<B>1부. 무기고 쌓기 </B><br/><br/>1장. 이탈의 세계 <br/>1.1 이 책을 읽어야 하는 이유 <br/>1.1.1 전형적인 이탈 시나리오<br/>1.1.2 이 책의 주제<br/>1.2 이탈과의 싸움 <br/>1.2.1 이탈을 줄이는 개입<br/>1.2.2 이탈을 다루기 어려운 이유<br/>1.2.3 뛰어난 고객 지표: 고객 이탈 방지를 위한 무기들<br/>1.3 이 책의 차별점 <br/>1.3.1 실용적이고 심도 있는 내용<br/>1.3.2 모의 사례 연구<br/>1.4 반복되는 사용자 상호 작용이 있는 제품 <br/>1.4.1 유료 소비자 상품<br/>1.4.2 사업 대 사업 서비스<br/>1.4.3 광고 지원 미디어 및 앱<br/>1.4.4 소비자 피드 구독료<br/>1.4.5 프리미엄 비즈니스 모델<br/>1.4.6 앱 내 구매 모델<br/>1.5 비가입자 이탈 시나리오 <br/>1.5.1 이탈로서 비활성<br/>1.5.2 무료 시험 전환<br/>1.5.3 업셀링/다운셀링<br/>1.5.4 예/아니오 고객 예측<br/>1.5.5 고객 활동 예측<br/>1.5.6 이탈과 같지 않은 사용자 사례<br/>1.6 고객 행동 데이터 <br/>1.6.1 공통 제품 분류의 고객 이벤트<br/>1.6.2 가장 중요한 이벤트<br/>1.7 이탈과 싸우는 사례 분석 <br/>1.7.1 클립폴리오<br/>1.7.2 브로들리<br/>1.7.3 벌서처<br/>1.7.4 소셜 네트워크 시뮬레이션<br/>1.8 훌륭한 고객 지표에 대한 사례 연구 <br/>1.8.1 활용도<br/>1.8.2 성공률<br/>1.8.3 단가<br/>요약 <br/><br/>2장. 이탈 측정 <br/>2.1 이탈률의 정의 <br/>2.1.1 이탈률과 점유율 계산하기<br/>2.1.2 이탈률과 점유율 사이의 관계<br/>2.2 구독 데이터베이스 <br/>2.3 기반 이탈 계산: 순점유 <br/>2.3.1 순보유 계산<br/>2.3.2 SQL 순보유 계산<br/>2.3.3 순보유 해석<br/>2.4 표준 계정 기반 이탈 <br/>2.4.1 표준 이탈률 정의<br/>2.4.2 이탈 계산을 위한 외부 조인<br/>2.4.3 SQL을 이용한 표준 이탈 계산<br/>2.4.4 표준 이탈률을 사용하는 경우<br/>2.5 비구독 제품의 이벤트 기반 활동 이탈 <br/>2.5.1 활성 계정과 이벤트 이탈의 정의<br/>2.5.2 SQL을 사용한 활동 이탈 계산<br/>2.6 고급 이탈: 월별 반복 수익(MRR) 이탈 <br/>2.6.1 MRR 이탈 정의와 계산<br/>2.6.2 SQL을 사용한 MRR 이탈 계산 <br/>2.6.3 MRR 이탈 대 계정 이탈 대 순보유 이탈<br/>2.7 이탈률 측정 전환 <br/>2.7.1 생존자 분석(고급)<br/>2.7.2 이탈률 변환<br/>2.7.3 SQL의 이탈 측정 윈도우 변환<br/>2.7.4 이탈 측정 윈도우 선택<br/>2.7.5 계절성과 이탈률<br/>요약 <br/><br/> 3장. 고객 측정하기 <br/>3.1 이벤트에서 메트릭으로 <br/>3.2 이벤트 데이터 웨어하우스 스키마 <br/>3.3 1회 주기 이벤트 계수 <br/>3.4 메트릭 기간 정의의 세부 사항 <br/>3.4.1 주간 행동 주기<br/>3.4.2 메트릭 측정에 대한 타임 스탬프<br/>3.5 다른 시점에서 측정 <br/>3.5.1 겹치는 측정 윈도우<br/>3.5.2 타이밍 메트릭 측정<br/>3.5.3 측정 메트릭 저장<br/>3.5.4 시뮬레이션 예제를 위한 측정 메트릭 저장<br/>3.6 이벤트 속성의 총계 및 평균 측정 <br/>3.7 측정 메트릭 품질 보증 <br/>3.7.1 시간 경과에 따른 측정 메트릭 변화 테스트<br/>3.7.2 측정 메트릭 품질 보증(QA) 사례 연구<br/>3.7.3 메트릭을 수신하는 계정 수 확인 <br/>3.8 이벤트 QA <br/>3.8.1 시간 경과에 따른 이벤트 변화 확인<br/>3.8.2 계정별 이벤트 확인<br/>3.9 행동 측정 시 측정 주기 선정 <br/>3.10 계정 테뉴어 측정 <br/>3.10.1 계정 테뉴어 정의<br/>3.10.2 계정 테뉴어에 대한 재귀 테이블 표현식<br/>3.10.3 계정 테뉴어 SQL 프로그램<br/>3.11 MRR 및 기타 가입 메트릭 측정 <br/>3.11.1 MRR을 메트릭으로 계산 <br/>3.11.2 특정 금액에 대한 구독<br/>3.11.3 메트릭으로 구독 단위 수량 계산<br/>3.11.4 메트릭으로 청구 기간 계산<br/>요약 <br/><br/>4장. 갱신과 이탈 관찰 <br/>4.1 데이터 세트 소개 <br/>4.2 고객 관찰 방법 <br/>4.2.1 관측 리드 타임<br/>4.2.2 갱신 및 이탈 순서 관찰<br/>4.2.3 구독에서 데이터 세트 생성 개요<br/>4.3 구독에서 활성 기간 식별 <br/>4.3.1 활성 기간<br/>4.3.2 활성 기간 저장 스키마<br/>4.3.3 진행 중인 활성 기간 찾기<br/>4.3.4 이탈로 끝나는 활성 기간 찾기<br/>4.4 비구독 제품의 활성 기간 파악 <br/>4.4.1 활성 기간 정의<br/>4.4.2 이벤트에서 데이터 세트 형성 프로세스 <br/>4.4.3 활성 주 계산을 위한 SQL<br/>4.5 관찰 일자 선정 <br/>4.5.1 이탈 및 비이탈 관찰의 균형<br/>4.5.2 관찰 일자 선택 알고리즘<br/>4.5.3 관찰 날짜 SQL 프로그램<br/>4.6 이탈 데이터 세트 내보내기 <br/>4.6.1 데이터 세트 생성 SQL 프로그램<br/>4.7 분할을 위한 현재 고객 내보내기 <br/>4.7.1 활성 계정 및 메트릭 선택<br/>4.7.2 메트릭으로 고객 분할<br/>요약<br/> <br/><B>2부. 전쟁 중 </B><br/><br/>5장. 메트릭을 통한 이탈 및 행동 이해 <br/>5.1 메트릭 코호트 분석 <br/>5.1.1 코호트 분석 이면의 아이디어<br/>5.1.2 파이썬을 사용한 코호트 분석<br/>5.1.3 제품 사용 코호트<br/>5.1.4 계정 테뉴어 코호트<br/>5.1.5 청구 기간의 코호트 분석<br/>5.1.6 최소 코호트 크기<br/>5.1.7 유의미한 코호트 차이와 무의미한 코호트 차이<br/>5.1.8 고객 메트릭이 대부분 0인 메트릭 코호트 <br/>5.1.9 인과 관계: 메트릭이 이탈을 일으키고 있는가?<br/>5.2 고객 행동 요약 <br/>5.2.1 메트릭 분포 이해<br/>5.2.2 파이썬에서 데이터 세트 요약 통계 계산<br/>5.2.3 희귀 메트릭 선별<br/>5.2.4 데이터 품질 보증에 비즈니스 참여<br/>5.3 메트릭 점수 매기기 <br/>5.3.1 메트릭 점수 이면의 아이디어<br/>5.3.2 메트릭 점수 알고리즘<br/>5.3.3 파이썬에서 메트릭 점수 계산<br/>5.3.4 점수가 매겨진 메트릭으로 코호트 분석<br/>5.3.5 월간 반복 수입의 코호트 분석<br/>5.4 원치 않거나 무효한 관찰 제거 <br/>5.4.1 이탈 분석에서 비구매 고객 제거<br/>5.4.2 파이썬에서 메트릭 임곗값 기반 관찰 제거<br/>5.4.3 희귀 메트릭 분석에서 영점 측정 제거<br/>5.4.4 해제 행동: 이탈 증가와 관련된 메트릭<br/>5.5 코호트 분석을 이용한 고객 세분화 <br/>5.5.1 세분화 프로세스<br/>5.5.2 세그먼트 기준 선택<br/>요약 <br/><br/>6장. 