모든 고객에게 동일한 EDD·배송비·포장 정책을 적용하면 평균은 만족시키지만 정작 매출의 절반 이상을 차지하는 high-value 고객을 잃는다. 반대로 신규 고객은 단순 표준 정책만 받으면 첫 주에 이탈하기 쉽고, 반품을 남용하는 일부 watch 그룹은 같은 정책 아래에서 마진을 갉아먹는다.

RT-O8은 K-Means 기반 5세그먼트(VIP / Power / Standard / 신규 / Watch) × 차별화 정책 매트릭스(거점 우선순위, EDD 가산, 무료 익일, 반품 정책, 포장 등급)를 자동으로 매핑해 주문 한 건당 최적의 풀필먼트 전략을 결정한다. CLV(고객 생애 가치)와 RFM(빈도·금액·최근성)을 12개월 윈도우로 학습하고, A/B 결과를 다시 정책 매트릭스에 피드백해 매월 가중치를 재학습한다.

# K-Means 기반 고객 클러스터링
features = [
    "order_frequency",      # 월 평균 주문 횟수
    "avg_order_value",      # 평균 주문 금액
    "return_rate",          # 반품률
    "clv_score",            # 고객 생애 가치
    "channel_preference",   # 선호 채널
]
kmeans = KMeans(n_clusters=5, random_state=42)
segments = kmeans.fit_predict(customer_features)

5개 피처를 z-score 정규화 후 K-Means에 투입한다. 클러스터 수는 silhouette score를 3~8 범위에서 그리드 서치한 결과 5가 가장 안정적이며 (0.43), 해석 가능한 5세그먼트 라벨(VIP/Power/Standard/신규/Watch)와도 잘 정합한다. random_state=42로 고정해 매월 재학습 시 라벨 재배정 이슈를 최소화했다.

예) 김OO 고객(월 12건·AOV 280k·반품 2%·CLV 상위 3%)은 0.25·1.0 + 0.30·0.95 − 0.20·0.02 + 0.25·1.0 = 0.78 로 VIP 세그먼트 컷오프(0.72)를 넘어 무료 익일 + 인접 거점 정책이 자동 적용된다.

VIP 4%는 매출의 약 31%를 만들어내는 핵심 그룹이라 −6h EDD 가산 + 무료 익일 + 14일 무조건 반품으로 확실하게 묶어 둔다. 신규 18%는 첫 주 한정 보호 정책으로 첫 인상 비용을 감수하고 잔존율(D14)을 끌어올리며, Watch 6%는 반품 남용/사기 의심 그룹이라 EDD를 일부러 +4h 늦추고 검수 강화로 마진을 보호한다.