기술 요약: 시계열 및 동적 B2B 고객 세분화를 위한 분석적 다기준 프레임워크

1. 문제 제기

고객 세분화는 비즈니스 전략 및 공급망 관리를 최적화하는 데 필수적인 도구입니다. 그러나 비즈니스 투 비즈니스 (B2B) 제조 컨텍스트에서의 전통적인 구현은 주로 최근성 (Recency), 빈도 (Frequency), 금액 (Monetary) 을 기반으로 한 RFM 모델과 같은 정적이고 제한된 기준에 의존하는 경우가 많습니다. 비즈니스 투 컨슈머 (B2C) 환경에서는 효과적이지만, 표준 RFM 모델은 B2B 관계의 복잡성, 장기성, 동적 특성을 포착하는 데 자주 실패합니다. 기존 시계열 세분화 접근법은 고객 동역학을 정적인 스냅샷으로 간주하거나 집계된 기능에 의존하여 시간 경과에 따른 변동성, 안정성, 성장 궤적을 간과합니다. furthermore, 특정 비즈니스 목표와 선호도에 따라 세분화 전략을 조정할 수 있도록 다기준 의사결정 (MCDM) 과 시계열 분석을 통합하는 프레임워크는 부족합니다.

2. 방법론

저자들은 RFM 에 성장과 안정성 차원을 통합하여 B2B 고객을 세분화하도록 설계된 동적 적응형 MCDM 프레임워크를 제안합니다. 방법론은 5 단계 프로세스를 따릅니다:

2.1. MCDM 데이터 모델 및 특징 공학

이 프레임워크는 다음을 통합하여 전통적인 RFM 모델을 확장합니다:

• RFM 차원: 최근성, 빈도, 금액 가치.
• 성장 차원: 제품 다양성 (믹스), 부피/수량, 금액 성장 (이익).
• 안정성 차원: 충성도 (첫 주문 이후 연수), 구매 간 부피, 이윤 마진.
  이러한 특징들은 장기적 헌신과 행동적 변동을 포착하기 위해 거래 데이터에서 파생됩니다.

2.2. 선호 기반 특징 가중치 부여 (AHP)

모델을 특정 비즈니스 목표와 정렬하기 위해 저자들은 **계층 분석 과정 (AHP)**을 활용합니다. 이를 통해 도메인 전문가 (예: 영업 전문가) 는 쌍대 비교를 통해 다양한 기준에 상대적 중요도 가중치를 부여할 수 있습니다. 일관성 지수 (Consistency Index < 0.1) 를 통한 일관성 검사는 이러한 가중치의 신뢰성을 보장합니다. 이 단계는 고정된 정적 가중치에 의존하는 대신 의사결정자의 선호도에 따라 세분화가 적응되도록 합니다.

2.3. 시계열 클러스터링

이 프레임워크는 시간에 따른 행동 궤적을 기반으로 고객을 그룹화하기 위해 다변량 시계열 클러스터링을 활용합니다.

• 알고리즘: K-Means 에 비해 다양한 변수 유형을 처리하는 효율성과 능력으로 인해 계층적 (응집형) 및 스펙트럴 클러스터링이 사용됩니다.
• 거리 측정: 고객 궤적 간의 비유사성을 추정하기 위해 특수한 시계열 거리 척도가 사용됩니다:
  • 복잡성 불변 비유사성 (CIDS)
  • 동적 시간 왜곡 (DTW)
  • 시간 상관 계수 (CORT)
• 검증: 클러스터링 품질은 실루엣 (Silhouette) 및 칼린스키 - 하라바시 (Calinski-Harabasz) 지수를 사용하여 평가됩니다.

2.4. 시계열 안정성 모델링

초기 클러스터링을 넘어, 모델은 다음을 분석하여 시간에 따른 고객 안정성을 정량화합니다:

• 전이 (Transitions): 고객이 세그먼트를 전환하는 빈도.
• 변동성 (Volatility): 총 시간 단계로 나눈 고객이 세그먼트를 변경한 횟수로 정의됨.
• 연속성 (Continuity): 고객이 동일한 세그먼트에 머무는 기간.
  "세그먼트 점수"는 연속성, 변동성, 전이를 균형 있게 조정하는 선호 가중치 ($\alpha, \beta, \gamma$) 를 사용하여 계산되며, 안정적인 고객과 높은 이동을 보이는 고객을 식별합니다.

2.5. 그래프 기반 합의 모델링

시계열 클러스터링 및 안정성 모델링의 결과를 종합하기 위해 저자들은 합의 클러스터링 (consensus clustering) 접근법을 적용합니다.

• 노드가 고객을 나타내고 엣지 가중치가 두 가지 클러스터링 방법 간의 합의 (사용자 선호도로 가중치 부여) 를 인코딩하는 유사성 그래프가 구성됩니다.
• Louvain-Leiden 커뮤니티 탐지 알고리즘을 사용하여 밀집된 서브그래프 (커뮤니티) 를 식별함으로써, 단일 방법의 편향을 최소화하는 최종적이고 견고한 세분화를 도출합니다.