고객 행동 사이의 관계 <br/>6.1 행동 간 상관관계 <br/>6.1.1 두 메트릭 간의 상관관계<br/>6.1.2 파이썬과의 상관관계 조사<br/>6.1.3 상관 행렬을 사용한 메트릭 세트 간 상관관계 이해<br/>6.1.4 사례 연구 상관 행렬<br/>6.1.5 파이썬에서 상관 행렬 계산<br/>6.2 행동 메트릭 그룹 평균화 <br/>6.2.1 관련 메트릭 점수를 평균내는 이유<br/>6.2.2 가중치 행렬을 사용한 평균 점수(적재 행렬) <br/>6.2.3 적재 행렬의 사례 연구<br/>6.2.4 파이썬에서 적재 행렬 적용<br/>6.2.5 메트릭 그룹 평균 점수에 대한 이탈 코호트 분석<br/>6.3 상관 메트릭 그룹 검색 <br/>6.3.1 상관관계를 클러스터링하여 메트릭 그룹화<br/>6.3.2 파이썬에서 상관관계 클러스터링<br/>6.3.3 점수 평균을 점수로 만드는 적재 행렬 가중치<br/>6.3.4 메트릭 그룹 및 그룹화된 코호트 분석 리스팅 실행<br/>6.3.5 클러스터링을 위한 상관 임곗값 선택<br/>6.4 비즈니스 담당자에게 상관된 메트릭 그룹 설명 <br/>요약 <br/><br/>7장. 고급 메트릭으로 고객 세분화 <br/>7.1 비율 메트릭 <br/>7.1.1 비율 메트릭 사용 시기와 이유<br/>7.1.2 비율 메트릭 계산 방법<br/>7.1.3 비율 메트릭 사례 연구 예제<br/>7.1.4 시뮬레이션된 소셜 네트워크에 대한 추가 비율 메트릭<br/>7.2 전체 메트릭의 백분율 <br/>7.2.1 총 메트릭의 백분율 계산<br/>7.2.2 두 개의 메트릭을 사용한 총 메트릭 사례 연구 백분율<br/>7.2.3 여러 메트릭을 사용한 총 메트릭 사례 연구 비율<br/>7.3 변화 측정 메트릭 <br/>7.3.1 활동 수준의 변화 측정<br/>7.3.2 극단 특이치가 있는 메트릭의 점수(팻테일)<br/>7.3.3 마지막 활동 이후의 시간 측정<br/>7.4 메트릭 기간 조정<br/>7.4.1 더 긴 메트릭을 더 짧은 인용 기간으로 스케일링<br/>7.4.2 신규 계정에 대한 메트릭 추정<br/>7.5 사용자 메트릭 <br/>7.5.1 활성 사용자 측정<br/>7.5.2 활성 사용자 메트릭<br/>7.6 사용할 비율 <br/>7.6.1 비율을 사용하는 이유<br/>7.6.2 어떤 비율을 사용해야 하는가<br/>요약 <br/><br/><B>3부. 특별한 무기와 전략 </B><br/><br/>8장. 이탈 예측 <br/>8.1 모델을 이용한 이탈 예측 <br/>8.1.1 모델을 사용한 확률 예측<br/>8.1.2 참여 및 유지가능성<br/>8.1.3 참여와 고객 행동<br/>8.1.4 오프셋이 관측된 이탈률과 S 곡선을 일치시킴<br/>8.1.5 로지스틱 회귀 확률 계산<br/>8.2 데이터 준비 검토 <br/>8.3 이탈 모델 피팅 <br/>8.3.1 로지스틱 회귀 분석 결과<br/>8.3.2 로지스틱 회귀 분석 코드<br/>8.3.3 로지스틱 회귀 분석 결과 설명<br/>8.3.4 로지스틱 회귀 분석 사례 연구<br/>8.3.5 보정 및 과거 이탈 확률<br/>8.4 이탈 확률 예측 <br/>8.4.1 예측을 위한 현재 고객 데이터 세트 준비<br/>8.4.2 분할을 위한 현재 고객 데이터 준비<br/>8.4.3 저장된 모델을 이용한 예측<br/>8.4.4 예측 사례 연구<br/>8.4.5 예측 보정 및 예측 드리프트<br/>8.5 이탈 예측의 함정 <br/>8.5.1 상관 메트릭<br/>8.5.2 아웃라이어 <br/>8.6 고객 생애 가치 <br/>8.6.1 CLV의 의미<br/>8.6.2 이탈에서 예상 고객 수명까지<br/>8.6.3 CLV 공식<br/>요약 <br/><br/>9장. 