Journal Archive

고객 이탈을 예측하는 것은 고객 유지에 중요하며 많은 산업에서 막대한 손실을 방지하는 데 필수적이다. 현재 다양한 영역에서 고객 이탈을 예측하고 예방해야 할 필요성이 증가함에 따라 이를 위해 많은 데이터 마이닝 및 기계 학습 기술이 사용되고 있다[25]. 고객 이탈을 예측할 수 있는 안정적인 모델을 구축하는 것 외에도 기업이 막대한 손실을 피하기 위해 고객을 효율적으로 유지하는 것도 매우 중요하다[14]-[17].

첫째, 고객 유지를 가장 직접적으로 중요한 이슈로 다루는 마케팅 분야의 방법론은 단순한 RFM(Recency, Frequency, and Currency) 모델[27]에서부터 고객 이탈을 예측하는 가장 좋은 방법을 찾는 데 중점을 둔 랜덤 포레스트(Random Forest) 같은 앙상블 머신러닝 방법에 이르기까지 많은 연구가 있다[11],[26],[30]. 기계 학습 방법은 이탈 예측에서 기존의 통계적 방법론을 능가한다[31]. 참고[32]는 트랜잭션 데이터와 인구 통계 정보를 사용하여 설계한 RFM 모델을 기반으로 누가 이탈할 가능성이 있는지 예측하기 위해 비계약(non-contractual) 설정에 대한 이탈 정의를 제안했다. 그들은 83%의 AUC(Area under the receiver operating characteristic curve) 점수를 얻은 로지스틱 회귀, 신경망 및 랜덤 포레스트를 사용하여 모델을 평가했다. 참고[36]은 고객 구매 이력을 이용한 RFM 기반 예측 모델을 개발하고 로지스틱 회귀와 같은 기계 학습 기법을 사용하여 평가했다. 예측 모델의 성능 측정은 상위 1th, 5th, 10th 백분위수에 대한 AUC로 설명되었다.

기술적 난제는 주로 분류 알고리즘의 예측 성능과 클래스 불균형 문제이다. 이전의 연구들에서는 고객 이탈 예측을 위해 단일 분류 방법을 사용했으며, 최근에는 앙상블 기반 분류 알고리즘이 개발되었다[33]-[35]. 최근 참고[36]은 고객 이탈 예측을 위해 클러스터링 및 분류 알고리즘을 완전히 통합한 앙상블 학습 기법을 제안하였다. 분류 모델의 선택은 다른 분류모델과 상관관계가 있거나 성능이 잘 나오지 않는 분류모델을 제거하여 성능을 향상시킬 수 있으며, 대표적인 방법으로 유전자 알고리즘(genetic algorithm)이 제안되었다[37].

또 다른 기술적 난제는 고객 이탈 예측의 클래스 불균형이다[38]. 이를 위해 기존 연구에서는 주로 SMOTE(Synthetic Minority Over-sampling Technique)를 적용하였다[39]-[40]. 최근에는 불균형 데이터를 해결하기 위한 보다 효과적인 방법으로 Hybird resampling 방법이 제안되었다. 참고[41]은 고객 이탈 예측을 위한 새롭고 효과적인 resampling 방법으로 SMOTE-ENN 및 SMOTE Tomek-Links와 같은 방법을 제안하였다.

누가 이탈할 가능성이 있는지 정의해야 하는 비계약적(non-contractual) 설정에서 이탈 예측 연구는 딥 러닝 방법과 기존 기계 학습 알고리즘을 활용하여 뛰어난 예측 성능을 보여준다[42]-[45]. 참고[42]은 소매 부문의 이탈을 예측하기 위해 convolution 신경망과 제한된 Boltzmann 머신의 두 가지 딥 러닝 알고리즘을 비교하였다. 이들 연구 중 일부는 비계약적(non-contractual) 설정이 아닌 이탈 문제에서도 딥러닝 방법을 이용하여 이탈 예측 모델링을 진행하였다. 참고[43]은 이탈 예측을 위한 다변량 시간으로 일일 행동을 모델링하는 일일 이탈 예측 방법을 제안하였다. 통계 모델인 RFM 모델, LSTM(Long Short-Term Memory) 모델, CNN(Convolutional Neural Network) 모델도 이동 통신 데이터 세트에 적용하였다. 참고[45]은 고객 이탈을 예측하기 위해 소매 도메인의 슈퍼마켓 거래 데이터 세트에 딥 러닝 알고리즘을 적용하고 성능을 다른 잘 알려진 이탈 모델링 접근 방식과 비교하였다.

