72offsuit

반복구매형 온라인 장보기 커머스에서
누가 떠날지, 그리고 누구에게 무엇을 줘야 이익이 남는지를 데이터로 정합니다.

• 장보기 커머스 서비스 — 상품 탐색 · 장바구니 · 쿠폰 · 주문 · 재구매 알림까지 실제로 동작하는 서비스
• 가상 고객 시뮬레이터 — 그 서비스와 같은 구조로 고객의 구매 · 이탈 · 마케팅 반응을 만들어 냅니다
• 예측 · 최적화 AI — 행동 기록만 보고 이탈을 예측하고(Churn), 처치 효과를 추정하고(Uplift), 고객 가치를 예측해(CLV) 리텐션 전략과 예산을 고릅니다
• 대시보드 — 측정 결과와 모델 · 전략 · 실험 결과를 근거와 함께 보여줍니다

flowchart LR
  E["장보기 커머스<br/>Ecommerce_Service"] -- 실측 이벤트 --> M["측정 계층"]
  S["가상 고객 시뮬레이터<br/>(출제자)"] -- 생성 이벤트 --> M
  M --> A["예측 · 최적화 AI<br/>(수험생)"]
  A --> D["대시보드"]
  S -. 숨겨진 정답 .-> G["사후 채점"]
  A -. 예측 .-> G

• 가상 고객을 만드는 쪽(출제자) 과 맞히는 쪽(수험생) 을 두 팀으로 나누고, 서로의 코드 · 정답 · 결과를 보지 못하게 격리합니다.
• 가장 위험한 누수는 AI 성능을 본 뒤 시뮬레이터를 고치는 것입니다. 그래서 시뮬레이터 기준은 결과를 보기 전에 봉인(GATE) 합니다.
• 값이 없으면 0으로 채우지 않고 "계산 불가" 로 표시합니다. 측정하지 않은 것을 통과로 적지 않습니다.

저장소는 모두 비공개이며 팀원만 접근할 수 있습니다.