예측 정확도와 머신러닝 <br/>9.1 이탈 예측의 정확도 측정 <br/>9.1.1 이탈에 표준 정확도 측정을 사용하지 않는 이유 <br/>9.1.2 AUC를 이용한 이탈 예측 정확도 측정<br/>9.1.3 리프트를 이용한 이탈 예측 정확도 측정<br/>9.2 과거 정확도 시뮬레이션: 백테스팅 <br/>9.21 백테스팅의 대상과 이유<br/>9.22 백테스팅 코드<br/>9.23 백테스팅 고려 사항 및 함정<br/>9.3 회귀 제어 파라미터 <br/>9.3.1 회귀 가중치의 강도 및 수 제어<br/>9.3.2 제어 파라미터를 사용한 회귀 분석<br/>9.4 테스트로 회귀 파라미터 선택(교차 검증) <br/>9.4.1 교차 검증<br/>9.4.2 교차 검증 코드<br/>9.4.3 회귀 교차 검증 사례 연구<br/>9.5 머신러닝을 통한 이탈 위험 예측 <br/>9.5.1 XGBoost 학습 모델<br/>9.5.2 XGBoost 교차 검증<br/>9.5.3 XGBoost 정확도와 회귀 분석 비교 <br/>9.5.4 고급 및 기본 메트릭의 비교<br/>9.6 머신러닝 예측으로 고객 세분화 <br/>요약 <br/><br/>10장. 이탈 인구 통계 및 기업 통계 <br/>10.1 인구 통계 및 기업 통계 데이터 세트 <br/>10.1.1 인구 통계 및 기업 통계 데이터의 유형<br/>10.1.2 소셜 네트워크 시뮬레이션을 위한 계정 데이터 모델<br/>10.1.3 인구 통계 데이터 세트 SQL<br/>10.2 인구 통계 카테고리와 기업 통계 카테고리가 있는 이탈 코호트 <br/>10.2.1 인구 통계 카테고리에 대한 이탈률 코호트<br/>10.2.2 이탈률 신뢰 구간<br/>10.2.3 인구 통계 코호트와 신뢰 구간 비교<br/>10.3 인구 통계 카테고리 그룹화 <br/>10.3.1 매핑 사전으로 그룹 표시<br/>10.3.2 그룹화된 카테고리가 포함된 코호트 분석<br/>10.3.3 카테고리 그룹 설계<br/>10.4 날짜 기반 및 수치 기반 인구 통계 이탈 분석 <br/>10.5 인구 통계 데이터를 이용한 이탈 예측 <br/>10.5.1 텍스트 필드를 더미 변수로 변환<br/>10.5.2 카테고리형 더미 변수만으로 이탈 예측<br/>10.5.3 더미 변수와 숫자 데이터 결합<br/>10.5.4 인구 통계 및 메트릭이 결합된 이탈 예측<br/>10.6 인구 통계 데이터로 현재 고객 세분화 <br/>요약 <br/><br/>11장. 이탈과의 싸움 주도 <br/>11.1 이탈에 대한 자신만의 투쟁 계획 수립 <br/>11.1.1 데이터 처리 및 분석 체크리스트<br/>11.1.2 비즈니스 체크리스트에 대한 커뮤니케이션<br/>11.2 자신의 데이터에 대한 도서 목록 실행 <br/>11.2.1 이 책의 데이터 스키마에 데이터 로드<br/>11.2.2 자신의 데이터에 대한 리스팅 실행<br/>11.3 이 책의 리스팅을 다른 환경으로 이동하기 <br/>11.3.1 SQL 리스팅 이동<br/>11.3.2 파이썬 목록 이동<br/>11.4 더 많이 배우고 연락하기 <br/>11.4.1 저자의 블로그 사이트 및 소셜 미디어<br/>11.4.2 이탈 벤치마크 정보의 출처<br/>11.4.3 이탈에 대한 기타 정보 출처<br/>11.4.4 이탈에 도움이 되는 제품<br/>요약