3. 주요 기여

• B2B 로 확장된 RFM: 이 논문은 특징 세트에 명시적으로 안정성과 성장 차원을 추가함으로써 표준 RFM 과 B2B 요구 사항 간의 격차를 해소합니다.
• MCDM 과 시계열의 통합: 선호 기반 MCDM(AHP 를 통해) 과 동적 시계열 클러스터링을 결합한 새로운 프레임워크를 도입하여, 변화하는 비즈니스 목표에 반응하는 적응형 세분화를 가능하게 합니다.
• 안정성 및 변동성 지표: 시간에 따른 고객 전이와 변동을 추적하기 위한 구체적인 지표를 기여하여, 세분화에서 미개척된 시계열 고객 안정성 영역을 다룹니다.
• 합의 메커니즘: 시계열 및 안정성 관점을 병합하기 위한 그래프 기반 합의 모델 (Louvain-Leiden) 의 적용은 단일 방법 접근법보다 더 견고한 최종 세분화를 제공합니다.

4. 실험 결과

이 프레임워크는 5 년에 걸친 500 만 건 이상의 거래를 포함하는 3,458 명의 B2B 고객으로 구성된 글로벌 제조 회사의 실제 데이터셋을 사용하여 평가되었습니다.

• 클러스터링 성능: CID 거리 척도와 4 개 클러스터 ($k=4$) 를 사용한 스펙트럴 클러스터링이 가장 높은 실루엣 점수 (0.712) 를 보였으며, CORT 는 칼린스키 - 하라바시 지수에 최적이었습니다.
• 베이스라인과의 비교: 제안된 적응형 MCDM 접근법은 모든 클러스터링 알고리즘 (계층적, 스펙트럴, K-Means) 에서 표준 RFM 및 고정 MCDM 모델보다 모든 측면에서 현저히 우수한 성과를 보였습니다. 예를 들어, 스펙트럴 클러스터링을 사용한 적응형 MCDM 은 실루엣 점수 0.712 를 기록한 반면, 표준 RFM 은 0.365 였습니다.
• 합의 분석: 합의 모델은 시계열 및 안정성 관점을 성공적으로 균형 잡았습니다. 시계열 모델이 더 높은 가중치 (0.6) 를 받았지만, 안정성 모델은 특히 C1 및 C3 세그먼트에서 약 11% 의 재배정을 유도하여 안정성 지표의 통합 가치를 입증했습니다.
• 세그먼트 프로파일: 최종 세분화는 네 가지 뚜렷한 그룹을 식별했습니다:
  • C1: 높은 빈도, 최근 고객으로 중간 수준의 이익이지만 낮은 충성도 (거래 중심).
  • C2: 높은 지출, 충성도 높은 고객으로 강력한 이윤 마진과 제품 믹스를 보유.
  • C3: 낮은 참여, 낮은 가치이지만 높은 제품 다양성.
  • C4: 높은 부피, 낮은 수익성, 높은 충성도 (레거시 구매자).
• 계산 오버헤드: 합의 모델링은 관리 가능한 계산 비용 (표준 CPU 에서 3,458 명 고객 기준 약 22.63 초) 을 추가했지만, 저자들은 매우 큰 데이터셋에 대한 그래프 구성은 최적화 (예: 희소화) 가 필요할 수 있다고 지적합니다.

5. 중요성 및 주장

이 논문은 정적 스냅샷을 넘어선 견고하고 적응적인 B2B 고객 세분화 툴킷을 제공하는 것이 주요 기여라고 주장합니다. MCDM 을 시계열 및 안정성 모델링과 통합함으로써, 이 프레임워크는 도메인 전문가가 다음을 수행할 수 있게 합니다:

1. 전략 맞춤화: 특정 시장 조건과 비즈니스 목표 (예: 성장 대 안정성 우선순위) 에 따라 특징 가중치를 조정합니다.
2. 동적 포착: 정적 RFM 모델이 놓치는 고객 행동 동향, 안정성 및 전이에 대한 심층적인 통찰력을 얻습니다.
3. 의사결정 지원: 고가치 세그먼트를 위한 로열티 프로그램이나 저참여 그룹을 위한 재활성화 캠페인과 같은 타겟 전략을 수립하기 위해 영업 및 마케팅 팀에 실행 가능한 통찰력을 제공합니다.

저자들은 이 방법이 가중치 부여 및 특징 선택을 위해 전문가의 입력이 필요하지만, 특히 다양하고 역동적인 고객 기반을 가진 제조 조직의 경우 전통적인 고정 접근법보다 상당한 분석적 이점을 제공한다고 결론지었습니다. 그들은 거래 데이터에 대한 의존성 (정성적 통찰 제외) 과 대규모 데이터셋에 대한 그래프 구성의 계산 비용과 관련된 한계를 인정하며, 이를 향후 개선 과제로 제안합니다.