RAG를 이용한 마케팅 활용에 대한 연구 : 신용카드 할부 예측을 중심으로
Research on the Application of RAG in Marketing : Prediction of Credit Card Installment
- 주제어 (키워드) RAG(Retriecal-Augmented Generation) , LLM(Large Language Model , LLM) , 신용카드 할부 , Logistic Regression , 트리 기반 앙상블 모형 , RAG (Retrieval-Augmented Generation) , LLM (Large Language Model) , Credit Card Installment , Logistic Regression , Tree-Based Ensemble Model
- 발행기관 서강대학교 일반대학원
- 지도교수 이군희
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 일반대학원 경영학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079740
- UCI I804:11029-000000079740
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
본 연구는 신용카드사의 주요 수익원인 할부 거래에 대하여 RAG 기반 LLM의 활용 가능성을 탐구하였다. 연구는 대규모 및 소규모 데이터셋에서 다양한 예측 모델의 성능을 비교 분석하였으며, 특히 RAG 기반 LLM의 실효성을 검증하는데 초점을 맞추었다. 대규모 표본 분석에서는 전통적 통계 기법과 결정 트리 기반 앙상블 모델을 적용하여 신용카드 할부 이용 가능성을 예측하였다. 소규모 표본 분석에서는 기존 평가 모델과 함께 로지스틱 회귀 기반 LLM 및 RAG 기반 LLM을 도입하여 예측 성능을 평가하고, 데이터 기반 마케팅 인사이트 도출의 실용성을 검증하였다. 분석 결과, 대규모 표본에서는 랜덤 포레스트 모델이 최고의 예측 정확도를 달성하였다. 반면 소규모 표본에서는 RAG 기반 LLM이 우수한 예측 성능을 보였으며, 특히 신규 고객 특성 분석과 이에 기반한 개인화 마케팅 전략 수립에 있어 높은 잠재력이 있음을 입증하였다. 본 연구는 RAG 기반 LLM이 기존 예측 모델과 대등한 성능을 유지하면서도 마케팅 전략 수립을 위한 추가적 인사이트를 제공할 수 있는 효과적인 도구임을 시사한다. 나아가 AI Agent를 활용한 "RAG - 분석 - 전략 도출" 프로세스의 자동화 가능성을 제시함으로써 실무적 함의를 도출하였다.
more초록 (요약문)
This study explores the potential applications of RAG based LLM in predicting installment purchases, a major revenue source for credit card companies. The research compared and analyzed the performance of various predictive models using both large and small datasets, with particular emphasis on validating the effectiveness of RAG-based LLM. For large-scale sample analysis, traditional statistical methods and decision tree-based ensemble models were employed to predict credit card installment usage. In small-scale sample analysis, existing evaluation models were complemented with logistic regression-based LLM and RAG-based LLM to assess predictive performance and validate the practicality of deriving data-driven marketing insights. Analysis results showed that the Random Forest model achieved the highest prediction accuracy in large-scale samples. Conversely, in small-scale samples, RAG-based LLM demonstrated superior predictive performance, particularly proving its high potential in analyzing new customer characteristics and developing personalized marketing strategies based on these insights. This study suggests that RAG-based LLM can serve as an effective tool that maintains comparable performance to existing predictive models while providing additional insights for marketing strategy development. Furthermore, the study derived practical implications by presenting the possibility of automating the "RAG - Analysis - Strategy Development" process using AI Agents.
more목차
제 1 장 서론 1
제 1 절 연구 배경 1
제 2 절 선행 연구 및 변수 선정 5
제 2 장 이론적 배경 7
제 1 절 Logistic Regression 및 결정 트리 기반 앙상블 기법 7
1. Logistic Regression 7
2. 결정 트리 기반 앙상블 기법 8
2-1. Random Forest 8
2-2. XGBoost 9
2-3. LightGBM 9
제 2 절 대규모 언어 모델 10
1. LLaMA 10
2. RAG(Retriecal-Augmented Generation) 11
3. 벡터 스토어 12
제 3 장 연구 모형 및 분석 13
제 1 절 데이터 설명 13
1. 활용 데이터 13
2. 데이터 전처리 및 최종 고려 변수 14
제 2 절 평가 지표 18
1. 정확도, 정밀도, 재현율 18
2. F1-Score 19
3. Area Under the ROC Curve(AUC) 20
제 3 절 분석 결과 (Large Sample) 21
제 4 장 LLM 모델을 활용한 할부 이용 예측 24
제 1 절 LLM을 활용한 예측 모형 26
1. Logistic Regression 수식 기반 LLM 26
2. RAG 기반 LLM 29
3. 분석 결과 (Small Sample) 32
제 2 절 RAG 기반 LLM을 활용한 마케팅 인사이트 도출 33
제 5 장 결론 37
제 1 절 연구 결과 요약 및 시사점 37
제 2 절 향후 연구 방향 38
참고문헌 40
국내 문헌 40
국외 문헌 42
