데이터 특성에 따른 AI 모델의 고객 이탈 예측 성능 비교 연구

A Comparative Analysis of AI Models’ Performance in Predicting Customer Churn Across Different Data Characteristics

고객 이탈 예측은, 창업기업이 확보한 고객을 지속적으로 유지하기 위해 필요한 핵심 활동이다. 최근 선행연구는 인공지능 기술로 비정형 데이터를 분석하여 고객 이탈을 예측하는 기법을 제안하고있으나, 데이터에 담긴 언어적 특성(Linguistic features)에 대한 고려가 부족하고 공개 데이터셋에의존하는 한계를 노출한다. 이에 본 연구는 국내 A 통신사의 Voice of Customer(VoC) 데이터 2,616 건을 수집하여, 언어적 특성에 따라 (i) 다중 발화 텍스트를 단독 사용, (ii) 다중 발화 텍스트와감정점수를 함께 사용, (iii) 다중 발화 텍스트와 문체 특성을 함께 사용한 데이터셋을 생성했다. 이 세 가지 데이터셋을 시퀀스 AI 모델(LSTM, Bi-LSTM, GRU)로 이탈 고객과 비이탈 고객으로분류하였다. 분석 결과, LSTM, Bi-LSTM, GRU 등과 같은 AI 모델 자체 보다는 데이터셋이 담고있는 언어적 특성이 고객 이탈 예측에 있어 더 중요함을 밝혀 낼 수 있었다. 이러한 분석 결과는, 분석 모델의 성능 개선에만 집중한 선행연구에 방법론적 시사점을 제시하며 고객 이탈을 예측해야할 창업기업에 실무적 지침을 제공한다.

Customer churn prediction is a critical activity necessary for startups to continuously retain their acquired customers. Extant research has proposed techniques for predicting customer churn by analyzing unstructured data using artificial intelligence technologies. However, these studies have limitations in that they lack consideration of the linguistic features embedded in the data and rely heavily on publicly available datasets. Therefore, our study collected 2,616 Voice of Customer (VoC) data from a domestic Korean telecommunications company (Company A) and generated three datasets based on linguistic characteristics: (i) using multi-turn conversation text alone, (ii) using multi-turn conversation text combined with sentiment scores, and (iii) using multi-turn conversation text combined with stylistic features. We performed classification analysis on these three datasets using sequence AI models (LSTM, Bi-LSTM, GRU) to distinguish between churned and non-churned customers. The analysis results revealed that the linguistic characteristics embedded in the datasets are more important for customer churn prediction than the AI models themselves, such as LSTM, Bi-LSTM, and GRU. These findings provide methodological implications for prior research that has focused solely on improving analytical model performance and offer practical guidelines for startups that need to predict customer churn.