Top

Catch-Me 기능 및 특징

주요 기능

Segment: 다차원 로열티 회원세분화
필요성
  • 기존의 단순 멤버십 등급과 같은 양적 로열티 세분화만으로는 진정한 로열티 경영이 어렵고, 회원을 효과적으로 관리할 수 없습니다.
접근방안
  • 수학적 다중결합 측정 모형으로 양적 및 질적 로열티를 측정하여 다차원 로열티 기반 회원세분화를 가능하게 합니다.
  • 회원로열티의 두가지 측면을 동시에 고려함으로써 새로운 insight를 확보하고, 효율적인 멤버십 관리의 기반을 확립합니다.
Estimate: 회원이탈예측
필요성
  • 회원이탈을 방지하기 위해 업종별, 회원그룹별 특성을 고려한 이탈예측 기술과 이탈위험도에 따른 차별화된 관리가 필요합니다.
접근방안
  • 이탈패턴이 유사한 세그먼트를 파악하여 동질적인 이탈패턴그룹으로 재결합하고, 그룹별 차별화된 이탈예측모형을 제공합니다.
  • 딥러닝, GB, RF 등 최신 앙상블 머신러닝 모형과 고객행태통계 빅데이터 (CuBA)를 결합하여 최상의 이탈예측 성과를 제공합니다.
Think: 이탈원인추정
필요성
  • 어떤 요인이 회원이탈을 유도하는지 파악하는 것은 구체적인 이탈방지 활동을 기획하는데 도움을 주고, 회원불만요인을 해소하기 위한 조직학습의 기회로 활용할 수 있습니다.
접근방안
  • 기업내 해지사유 및 불만접수 데이터를 Catch Me의 이탈원인 데이터프레임과 결합하여 고객의 이탈원인을 자동으로 예측합니다.
  • 관련 데이터 부재 기업의 경우 추첨쿠폰형 고객불만 서베이 기법을 이용하여 잠재적인 이탈원인 데이터를 체계적으로 축적합니다.
Offer: 개인화 상품/서비스 추천
필요성
  • 개인화 상품/서비스 추천은 단순한 매출증대 효과를 넘어 회원유지율을 높이기 위한 전략적인 활동으로 개선되어야 합니다.
접근방안
  • 고객속성과 거래패턴을 동시에 고려한 결합 협업필터링 알고리즘과 소셜네트워크분석을 응용한 상품네트워크분석 (PNA) 기법을 결합하여 다중연계 앙상블 상품추천 모형을 개발하여 기존에 없었던 최상의 상품추천 성과를 제공합니다.

특장점