고객 리텐션의 전략

1부. 무기고 쌓기

1장. 이탈의 세계
1.1 이 책을 읽어야 하는 이유
1.1.1 전형적인 이탈 시나리오
1.1.2 이 책의 주제
1.2 이탈과의 싸움
1.2.1 이탈을 줄이는 개입
1.2.2 이탈을 다루기 어려운 이유
1.2.3 뛰어난 고객 지표: 고객 이탈 방지를 위한 무기들
1.3 이 책의 차별점
1.3.1 실용적이고 심도 있는 내용
1.3.2 모의 사례 연구
1.4 반복되는 사용자 상호 작용이 있는 제품
1.4.1 유료 소비자 상품
1.4.2 사업 대 사업 서비스
1.4.3 광고 지원 미디어 및 앱
1.4.4 소비자 피드 구독료
1.4.5 프리미엄 비즈니스 모델
1.4.6 앱 내 구매 모델
1.5 비가입자 이탈 시나리오
1.5.1 이탈로서 비활성
1.5.2 무료 시험 전환
1.5.3 업셀링/다운셀링
1.5.4 예/아니오 고객 예측
1.5.5 고객 활동 예측
1.5.6 이탈과 같지 않은 사용자 사례
1.6 고객 행동 데이터
1.6.1 공통 제품 분류의 고객 이벤트
1.6.2 가장 중요한 이벤트
1.7 이탈과 싸우는 사례 분석
1.7.1 클립폴리오
1.7.2 브로들리
1.7.3 벌서처
1.7.4 소셜 네트워크 시뮬레이션
1.8 훌륭한 고객 지표에 대한 사례 연구
1.8.1 활용도
1.8.2 성공률
1.8.3 단가
요약

2장. 이탈 측정
2.1 이탈률의 정의
2.1.1 이탈률과 점유율 계산하기
2.1.2 이탈률과 점유율 사이의 관계
2.2 구독 데이터베이스
2.3 기반 이탈 계산: 순점유
2.3.1 순보유 계산
2.3.2 SQL 순보유 계산
2.3.3 순보유 해석
2.4 표준 계정 기반 이탈
2.4.1 표준 이탈률 정의
2.4.2 이탈 계산을 위한 외부 조인
2.4.3 SQL을 이용한 표준 이탈 계산
2.4.4 표준 이탈률을 사용하는 경우
2.5 비구독 제품의 이벤트 기반 활동 이탈
2.5.1 활성 계정과 이벤트 이탈의 정의
2.5.2 SQL을 사용한 활동 이탈 계산
2.6 고급 이탈: 월별 반복 수익(MRR) 이탈
2.6.1 MRR 이탈 정의와 계산
2.6.2 SQL을 사용한 MRR 이탈 계산
2.6.3 MRR 이탈 대 계정 이탈 대 순보유 이탈
2.7 이탈률 측정 전환
2.7.1 생존자 분석(고급)
2.7.2 이탈률 변환
2.7.3 SQL의 이탈 측정 윈도우 변환
2.7.4 이탈 측정 윈도우 선택
2.7.5 계절성과 이탈률
요약

3장. 고객 측정하기
3.1 이벤트에서 메트릭으로
3.2 이벤트 데이터 웨어하우스 스키마
3.3 1회 주기 이벤트 계수
3.4 메트릭 기간 정의의 세부 사항
3.4.1 주간 행동 주기
3.4.2 메트릭 측정에 대한 타임 스탬프
3.5 다른 시점에서 측정
3.5.1 겹치는 측정 윈도우
3.5.2 타이밍 메트릭 측정
3.5.3 측정 메트릭 저장
3.5.4 시뮬레이션 예제를 위한 측정 메트릭 저장
3.6 이벤트 속성의 총계 및 평균 측정
3.7 측정 메트릭 품질 보증
3.7.1 시간 경과에 따른 측정 메트릭 변화 테스트
3.7.2 측정 메트릭 품질 보증(QA) 사례 연구
3.7.3 메트릭을 수신하는 계정 수 확인
3.8 이벤트 QA
3.8.1 시간 경과에 따른 이벤트 변화 확인
3.8.2 계정별 이벤트 확인
3.9 행동 측정 시 측정 주기 선정
3.10 계정 테뉴어 측정
3.10.1 계정 테뉴어 정의
3.10.2 계정 테뉴어에 대한 재귀 테이블 표현식
3.10.3 계정 테뉴어 SQL 프로그램
3.11 MRR 및 기타 가입 메트릭 측정
3.11.1 MRR을 메트릭으로 계산
3.11.2 특정 금액에 대한 구독
3.11.3 메트릭으로 구독 단위 수량 계산
3.11.4 메트릭으로 청구 기간 계산
요약