이 책에서 다루는 내용

◆ 이탈 측정 지표 산정
◆ 이탈을 예측하는 사용자 행동 확인
◆ 고객 세분화와 함께 이탈 감소 전술
◆ 타 사업장에 대한 이탈 분석 기법
◆ 정확한 이탈 예측을 위한 AI 활용

이 책의 대상 독자

주요 독자는 데이터 과학자, 데이터 분석가, 머신러닝 엔지니어다. 온라인 제품 또는 서비스를 위한 이탈 현상을 이해하고 극복해야 할 때 이 책이 도움될 것이다. 또한 컴퓨터 과학 및 데이터 과학 분야 학생이나 코딩하는 방법을 알고 있고 일반 회사에서 데이터 과학의 중요한 영역을 더 배우고 싶어하는 누구에게나 적합하다. 원시 데이터에서 시작해 분석 작업에 대한 필요한 배경을 제공하기 때문에 소규모 기업의 이탈 분석이라는 프로젝트를 통해 데이터 과학의 완벽한 실습 과정이 체험할 것이다. 샘플 데이터 세트가 제공된다.

즉, 책의 3부에 있는 8장과 9장, 이탈 예측 및 머신러닝에 관한 내용은 이 주제에 대한 관련 기초 지식이 필요하다. 그러한 배경 지식이 없을 경우 8장과 9장에서 알아야 할 모든 것을 배울 수 있겠지만, 권장하는 온라인 자료를 읽는 데 추가 시간을 들여야 할 수도 있다. 이 책은 코딩과 관련 없는 비즈니스 전문가도 읽어야 한다. 실제 회사에서의 이탈에 대한 일련의 독특한 사례 연구 관찰이 포함돼 있다. 이탈 분석을 위해 일반적으로 사용할 수 있는 데이터, 데이터를 실행 가능한 인텔리전스로 전환하는 데 사용되는 관행과 일반적인 결과를 설명한다. 그리고 데이터 결과를 비즈니스 담당자에게 전달하는 방법도 알려준다.

모든 중요한 요점은 전문 용어 없이 설명한다. 만약 이탈에 관심이 있지만 코드 작성자가 아니라면, 코딩과 수학에 관련한 내용은 건너뛰어야 한다. 그런 다음 개발자 중 한 명과 책을 공유하면서 개념을 실행에 옮기는 데 도움을 받는 것을 추천한다.

이 책의 구성

1장 ‘이탈의 세계’는 이 분야와 사례 연구를 들어 개념을 소개한다. 제품 및 서비스를 실현하는 데 도움이 될 각 유형의 지혜를 살펴본다.
2장 ‘이탈 측정’에서는 이탈 고객을 식별하고 이탈을 다양한 방법으로 측정하는 방법을 설명한다. SQL 코드는 이 장에서 시작된다.
3장 ‘고객 측정하기’에서는 대부분의 온라인 회사가 사용자를 수집하는 이벤트 데이터에서 고객 메트릭을 작성하는 방법을 소개한다.
4장 ‘갱신과 이탈 관찰’에서는 2장의 이탈 데이터와 3장의 지표를 결합해 이해 및 이탈과 대응하는 것에 대한 이해를 돕기 위해 분석 데이터 세트를 작성하는 방법을 설명한다.
5장 ‘메트릭을 통한 이탈 및 행동 이해’에서는 행동과 이탈의 관계를 이해하고 설명하는 주요 방법인 코호트 분석의 형태를 알려준다. 또 사례를 들어 설명하며, 파이썬 코드를 제시한다.
6장 ‘고객 행동 사이의 관계’에서는 바람직하지 않은 방식으로 대규모 데이터를 처리하는 방법을 살펴본다. 대부분의 회사 내 데이터 세트는 동일한 기본 동작에 대해 밀접하게 관련된 측정값을 가지고 있다. 이 다소 불필요한 정보를 어떻게 다루느냐가 중요하다.
7장 ‘고급 메트릭으로 고객 세분화’에서는 메트릭 생성 주제로 돌아가 5장 및 6장의 정보를 사용해 고급 메트릭을 설계한다. 이는 가격 민감도 및 효율성과 같은 복잡한 고객 행동을 설명하는 데 도움이 된다.
8장 ‘이탈 예측’에서는 회귀 분석을 통해 고객 이탈률을 예측하는 방법과 고객 수명값 계산을 포함한 예측 결과를 해석하는 방법을 설명한다.
9장 ‘예측 정확도와 머신러닝’에서는 머신러닝과 이탈 예측의 정확성 측정 및 최적화에 대해 설명한다.
10장 ‘이탈 인구 통계 및 기업 통계’에서는 고객 이탈의 맥락에서 인구 통계 또는 확정적 데이터를 분석하고 여러분의 최고 고객과 닮은꼴을 찾는 방법을 다룬다.

