B2B 이탈은 조용히 진행됩니다
B2C 구독 서비스는 해지 버튼을 누르는 순간 이탈이 기록됩니다. B2B 거래처는 다릅니다. 해지 통보가 없습니다. 매주 들어오던 발주가 격주로 바뀌고, 주문하던 품목 수가 줄고, 어느 날 보면 석 달째 주문이 없습니다. 그 사이 물량은 경쟁사로 넘어갑니다.
이 때문에 B2C의 "해지 여부 분류" 모델을 그대로 가져오면 정답 레이블부터 정할 수 없습니다. B2B에는 계약 종료일 대신 점진적 감소만 있습니다. 그래서 이탈 예측은 이탈을 어떻게 정의하느냐에서 시작합니다.
'이탈'을 먼저 정의해야 모델이 섭니다
실무에서는 두 가지 기준을 함께 씁니다.
모든 거래처에 같은 기준을 적용하면 오탐이 쏟아집니다. 농업·건설처럼 계절성이 있는 거래처는 직전 기간이 아니라 전년 같은 기간과 비교해야 합니다. 연간 거래가 4회 미만인 프로젝트성 거래처는 공백이 정상이므로 별도 그룹으로 나누어 예측 대상에서 빼거나 따로 관리합니다.
예측에 쓰는 신호
이탈 신호는 대개 숫자에 먼저 나타납니다.
이 신호들은 ERP(주문·매출·결제), CRM(영업 활동·담당자 변경), 고객지원 시스템(클레임·문의)에 흩어져 있습니다. 핵심 작업은 사업자번호 기준으로 고객 마스터를 통합하고, 월 단위 스냅샷으로 "그 시점에 알 수 있던 정보"만 피처로 만드는 것입니다. 미래 정보가 섞이면 검증 성능은 높게 나와도 실전에서는 무너집니다.
모델보다 중요한 것: 점수를 행동으로 바꾸기
예측 점수가 대시보드에만 머물면 아무것도 바뀌지 않습니다. 점수 구간마다 누가, 언제까지, 무엇을 할지를 정한 플레이북이 필요합니다.
영업 담당자는 이유 없는 점수를 믿지 않습니다. SHAP 같은 설명 기법으로 "주문 간격 2.4배 증가, 구매 품목 12개에서 7개로 감소, 지난달 품질 클레임 1건"처럼 거래처별 상위 사유를 함께 보여주어야 합니다. 그래야 방문했을 때 무엇을 물어볼지가 정해집니다.
효과 검증과 운영
"대응한 거래처가 남았다"만으로는 효과를 증명할 수 없습니다. 원래 남을 거래처였을 수 있기 때문입니다. 고위험군 중 일부(예: 20%)를 무작위로 비대응군으로 남겨 두고 이탈률을 비교합니다. 예를 들어 비대응군 이탈률이 30%, 대응군이 18%라면 대응으로 12%p를 막아낸 것입니다.
거래 패턴은 계속 바뀌므로 모델은 분기마다 재학습하고, 이탈 정의(공백 배수·감소율 기준)는 연 1회 실제 이탈 사례와 대조해 다시 점검하는 것을 권장합니다.
POLYGLOTSOFT의 이탈 예측 구축
POLYGLOTSOFT는 새 데이터를 모으기 전에 이미 보유한 ERP 거래 데이터로 시작합니다. 1단계에서 고객 마스터를 통합하고 이탈 정의를 확정하며, 2단계에서 예측 모델과 사유 설명을 만들고, 3단계에서 CRM에 위험 점수와 플레이북을 연동해 대응 효과를 측정합니다. 거래가 끊긴 뒤가 아니라 줄어들기 시작할 때 먼저 움직이고 싶으시다면 POLYGLOTSOFT에 문의해 주십시오.