4장. 갱신과 이탈 관찰
4.1 데이터 세트 소개
4.2 고객 관찰 방법
4.2.1 관측 리드 타임
4.2.2 갱신 및 이탈 순서 관찰
4.2.3 구독에서 데이터 세트 생성 개요
4.3 구독에서 활성 기간 식별
4.3.1 활성 기간
4.3.2 활성 기간 저장 스키마
4.3.3 진행 중인 활성 기간 찾기
4.3.4 이탈로 끝나는 활성 기간 찾기
4.4 비구독 제품의 활성 기간 파악
4.4.1 활성 기간 정의
4.4.2 이벤트에서 데이터 세트 형성 프로세스
4.4.3 활성 주 계산을 위한 SQL
4.5 관찰 일자 선정
4.5.1 이탈 및 비이탈 관찰의 균형
4.5.2 관찰 일자 선택 알고리즘
4.5.3 관찰 날짜 SQL 프로그램
4.6 이탈 데이터 세트 내보내기
4.6.1 데이터 세트 생성 SQL 프로그램
4.7 분할을 위한 현재 고객 내보내기
4.7.1 활성 계정 및 메트릭 선택
4.7.2 메트릭으로 고객 분할
요약

2부. 전쟁 중

5장. 메트릭을 통한 이탈 및 행동 이해
5.1 메트릭 코호트 분석
5.1.1 코호트 분석 이면의 아이디어
5.1.2 파이썬을 사용한 코호트 분석
5.1.3 제품 사용 코호트
5.1.4 계정 테뉴어 코호트
5.1.5 청구 기간의 코호트 분석
5.1.6 최소 코호트 크기
5.1.7 유의미한 코호트 차이와 무의미한 코호트 차이
5.1.8 고객 메트릭이 대부분 0인 메트릭 코호트
5.1.9 인과 관계: 메트릭이 이탈을 일으키고 있는가?
5.2 고객 행동 요약
5.2.1 메트릭 분포 이해
5.2.2 파이썬에서 데이터 세트 요약 통계 계산
5.2.3 희귀 메트릭 선별
5.2.4 데이터 품질 보증에 비즈니스 참여
5.3 메트릭 점수 매기기
5.3.1 메트릭 점수 이면의 아이디어
5.3.2 메트릭 점수 알고리즘
5.3.3 파이썬에서 메트릭 점수 계산
5.3.4 점수가 매겨진 메트릭으로 코호트 분석
5.3.5 월간 반복 수입의 코호트 분석
5.4 원치 않거나 무효한 관찰 제거
5.4.1 이탈 분석에서 비구매 고객 제거
5.4.2 파이썬에서 메트릭 임곗값 기반 관찰 제거
5.4.3 희귀 메트릭 분석에서 영점 측정 제거
5.4.4 해제 행동: 이탈 증가와 관련된 메트릭
5.5 코호트 분석을 이용한 고객 세분화
5.5.1 세분화 프로세스
5.5.2 세그먼트 기준 선택
요약

6장. 고객 행동 사이의 관계
6.1 행동 간 상관관계
6.1.1 두 메트릭 간의 상관관계
6.1.2 파이썬과의 상관관계 조사
6.1.3 상관 행렬을 사용한 메트릭 세트 간 상관관계 이해
6.1.4 사례 연구 상관 행렬
6.1.5 파이썬에서 상관 행렬 계산
6.2 행동 메트릭 그룹 평균화
6.2.1 관련 메트릭 점수를 평균내는 이유
6.2.2 가중치 행렬을 사용한 평균 점수(적재 행렬)
6.2.3 적재 행렬의 사례 연구
6.2.4 파이썬에서 적재 행렬 적용
6.2.5 메트릭 그룹 평균 점수에 대한 이탈 코호트 분석
6.3 상관 메트릭 그룹 검색
6.3.1 상관관계를 클러스터링하여 메트릭 그룹화
6.3.2 파이썬에서 상관관계 클러스터링
6.3.3 점수 평균을 점수로 만드는 적재 행렬 가중치
6.3.4 메트릭 그룹 및 그룹화된 코호트 분석 리스팅 실행
6.3.5 클러스터링을 위한 상관 임곗값 선택
6.4 비즈니스 담당자에게 상관된 메트릭 그룹 설명
요약

7장. 고급 메트릭으로 고객 세분화
7.1 비율 메트릭
7.1.1 비율 메트릭 사용 시기와 이유
7.1.2 비율 메트릭 계산 방법
7.1.3 비율 메트릭 사례 연구 예제
7.1.4 시뮬레이션된 소셜 네트워크에 대한 추가 비율 메트릭
7.2 전체 메트릭의 백분율
7.2.1 총 메트릭의 백분율 계산
7.2.2 두 개의 메트릭을 사용한 총 메트릭 사례 연구 백분율
7.2.3 여러 메트릭을 사용한 총 메트릭 사례 연구 비율
7.3 변화 측정 메트릭
7.3.1 활동 수준의 변화 측정
7.3.2 극단 특이치가 있는 메트릭의 점수(팻테일)
7.3.3 마지막 활동 이후의 시간 측정
7.4 메트릭 기간 조정
7.4.1 더 긴 메트릭을 더 짧은 인용 기간으로 스케일링
7.4.2 신규 계정에 대한 메트릭 추정
7.5 사용자 메트릭
7.5.1 활성 사용자 측정
7.5.2 활성 사용자 메트릭
7.6 사용할 비율
7.6.1 비율을 사용하는 이유
7.6.2 어떤 비율을 사용해야 하는가
요약