기계 학습 모델에서 특성 선택(feature selection)은 분류 정확도를 향상시키는 데 중요한 역할을 한다. 참고[46]은 데이터를 더 잘 이해하기 위해 특성 선택을 수행하고 데이터 세트의 차원을 줄이기 위해 GSA(gravitational search algorithm)을 적용하였다. 또한 앙상블 학습의 높은 예측력을 사용하여 알고리즘을 최적화하고 더 나은 결과를 얻었다. 또 다른 참고[47]에서는 고객별 소셜 네트워크 분석(Social Network Analysis, SNA) 특징을 고객별로 추출하여 예측 모델에 고객 소셜 네트워크를 활용하였다. 그들은 SNA 기능을 사용하여 AUC 결과에서 좋은 개선을 달성하였다. 외부 데이터 소스의 소셜 네트워크와 같은 고객 정보는 고객에 대한 보다 다양한 관점을 제공하는 데 유용하다.

최근 참고[48]에서는 딥러닝 기반의 고객 이탈 예측 모델을 제안하고, 오토인코더와 비지도 학습 모델을 이용한 예측력의 원인 분석에 대한 연구도 존재한다[49]. 또 다른 참고[21]에서는 이탈 예측 모델에서 특성 추출(feature extraction)의 중요성을 언급했지만 특징을 선택하거나 추출하지 않는 딥러닝 방법이 기존 방법만큼 성공적이라고 제안하였다. 표 1은 이탈 예측 모델링 알고리즘 기법들의 시기에 따른 연구 발전 동향을 보여주고 있다.

고객 이탈은 주로 통신, 은행, 보험 등 고객이 회사로부터 서비스를 받기 위해 계약을 체결해야 하는 계약 설정(contract settings) 분야와 관련이 있다. 따라서 이러한 계약 설정의 이탈 모델링에서는 계약을 해지하는 고객을 이탈자로 분류하고 서비스를 계속 받는 고객을 비이탈자로 분류한다. 다만 리테일, 게임 등 비계약적 설정(non-contract settings)의 경우 이탈 모델링을 진행하기 전에 이탈의 정의를 명확히 해야 한다. 물론, 계약 설정(contract settings)영역에서도 계약 해지 후 재계약 유무 및 재계약 시점, 그리고 의무약정기간 등의 세부 요건을 고려하여 예측하고자 하는 고객의 ‘이탈’이 무엇인지 사전 정의가 필수적이다[28].

통신 영역에서는 시장 포화로 이동통신 시장이 둔화되고 있고, 최신 스마트폰의 경쟁적 출시로 고객의 약정 탈퇴가 발생하고 있다. 제조사들은 이런 문제를 해결하기 위해 적은 비용으로 고객 유지 전략 수립하여 고객 이탈을 막고자 한다. 고객 이탈 문제를 해결하기 위해서는 신뢰할 수 있는 고객 정보를 수집하고 보다 정확한 고객 이탈 예측 모델을 구축하여 고객의 결정에 영향을 미치는 핵심 요인을 먼저 파악하는 것이 중요하다[10],[66],[73]. 최근 몇 년간 이동통신 산업에서 고객 이탈 관리(Customer Relationship Management, CRM)는 고객 이탈 관리가 중요한 과제로 떠오르고 있다[6]. 이러한 상황에서 이동통신사들은 효과적인 마케팅 전략을 수립하기 위해 기존 고객 데이터에 데이터 마이닝 기법을 적용하여 고객 행동 패턴을 모델링하여 고객 유지에 많은 노력을 기울이고 있다[12],[72]. 최근 해지율과 마케팅비용 문제에 대한 많은 연구가 진행되고 있다. 사업 이익을 몇 배 이상 늘리기 위해 떠날 수 있는 고객을 사전에 분류하고 이를 유지하기 위해 집중적인 마케팅 활동을 한다[12]-[18].

