최근 몇 년 동안 전자상거래 (E-commerce) 서비스는 사람들의 일상생활에서 급격히 증가하였으며, 이는 사람들이 온라인으로 제품을 구매하는 데 도움을 주고 있습니다. 그러나 소매 플랫폼들은 고객 행동을 이해하는 데 어려움을 겪고 있으며, 이로 인해 미래의 구매를 예측하는 것이 어렵습니다. 이러한 과제를 극복하기 위해, 본 연구는 소매 데이터의 시간적 특징 (temporal features)과 정형 데이터의 역학 (tabular dynamics)을 포착하기 위해 Extreme Gradient Boosting (XGBoost) 모델을 결합한 하이브리드 소매 심층 신경망 (Retail Deep Neural Network, Ret-DNN)을 제안합니다. 먼저, 약 500,000개의 레코드가 포함된 거래 데이터를 영국 (UK) 기반의 온라인 소매업체로부터 수집하였습니다. 그 다음, 데이터가 모델 학습 및 테스트에 적합하도록 데이터 정제 (data cleaning), 이상치 처리 (outlier handling), 시간적 특징 추출 (temporal feature extraction), 특징 인코딩 (feature encoding), z-score 정규화 (z-score normalization)와 같은 일련의 기술을 사용하여 수집된 데이터를 전처리하였습니다. 이어서, 전처리된 데이터는 고객 거래의 전체적인 맥락을 이해하는 특징 추출기 (feature extractor) 역할을 하는 Ret-DNN 모델에 입력되었습니다. 나아가, 추출된 데이터는 XGBoost 모델의 입력값으로 전달되어 고객의 구매 확률을 최종 출력값으로 예측하였습니다. 마지막으로, 제안된 Ret-DNN XGBoost 모델은 기존 Ret-DNN 모델과 비교했을 때 평균 절대 오차 (Mean Absolute Error, MAE) 0.2193을 달성하며 더 나은 결과를 얻었습니다. 키워드: 고객 행동 예측 (Customer behavior forecasting), extreme gradient boosting, 전자상거래 (electronic commerce), 예측 분석 (predictive analytic), 소매 심층 신경망 (retail deep neural networks).