지은이의 말

고객 이탈(취소)과 참여는 온라인 제품 또는 서비스를 제공하는 모든 회사의 사활이 걸린 문제다. 데이터 과학 및 분석의 광범위한 채택과 맞물려, 데이터 전문가들을 불러 이동 감소 노력을 돕는 것이 표준이다. 그러나 이탈에 대한 이해는 다른 데이터 애플리케이션에서 흔히 볼 수 없는 많은 도전과 함정을 가지고 있으며, 지금까지 데이터 전문가(또는 학생)가 이 분야를 시작할 때 도움이 될 만한 책은 없었다. 지난 6년 동안, 수십 개의 제품과 서비스를 통해 이탈 관련 작업을 해왔고 주오라라는 회사에서 최고 데이터 과학자로 일했다. 주오라는 구독 기업들이 제품, 운영, 재무 등을 관리할 수 있는 플랫폼을 제공한다. 이 책 곳곳에 나오는 사례 연구에서 주오라의 일부 고객을 볼 수 있다.

나는 그 기간 동안 다른 방법으로 이탈을 분석하고, 그 결과를 이탈과 싸우고 있는 회사 사람들에게 피드백하는 실험을 했다. 사실은 초기의 몇 년 동안 많은 실수를 저질렀다. 다른 사람들은 그와 같은 실수를 하지 않았으면 해서 이 책을 쓰자고 결심했다. 데이터 담당자의 관점에서 작성했다. 누구든지 이 책을 통해 원시 데이터를 가지고 이탈과의 싸움에 도움이 되는 유용한 발견을 할 것으로 기대한다. 이 책을 보는 사람은 데이터 과학자, 데이터 분석가 또는 머신러닝 엔지니어나 데이터와 코드에 대해 조금 알아서 분석을 요청을 받은 사람일 수도 있다. 이 책은 파이썬과 SQL을 사용하기 때문에 데이터를 다루는 사람이 코드를 아는 사람이라고 가정한다. 나는 데이터 표시와 공유를 위한 스프레드시트를 선호하지만, 스프레드시트에서 이탈 싸움의 주요 분석 작업을 시도하지 않는 것을 추천한다. 많은 작업은 순차적으로 수행돼야 하며, 이러한 작업 중 일부는 중요하지 않다. 또 이 과정을 여러 번 반복할 필요가 있다. 워크플로가 짧은 프로그램에는 적합하지만 스프레드시트와 그래픽 도구로 진행하기는 어렵다.

데이터를 다루는 사람을 위한 책이기 때문에 제품과 서비스가 취할 수 있는 이탈 감소 조치에 대해서는 자세히 설명하지 않는다. 이 책에는 이메일과 전화 캠페인 실행, 이탈 방지 플레이북 작성, 가격 및 패키징 설계와 같은 작업을 수행하는 방법에 대한 자세한 내용은 설명하지 않는다. 대신 데이터 중심 접근 방식을 통해 고객 이탈에 대한 전투 계획을 수립할 수 있다는 점에서 전략적이다. 즉, 어떤 고객 이탈 감소 활동을 추진할 것인지, 어떤 고객을 대상으로 할 것인지, 어떤 종류의 결과를 예상할 것인지를 선택하는 것이다. 그래도 데이터 사용의 맥락을 이해하는 데 필요한 만큼 높은 수준에서 다양한 이탈 감소 전략을 소개한다.