금융권에서는 고객의 과거 금융거래 내역을 분석하여 미래 행태를 예측하고 그 결과를 다양한 CRM 활동 및 신규서비스나 제품 개발에 활용하고 있다. 금융권의 고객 이탈 예측 모델에 대한 기존 연구를 살펴보면 고객이 많은 은행, 증권 및 신용카드 업계를 중심으로 예측 모델에 대한 연구가 진행되었다[20]. 대부분의 선행 연구는 다양한 기계 학습 알고리즘을 적용하여 이탈 예측 성능을 향상시키는 방법을 제시하는 연구[21],[51],[52]와 예측 결과를 이용하여 고객 마이크로 세그먼테이션 및 타겟 마케팅에 활용하는 연구로 분류할 수 있다[22]-[24].

이탈 예측 분석 연구는 게임 분야에서도 활발히 이루어지고 있다. 수익이 높은 유저들의 이탈 예측 기법 및 이탈 예측 프레임워크을 제안되었다[45],[54]. 이탈과 높은 상관 관계가 있는 게임 활동의 세부 변수들을 도출하여 예측력을 높힌 연구들도 있다[55],[56]. 참고[57]은 이탈자 예측을 위해 이탈방지캠페인에 A/B테스트를 적용하는 연구를 진행하였다. 이탈 예측을 위해 생존 분석(Survival Analysis) 기법을 적용하는 연구들도 이루어졌으며[58],[59], 게임 데이터의 특징인 시계열 데이터에 적합한 은닉 마코브 모델(Hidden Markov Model) 기반 연구도 진행되었다[60]. 참고[61]은 게임이용자를 군집화하고 각 집단에 적합한 모델을 적용하는 방법을 제안하였다. 또한 사회적 관계가 사용자 이탈에 미치는 영향에 대한 다양한 연구들이 있다[62]-[64].

한편, 한국에서는 제조 및 판매 비즈니스 모델이 계약 기간 동안 렌탈한 제품의 고장이나 문제를 방지하기 위해 렌탈 사업 모델로 전환하기 위해 정기적인 유지보수 등 모든 노력을 기울였다[67]. 앞서 이동통신 도메인과 관련된 연구[10],[11]에서 언급했듯이 고객 유지 비용은 신규 고객 확보 비용보다 적다[50]. 따라서 기업이 채택한 유지 전략은 가전 렌탈 사업에서도 마찬가지로 중요하게 여겨졌다. 사업 초기에는 신규 고객 유치에 집중해야 하지만, 의무이용기간을 경과한 고객이 많을수록 이탈 위험이 커지므로 집중적인 고객관리가 필요하다. 렌탈 비즈니스 모델이 경쟁력과 지속가능성을 높일 수 있는 가능성에 대한 연구[67] 및 렌탈 서비스 가입자의 특성을 분석하여 고객 이탈 위험을 정량화하는 연구도 제안되기 시작하고 있다[28].

위에서 언급한 고객 이탈에 관심 있는 대부분의 비즈니스 영역(business field)에서는 좋은 특성을 가진 예측 모델이 실제 운영 중인 고객 데이터 중 이탈 위험이 높은 고객을 적중률이 좋은 고객으로 식별하는 데 얼마나 성공적일 수 있는지에 대한 답을 찾는 것이 가장 중요하다. 그것은 이탈 예측모델의 성능 지표를 어떻게 설계하고 반영할 것인지에 대한 문제이다. 그림 1과 같이 이탈을 방지하여 고객 잔존율을 높이려는 회사의 이탈 예측 모델링의 목표에 회사의 판촉 및 광고 비용, 전환률 및 고객의 평생 가치의 요소가 함께 적용되어야 한다[65].

Fig. 1. 
Expected revenue and cost for applying the churn prediction model [65]

최근 연구에서는 성능지표를 모델의 컷오프(cut-off)에 대한 의존도 및 리텐션(Retention) 캠페인의 수익률의 고려 여부에 따라 비즈니스 시나리오에 적합한 최선의 선택을 하는 것의 중요성을 언급한다[29]. 성능 지표는 컷오프 종속(cut-off dependent), 컷오프 독립(cut-off independent) 또는 이익 고려 여부에 따라 분류된다. 컷오프 종속 측정의 경우 고객이 이탈자로 분류되는지 여부를 결정하기 위한 임계값을 설정해야 한다. 반면 컷오프 독립 측정은 선택한 임계값 및 작동 조건과 무관하며 AUC는 임계값에 영향받지 않고 임의로 선택한 이탈자가 비이탈자보다 순위가 높을 확률을 추정하는 잘 알려진 메트릭이다. 마지막으로 이익 기반 성과 지표(profit-based metric) 은 대상 리텐션 캠페인 설정의 예상 이익을 고려한다.

