WIKI


분야별 인공지능 머신러닝 활용 사례

루이

각 분야별로 인공지능과 머신러닝의 활용 사례를 간단히 정리해보았습니다.


은행
기업/개인 신용 평가
AI로 기업의 부실 채권 위험율을 정확히 계산하거나 개인의 대출 상환 여부를  예측함으로써 심사에 활용할 수 있습니다.
세일즈
판매하려는 상품과 구매 확률이 높은 고객들을 세그먼팅하여 최적화된 영업을 실행할 수 있습니다.
금융 상품의 유지율을 높이기 위해 이탈 위험이 증가하는 고객을 세그먼팅하여 맞춤형 세일즈 전략을 실행할 수 있습니다.
마케팅
온라인 광고나 마케팅 이벤트에 대해 반응률이 높은 고객을 우선순위로 선별할 수 있습니다. 선별된 고객에 대해 디스플레이 광고나 리타겟팅 광고를 집중적으로 실행하여 CPA를 낮출 수 있습니다.
광고 게재 빈도, 시간대 및 요일을 최적화할 수 있습니다
MA나 CRM데이터를 분석하여 전환으로 이어지는 고객의 특성과 행동을 구체화할 수 있습니다. 이를 Scoring에 반영하면 높은 정확도로 유효 리드를 선별할 수 있습니다.
상품 계획
비지도학습을 활용하면 숨겨져 있던 상품의 속성과 고객 속성의 조합과 매칭이 가능해집니다. 어떤 상품을 어떤 고객이 좋아할 것인지 미리 예측하고 상품 전략을 실행할 수 있습니다.



신용카드회사
기업/개인 신용 평가
AI로 기업의 부실 채권 위험율을 정확히 계산하거나 개인의 지급 연체 여부를 예측함으로써 카드 발급 심사에 활용할 수 있습니다.
채권추심
과거 개인별 채권 데이터를 분석하여 회수 가능액을 예측하고, 우선순위에 따른 고객 대응이 가능합니다.
고객 대응 전략의 빈도와 타이밍을 최적화하여 회수액을 높일 수 있습니다.
마케팅
온라인 광고나 마케팅 이벤트에 대해 반응률이 높은 고객을 우선순위로 선별할 수 있습니다. 선별된 고객에 대해 디스플레이 광고나 리타겟팅 광고를 집중적으로 실행하여 CPA를 낮출 수 있습니다.
광고 게재 빈도, 시간대 및 요일을 최적화할 수 있습니다.
카드 대출이 필요한 고객을 미리 예측하고 적절한 대출금액을 제안하여 대출 이익을 늘릴 수 있습니다.
휴면고객의 다른 상품의 사용 현황을 분석하여 추가 대출을 권유할 수 있습니다.
타사 카드로 이동할 수 있는 고객을 미리 예측 선별하고 사전에 대응책을 마련하여 로얄 고객층을 유지할 수 있습니다.



보험
보험가입심사
AI로 보험 가입 고객별 리스크를 정확히 예측하여 심사 프로세스를 간소화할 수 있습니다.
예기치 않은 질병의 발생을 사전에 예측하여 고객의 위험도를 사전에 정밀히 계산할 수 있습니다.
고객별 최적의 보험 가입 금액을 계산하여 수익성을 개선할 수 있습니다.
기존 보험 사기를 판별하는 Rule을 최근 경향에 맞도록 최적화할 수 있으며 이상치 판별을 통해 신종 보험 사기 행위도 포착해낼 수 있습니다.
세일즈 & 마케팅
고객별로 가장 만족도가 높은 상품을 예측하고 맞춤형으로 제안할 수 있습니다. 신규 가입 고객 뿐만 아니라 기존 고객에게 업세일링과 크로스세일링을 위한 상품 추천도 가능합니다.
가입한 고객의 Life Stage를 면밀하게 분석하여 상황에 따른 위험 예측 모델을 만들고 이에 적절한 상품을 수시로 제안할 수 있습니다.
보험 해지나 실효 가능성이 높은 고객을 식별하여 사전에 대응책을 마련할 수 있습니다.
온라인 광고나 마케팅 이벤트에 대해 반응률이 높은 고객을 우선순위로 선별할 수 있습니다. 선별된 고객에 대해 디스플레이 광고나 리타겟팅 광고를 집중적으로 실행하여 CPA를 낮출 수 있습니다.



물류/유통/소매
사업계획
정확한 수요예측을 통해 폐기품과 결품을 방지할 수 있습니다. 최종적인 판매량 뿐만 아니라 시간대별 판매량을 추정하여 적절한 대응책 마련이 가능합니다.
초과 재고가 과다하게 발생할 경우 어떤 이벤트를 수행해야 하는지, 가격은 얼마나 인하하는 게 좋은지 시뮬레이션하여 의사결정을 최적화할 수 있습니다.
대리점 별 매출과 판매량을 예측하여 운영 전략에 반영할 수 있습니다.
마케팅
쿠폰 발행이나 할인광고 등의 이벤트 효과를 높이기 위해 구매 확률이 높은 고객을 선별하여 적절한 타이밍과 횟수, 장소를 결정할 수 있습니다.
충성도가 높은 로얄고객층의 활동 경로와 관심사를 분석하여 지속적으로 적절한 상품을 추천할 수 있습니다.



제조
SCM
수요예측 모형 개발을 통해 필요한 생산량을 결정하고 각 생산품의 리드타임 중에서 구매 시점을 예측하여 납품할 수 있습니다.
과거 데이터에서 부품 입고와 관련된 특성들의 패턴을 파악하여 입고가 지연될 가능성을 미리 예측할 수 있습니다. 지연시에는 경고가 자동으로 생성되어 적절한 대응책을 마련할 수 있습니다.
불량/고장 예측
제조 공정 데이터를 분석하여 불량품 생산이나 장비의 고장을 예측해볼 수 있습니다. 어떤 변수가 어떤 조건 하에 불량/고장 가능성을 높이는지 패턴화하면 이를 경고시스템에 적용하여 사전에 예방할 수 있습니다.
세일즈 & 마케팅
각 고객에 대한 판매 예측 모형 개발을 통해 영업 우선순위를 정할 수 있습니다. 또한 영업 방법, 빈도, 시간 등을 최적화하여 클로징까지의 시간을 단축할 수 있습니다.
MA나 CRM 데이터를 분석하여 판매 가능성이 높은 고객의 행동 패턴을 추출할 수 있습니다. 이를 MA의 고객 Scoring에 반영하면 리드 프로세스의 단축과 효율을 높일 수 있습니다. 또한 반응률이 높은 고객을 세그먼팅하여 맞춤형 광고, 이벤트를 실행할 수 있습니다.