3부. 특별한 무기와 전략

8장. 이탈 예측
8.1 모델을 이용한 이탈 예측
8.1.1 모델을 사용한 확률 예측
8.1.2 참여 및 유지가능성
8.1.3 참여와 고객 행동
8.1.4 오프셋이 관측된 이탈률과 S 곡선을 일치시킴
8.1.5 로지스틱 회귀 확률 계산
8.2 데이터 준비 검토
8.3 이탈 모델 피팅
8.3.1 로지스틱 회귀 분석 결과
8.3.2 로지스틱 회귀 분석 코드
8.3.3 로지스틱 회귀 분석 결과 설명
8.3.4 로지스틱 회귀 분석 사례 연구
8.3.5 보정 및 과거 이탈 확률
8.4 이탈 확률 예측
8.4.1 예측을 위한 현재 고객 데이터 세트 준비
8.4.2 분할을 위한 현재 고객 데이터 준비
8.4.3 저장된 모델을 이용한 예측
8.4.4 예측 사례 연구
8.4.5 예측 보정 및 예측 드리프트
8.5 이탈 예측의 함정
8.5.1 상관 메트릭
8.5.2 아웃라이어
8.6 고객 생애 가치
8.6.1 CLV의 의미
8.6.2 이탈에서 예상 고객 수명까지
8.6.3 CLV 공식
요약

9장. 예측 정확도와 머신러닝
9.1 이탈 예측의 정확도 측정
9.1.1 이탈에 표준 정확도 측정을 사용하지 않는 이유
9.1.2 AUC를 이용한 이탈 예측 정확도 측정
9.1.3 리프트를 이용한 이탈 예측 정확도 측정
9.2 과거 정확도 시뮬레이션: 백테스팅
9.21 백테스팅의 대상과 이유
9.22 백테스팅 코드
9.23 백테스팅 고려 사항 및 함정
9.3 회귀 제어 파라미터
9.3.1 회귀 가중치의 강도 및 수 제어
9.3.2 제어 파라미터를 사용한 회귀 분석
9.4 테스트로 회귀 파라미터 선택(교차 검증)
9.4.1 교차 검증
9.4.2 교차 검증 코드
9.4.3 회귀 교차 검증 사례 연구
9.5 머신러닝을 통한 이탈 위험 예측
9.5.1 XGBoost 학습 모델
9.5.2 XGBoost 교차 검증
9.5.3 XGBoost 정확도와 회귀 분석 비교
9.5.4 고급 및 기본 메트릭의 비교
9.6 머신러닝 예측으로 고객 세분화
요약

10장. 이탈 인구 통계 및 기업 통계
10.1 인구 통계 및 기업 통계 데이터 세트
10.1.1 인구 통계 및 기업 통계 데이터의 유형
10.1.2 소셜 네트워크 시뮬레이션을 위한 계정 데이터 모델
10.1.3 인구 통계 데이터 세트 SQL
10.2 인구 통계 카테고리와 기업 통계 카테고리가 있는 이탈 코호트
10.2.1 인구 통계 카테고리에 대한 이탈률 코호트
10.2.2 이탈률 신뢰 구간
10.2.3 인구 통계 코호트와 신뢰 구간 비교
10.3 인구 통계 카테고리 그룹화
10.3.1 매핑 사전으로 그룹 표시
10.3.2 그룹화된 카테고리가 포함된 코호트 분석
10.3.3 카테고리 그룹 설계
10.4 날짜 기반 및 수치 기반 인구 통계 이탈 분석
10.5 인구 통계 데이터를 이용한 이탈 예측
10.5.1 텍스트 필드를 더미 변수로 변환
10.5.2 카테고리형 더미 변수만으로 이탈 예측
10.5.3 더미 변수와 숫자 데이터 결합
10.5.4 인구 통계 및 메트릭이 결합된 이탈 예측
10.6 인구 통계 데이터로 현재 고객 세분화
요약

11장. 이탈과의 싸움 주도
11.1 이탈에 대한 자신만의 투쟁 계획 수립
11.1.1 데이터 처리 및 분석 체크리스트
11.1.2 비즈니스 체크리스트에 대한 커뮤니케이션
11.2 자신의 데이터에 대한 도서 목록 실행
11.2.1 이 책의 데이터 스키마에 데이터 로드
11.2.2 자신의 데이터에 대한 리스팅 실행
11.3 이 책의 리스팅을 다른 환경으로 이동하기
11.3.1 SQL 리스팅 이동
11.3.2 파이썬 목록 이동
11.4 더 많이 배우고 연락하기
11.4.1 저자의 블로그 사이트 및 소셜 미디어
11.4.2 이탈 벤치마크 정보의 출처
11.4.3 이탈에 대한 기타 정보 출처
11.4.4 이탈에 도움이 되는 제품
요약