이탈에 대한 예상 최대 이익 기준(EMPC)은 유지 캠페인의 비용과 이점을 고려하여 가장 수익성이 높은 고객을 선택할 수 있도록 한다[29]. 표 2는 앞서 언급한 구분 기준에 따른 적용 가능한 성능지표를 요약하여 보여주고 있다.

계약 설정(contract settings)과 비계약적 설정(non-contract settings)의 목표변수(target Y)가 다르게 정의되어야 하며, 계약 및 비계약적 설정 모두에서의 기업이 이탈 방지 캠페인을 위해 자사 고객의 ‘이탈’을 무엇이라고 정의할지에 대한 비즈니스 로직의 반영이 필요하다. 계약 설정 영역에서의 이탈의 라벨링은 비즈니스 로직 반영이 수반되지만, 일반적으로 계약해지 또는 회원탈퇴를 ‘이탈’로 정의한다. 하지만, 비계약적 설정에서는 각 비즈니스 도메인별로 적절한 ‘이탈’의 정의가 필수적이다.

고객의 구매를 비즈니스 모델로 가진 기업의 이탈 기준은 한 번이라도 거래를 한 사용자들이 일정 기간 동안 재구매가 없을 경우로 정의한다. 여기서 일정기간은 거래빈도가 잦은 이커머스에서부터 몇 년에 한번 구매가 이루어지는 전자제품회사에 이르기까지 ‘특정 기간’의 정의는 다양할 것이다[47],[53].

금융회사는 고객 규모나 세부 업종(은행, 카드, 증권사 등)에 따라 다양한 목적에 맞는 예측 모델 연구가 이루어진다. 계약설정 및 해지 기준으로 운영되는 금융상품에 대해서는 ‘회원탈퇴’를 기준으로 ‘이탈’을 정의하지만, 비계약 설정의 금융권에서는 각 회사의 고객 세부 구분 기준과 자산 운용 규모, 거래 목적 및 빈도에 따라 어느 정도의 자산 규모의 고객이 어느 정도 기간 동안 해당 자산을 유지할 것인지 등의 요소들을 리텐션 마케팅의 목표에 부합하게 라벨링(Labeling) 해야 한다[20]-[24].

온라인게임의 경우 통신이나 금융과 달리 계약해지를 이탈의 정의로 사용하는 것은 부적절하다. 그 이유는 오랜 기간 동안 게임에 접속하지 않은 사용자 중 명시적 회원탈퇴자는 아주 작은 비율일 수 있기 때문이다. 회원탈퇴를 이탈이라고 정의하면 실질적으로 장기간 게임 활동 자체를 하지 않는 사용자는 대부분 여전히 온라인 회원으로 존재하는 것으로 분류된다. 따라서 비활성 기간을 고려하여 회원 사용자를 이탈자로 식별해야 한다. 또한 비활성 기간을 몇 일로 정의하느냐에 따라 이탈방지의 기대효과가 줄어들거나 방지마케팅을 위한 비용 발생이 초래될 수 있다[65].

각 비지니스 도메인별로 공통적인 특성이 존재하며 이를 참고하는 것은 기본이다. 그러나 자사의 고객 구매, 서비스 활용 이력만을 특성으로 활용하여 예측 모델링의 성능을 높이려는 방식의 한계점을 극복하는 방법에 대한 고려점을 논의하고자 한다. 외부 데이터 소스의 고객 정보를 특성으로 사용함으로써 예측 성능을 향상시킬 수 있는 기회가 열려 있다. 일반적으로 고객 충성도는 회사의 서비스에 대한 만족을 통해 형성되지만 다른 회사의 더 나은 서비스에 대한 매력적인 제안으로 인해 충성도가 낮아질 수도 있다. 즉 고객 이탈을 자극한 다른 외부 요인에 대한 정보를 특성으로 추가 결합한 모델링이 필요하다. 가장 좋은 예는 유사한 제품을 더 낮은 렌탈 비용으로 제공하는 다른 렌탈 서비스 제공업체의 경쟁적인 거래에 고객이 유혹을 받는지의 여부일 것이다. 또한, 특정 제품의 구매 및 구독 이력 등 서비스 계약과 직접 관련된 데이터 외에 실제 제품의 사용 행태 데이터 등을 예측모델링에 특성으로 추가한다면 고객 이탈 예측력을 더욱 높일 수 있다. 더욱이, 외부 데이터 소스의 소셜 네트워크와 같은 고객 정보는 고객에 대한 보다 다양한 관점을 제공하는 데 유용하다. 예를 들어, 한 연구[47]에서는 고객별 소셜 네트워크 분석 특징을 고객별로 추출하여 예측 모델에 고객 소셜 네트워크를 활용함으로써, AUC 결과에서 좋은 개선을 달성하였다. 또 다른 참고[62]-[64] 에서도 소셜 활동과 관련된 요인이 사용자 이탈에 유의미한 영향을 미치는 것으로 나타나 SNS와 같은 외부데이터의 이탈 모델링의 특성으로의 활용의 유용성을 뒷받침한다.

