예시 답변 1
약 90초
이탈 예측 모델 개발과 운영 적용
머신러닝 알고리즘을 운영에 적용한 경험으로 고객 이탈 예측 모델 개발 및 배포 프로젝트를 소개하겠습니다. XGBoost 알고리즘을 선택한 이유는 피처 중요도 해석이 가능하면서 비선형 패턴에 강하다는 특성이 이탈 도메인에 적합했기 때문입니다. 피처 엔지니어링 단계에서 최근성·빈도·금액 기반 RFM 파생 변수를 만들어 성능을 크게 높였습니다. 운영 적용 시 모델 예측 결과를 CRM 시스템과 연동해 고위험 고객에게 자동으로 리텐션 캠페인을 발송하는 파이프라인을 구성했습니다. 팀 협업에서는 마케팅 팀과 함께 캠페인 타겟 기준을 합의했고, 모델이 제안하는 기준과 비즈니스 판단을 조율하는 과정이 핵심이었습니다. 결과적으로 이탈률이 18% 감소했습니다.
이 결의 특징
XGBoost를 피처 중요도 해석이 가능하면서 비선형에 강해 이탈 도메인에 맞다는 이유로 고른 선택 근거가 또렷합니다. RFM 파생 변수로 성능을 높이고 예측 결과를 CRM과 연동해 고위험 고객에게 자동 캠페인을 보낸 대목이, 모델을 학습으로 끝내지 않고 운영 파이프라인까지 잇는 결로 읽히게 합니다.
이 결이 통하는 자리
마케팅 팀과 캠페인 타겟 기준을 합의하며 모델 제안과 비즈니스 판단을 조율한 협업이 살아 있을 때 통합합니다. 이탈률 18% 감소가 RFM·CRM 연동이라는 구체와 묶이는 자리에서 면접관의 꼬리질문이 줄어드는 결이 보입니다.