디지털 광고 트래픽 운영을 위한 머신러닝 기반 프로세스 발견

초록

본 논문은 디지털 및 유료 소셜 캠페인 트래픽 운영에서 발생하는 고객 서비스 불만을 해결하기 위해 CRM 로그를 활용한 프로세스 마이닝과 머신러닝 기반 자동 프로세스 발견 기법을 제안한다. 루프, 지연, 비효율적인 작업 흐름을 실시간으로 식별하고 시각화함으로써 운영 담당자와 프로세스 매니저가 즉각적인 개선 조치를 취할 수 있도록 지원한다.

상세 분석

이 연구는 디지털 광고 트래픽 운영이라는 특수한 비즈니스 도메인에 프로세스 마이닝을 적용한 최초 사례 중 하나로 평가할 수 있다. 기존의 프로세스 마이닝 기법은 주로 ERP나 제조 데이터에 초점을 맞추었으나, 본 논문은 CRM 시스템에 축적된 광고 캠페인 요청, 승인, 배포, 보고 단계의 이벤트 로그를 추출하여 프로세스 모델을 재구성한다. 핵심 기법은 두 단계로 구성된다. 첫 번째는 로그 전처리 단계로, 이벤트 타임스탬프 정규화, 사용자 식별자 매핑, 그리고 다중 캠페인 간의 상관관계를 파악하기 위한 세션 분할을 수행한다. 여기서 제안된 “시간 간격 기반 세션 클러스터링”은 광고 캠페인마다 다변량 시간 간격을 고려해 동일 작업 흐름을 하나의 세션으로 묶는다. 두 번째는 머신러닝 기반 프로세스 변이 탐지 단계이다. 기존의 알골리즘인 α‑알고리즘, Heuristics Miner 등을 베이스라인으로 사용하면서, 변이 탐지를 위해 변형된 변이 자동 인코더(VAE)를 적용한다. VAE는 고차원 로그 데이터를 저차원 잠재 공간에 압축하고, 재구성 오류가 큰 경우를 ‘비정상 변이’로 간주한다. 이를 통해 루프, 병목, 중복 승인 등 비정형 흐름을 자동으로 식별한다.

모델 학습에는 비지도 학습 방식이 채택되어 라벨링 비용을 최소화했으며, 실제 운영 환경에서 발생하는 로그의 불완전성(누락 이벤트, 중복 기록)을 고려해 손실 함수에 가중치를 부여하였다. 실험 결과, 제안된 VAE 기반 변이 탐지는 기존 Heuristics Miner 대비 23% 높은 정밀도와 31% 높은 재현율을 보였으며, 특히 2시간 이상 지연된 프로세스 단계와 무한 루프를 95% 이상의 정확도로 탐지했다.

시각화 측면에서는 프로세스 플로우를 인터랙티브한 DAG(Directed Acyclic Graph) 형태로 제공하고, 변이 발생 지점을 색상으로 강조한다. 이는 트래픽 운영 담당자가 ‘어디서’, ‘왜’ 문제가 발생했는지를 직관적으로 파악하게 해준다. 또한, 실시간 알림 시스템과 연동해 특정 KPI(예: 캠페인 배포 지연 시간)가 임계값을 초과하면 자동으로 담당자에게 알림을 전송한다.

한계점으로는 로그 품질에 크게 의존한다는 점과, VAE 모델이 복잡한 비정형 변이를 모두 포착하지 못할 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 강화학습 기반 정책 최적화와, 멀티모달 데이터(예: 이메일, 채팅 로그) 통합을 통해 프로세스 전반의 가시성을 높이는 방향을 제시한다.