고객 이탈 예측에서 예측 모델의 성능 지표 측면에서 기계 학습을 활용하는 다른 많은 분야와 다른 고려해야 할 요소가 있다. 이탈을 생각하는 고객을 감지하지 못하는 위음성(FN)의 경우 예측 모델이 이탈을 예측할 수 없었던 경우이다. 따라서 이러한 고객은 이탈에 대한 방어 조치 없이 방치 상태로 남게 된다. 이는 이탈을 방지하여 고객 잔존율을 높이려는 회사의 목표에 큰 걸림돌이 된다. 반대로 가양성(FP)의 경우 예측 모델은 떠날 생각이 없는 고객이 떠날 것이라고 잘못 감지한다. 고객은 잘못된 예측으로 인해 프로모션을 통해 일부 보상을 받지만, 회사의 판촉 및 광고는 비용이 발생하므로 목표 크기가 커질수록 지출 비용이 증가한다. 따라서 FP에 해당하는 고객이 많을수록 이탈방지에 따른 기대수익은 감소한다. 우선적 목표는 이탈 예측 모델을 적용하여 예측 모델의 진양성(TP)를 높이거나 FN을 줄여 잔존율을 높이는 것이다. 하지만 이탈 방어를 위한 프로모션 비용에 영향을 미치는 FP를 줄이는 것도 중요하다. 또한 데이터 분석가의 입장에서는 고객 전환율에 영향을 미치는 판촉 효과를 통제하는 것이 불가능하다. 따라서, 기대 가치가 높은 고객 이탈 징후를 감지하는 관점에서 모델의 성능을 평가하는 것이 기대 수익 측면에서 의미 있는 연구방향이다.

이탈 방지 캠페인을 위한 예측 모델의 활용 목적은 이탈 확률 수치가 전부가 아니다. 첫째, 부분의존도(Partial Dependence Plot, PDP)와 같은 모델 독립적 해석 방법(Global Model-Agnostic Methods)를 통하여 모델의 해석력을 확보할 필요가 있다. 일반적인 예측 모델 분류기의 성능은 좋은 이탈 예측 모델의 성능 지표의 한 측면일 뿐이다. 모델의 이해도가 중요하기 때문에 분류기의 해석 가능성도 중요한 속성이다. PDP는 기계 학습 모델의 예측 결과에 대한 하나 또는 두 가지 특성(feature) 들의 한계 효과(marginal effect)를 보여줌으로써 특성변수와 예측된 결과 간의 전역적인 관계를 설명한다[41]. 목표 변수(YN) 각각에 대한 특정 특성 변수의 영향의 정도를 확인할 수 있으며, 분류 모델로 학습하기 전 EDA 과정에서 얻은 분석 결과와의 유사성 확인을 통해 각 특성의 목표 변수와의 경향성을 파악할 수 있다.

