만을 감지하고 사전 조치를 취할 수 있는 실용적인 솔루션을 제공한다.

**