옮긴이의 말

이 책의 지은이는 수년 동안 수십 개의 제품과 서비스에 대한 작업을 수행했으며 주오라(Zuora)라는 회사에서 최고 데이터 과학자로 근무했다. 책 전반에 걸쳐 일부 주오라 고객을 사례 연구로 살펴볼 수 있다. 지은이는 실무 경험을 통해 다양한 방법으로 고객 이탈을 분석하고 이탈과 싸우고 있는 다른 회사 사람들에게 조언을 했다. 지은이 역시 초기에는 많은 실수를 했고, 다른 사람들이 자신과 같은 실수를 하지 않게 하기 위해서 이 책을 작성했다. 이 책은 각 회사의 데이터 담당자를 위해 작성됐기 때문에 고객의 이탈을 막는 계획을 수립하기 위한 데이터 중심의 접근 방식에 초점을 맞춰 설명한다.

"필수 무기다. 이 포괄적인 가이드는 단계별 예제를 통해 이탈 분석에 대한 심층적인 통찰력을 제공한다.”
- 켈럼 프라바트 세나나야케(Kelum Prabath Senanayake) (메시지 암호화 선도 기업 에코웍스(Echoworx))

"이론과 훌륭한 코드 샘플이 풍부하게 들어 있는, 이탈에 대한 위대한 탐험이다.”
- 조지 토마스(George Thomas) (물류 플랫폼 기업 맨해튼 어소시에이츠(Manhattan Associates))

"이탈과 관련된 거의 모든 것을 알려준다. 명쾌하고도 상세한 설명, 실사례 연구에 대한 정밀 조사로 가득하다.”
- 프라부티 프라카시(Prabhuti Prakash) (디지털 트랜스포메이션 컨설팅 기업 시네크론(Synechron))

주로 코딩과 데이터에 익숙한 기술지향적인 사람들을 위한 책이지만 명쾌하고 설득력이 있으며, 때로는 재밌다. 특히 첫 장은 성공적인 구독 기반 비즈니스를 운영하는 데 관심이 있는 모든 사람이 꼭 읽어야 한다. 여러분의 상사를 위해 이 책을 사길 권한다. 날카로운 분석으로부터 이익을 얻을 수 있는 다양한 회사들을 생각해보는 것은 흥미롭다. 스트리밍 미디어 서비스부터 산업 제조업체에 이르기까지 모든 세계 경제 분야의 데이터 담당자들이 칼의 책에 주목하게 될 것이다. 오늘날 전 세계는 ‘서비스로서의 운영’을 한다. 교통과 교육, 미디어, 의료, 소프트웨어, 유통, 제조, 그밖에 뭐든지 말이다.

이 모든 새로운 디지털 서비스는 엄청난 양의 데이터를 생성하며, 결과적으로 엄청난 신호 대 잡음 문제를 야기한다. 바로 이 점이 이 책이 중요한 이유다. 나는 생계를 위해 이 주제를 연구하는데, 그 누구도 이탈을 줄이고 가입자를 행복하게 하기 위해 모든 정보를 효과적으로 걸러낼 수 있는 실용적이고 권위적인 가이드를 작성하지 않았다. 구독 사업과 관련해 변동률은 사활이 걸린 중요한 문제다.

수천 명의 기업가들이 이미 칼 골드의 방식에 깊이 익숙해져 있다. 그는 구독경제지 SEI(Subscription Economy Index)의 저자다. SEI는 다양한 업종에 걸쳐 퍼져 있는 구독 기업 수백 곳의 성장률 지표를 격년으로 반영하는 벤치마크 연구다. 주오라(Zuora)의 최고 데이터 과학자인 칼은 구독 경제에서 가장 시기적절하고 정확한 데이터 세트를 사용한다. 그는 주오라가 성공적인 소프트웨어 회사이자 존경받는 선도적 사상가인 이유 중 큰 부분을 차지한다. 이 책을 읽는다면 여러분은 회사의 성공에 즉각적이고 물질적인 기여를 할 수 있는 능력을 갖게 될 것이다. 그러나 칼이 이 책을 통해 광범위하게 논의하는 것처럼 분석을 하기에는 충분하지 않다. 또 결과를 전체적인 비즈니스에 전달할 수 있어야 한다.

따라서 이 책을 사용해 적절한 분석을 수행하는 방법을 배우되 기본적으로 여러분의 일에 가장 뛰어난 방법을 배우도록 하자. 예제와 사례 연구, 팁과 벤치마크가 다양하다. 우린 얼마나 운이 좋은가? 구독 경제의 초기에 일을 하고 있고, 이탈에 관한 최초의 획기적인 책을 읽고 있으니 말이다.
- 티엔 추오(Tien Tzuo) (주오라(Zuora)의 창립자이자 최고 경영자(CEO))