둘째, 위에서 설명한 부분의존도(PDP)는 모델이 예측한 결과에 대한 각 변수의 평균 영향력만을 계산할 뿐 개별 고객 간의 편차를 설명할 수 있는 방법을 제공하지 못하는 한계가 있다. 따라서, 단일 인스턴스의 예측 결과의 주요 이탈 요인 도출을 위한 지역적 설명(Local Explanation)에 관한 기술(SHAP 등)을 사용하여 각 고객에게 영향을 미치는 모델 변수의 예측 영향을 식별할 수 있다. SHAP(SHapley Additive ExPlanations)는 Shapley 값으로 합리적인 분포 방법을 결정하기 위해 게임 이론에서 차용한 기법이다[74]. 먼저 현재 예측 모델을 기반으로 순열 중요도를 이용하여 우세한 특징 항목을 도출하고 이렇게 구성된 항목에 대해 SHAP을 기반으로 각 관찰(고객)에 대한 "이탈 확률"에 대한 영향 수치를 계산할 수 있다. SHAP 값을 적용하여 기존 머신러닝 모델로 설명할 수 없는 부분을 해결하고, 사업 담당자의 도메인 지식을 반영하여 고객 이탈의 주요 원인을 추가로 도출할 수 있다. 그리하여, 마케팅 조직은 예측 모델의 결과와 SHAP 결과치를 기반으로 고객별 사전에 예측된 이탈 가능성 및 원인에 대한 정보를 활용함으로써, 개인 맞춤형 이탈방지 활동의 효과성이 높아진다.

예측 모델의 비지니스 현업에서의 성능을 측정하기 위해서는 대상 고객의 이탈 확률의 추론값의 적절성을 어떻게 평가하는지가 중요하다. 이는, 학습모델의 개발 단계에서의 성능 측정의 문제가 아니라, 예측모델을 기업의 실제 서비스에 적용할 때의 성과측정의 유효성 검증에 관한 이슈를 말한다.

첫쨰, 예측 모델의 성능을 측정하기 위한 테스트 대상 데이터 선정 시 Concept Drift를 고려하여야 한다. Concept Drift는 기계 학습 분야에서 사용되는 용어로 모델링 대상의 통계적 특성이 시간에 따라 변하는 현상을 말한다[75].

먼저 Concept Drift를 고려하여 예측 모델의 성능을 측정하기 위해 사용해야 할 테스트 데이터의 가장 최근 시점을 선택하여야 한다. 다음으로, 모델링할 데이터의 Concept Drift 대한 민감도를 확인하여야 한다[68]. 학습 데이터의 중요한 특성들이 테스트 데이터 대상으로는 유의하지 않을 가능성을 검토하는 과정이다. 특정 시기에 의존적인 특성들 혹은 활용 데이터 원천 컬럼의 범주형 변수의 값 변경 혹은 종류의 확장 가능성 등이 바로 검토 대상이다.

둘째, 이탈 방지 캠페인에 적용되어 운용중인 예측 모델의 방어 전략 실행 관점에서의 성능 지표의 고안이 필요하다. 얼마나 해지 위험도 높은 고객을 잘 선별했는가에 대한 지표를 의미한다. Lift는 데이터 세그먼트에서 클래스의 비율을 비교하고 분류기가 특정 세그먼트에 대해 얼마나 더 잘 예측하는지 결정하는 메트릭이다[69]. 상위 10분위 상승도(TDL)은 상위 10%의 이탈자 비율을 모집단의 이탈자 비율로 나누어 계산한다[70]. EMPC는 유지 캠페인 설정의 예상 이점과 비용을 고려하여, 수익은 올바르게 분류된 인스턴스의 합계에서 잘못 분류된 인스턴스의 합계를 뺀 값으로 계산한다. 또한, EMPC는 캠페인에서 제안을 수락하는 이탈자의 확률과 같은 이익 계산을 위한 매개변수 추정의 불확실성도 고려한다[71]. 그림 2는 EMPC와 AUC 에서 우수한 성능을 보이는 모델들과, 이탈 경향이 가장 높은 고객(즉, 상위 10%)에 초점을 맞추는 TDL에서의 성능의 차이점을 설명한다[29].

Fig. 2. 
Average rank of each classifier for each performance metric [29]

따라서 각 비지니스 필드에서 이탈 검출력에 관한 TDL과 EMPC기준 임계치 얼마 이상일 때 회사의 수익을 보장할 수 있는지에 대한 각자의 기준과 지표가 수립되어야 할 것이다. 이는 최근 해지고객의 특성을 가장 많이 반영할 수 있는 학습대상 선정 범위와 이탈 방지 캠페인 활동을 실시하기 위해 얼마의 기간 전에 이탈할 고객을 추론해야 하는지에 대한 학습 및 추론 주기 선정의 문제와도 관련이 된다. 실제 이탈 캠페인 운영체제에서는 예측 대상의 수와 예측 주기에 따라 예측 정확도가 달라지기 때문에 이러한 차이에 대한 고려가 필요하다.