전체 페이지 경험 최적화로 전자상거래 검색 혁신

초록

본 논문은 전자상거래 검색 결과 페이지(SRP)를 2차원 레이아웃과 위젯을 포함한 복합 구조로 모델링하고, 장기 사용자 만족도를 인과관계 기반으로 추정하는 DV‑WPX 프레임워크를 제안한다. 페이지 전체의 브랜드 매치율을 시각적 픽셀과 영역 가중치로 결합한 PR‑WP‑BMR 지표를 정의하고, 이를 다목적 템플릿 랭커에 통합한다. 대규모 A/B 테스트 결과, 브랜드 관련성(주요 고객 경험 지표)이 1.86% 상승하고 매출이 0.05% 상승하는 효과를 확인하였다.

상세 분석

이 연구는 기존의 선형 리스트 기반 랭킹이 2차원 그리드와 위젯이 혼합된 현대 SRP에 적용하기 어렵다는 점을 지적한다. 저자들은 이를 해결하기 위해 (1) 페이지 전체를 하나의 ‘슬레이트’로 보고, 각 슬레이트를 선택·배치하는 행동을 컨텍스트 밴딧 문제로 공식화하였다. (2) 장기 만족도를 측정하기 위해 ‘Downstream Value of Whole Page Experience(DV‑WPX)’라는 인과 추정 프레임워크를 도입했으며, 이는 동일 쿼리·시간·배송지역 내에서 발생하는 자연 실험 혹은 실험 할당을 활용해 품질 변동을 외생 변수로 간주한다. DV‑WPX는 품질 지표 X, 단기 매출·참여(M), 그리고 히스토리(H)를 포함하는 구조 방정식을 설정하고, Double Machine Learning(DML) 절차를 통해 β 계수를 추정한다. 여기서 β는 각 품질 지표가 12주 후 매출에 미치는 순수 인과 효과를 의미한다.

특히, 저자들은 브랜드 일치율을 측정하기 위해 ‘Pixel and Region Weighted Whole‑Page Brand Match Rate(PR‑WP‑BMR)’를 설계했다. 페이지를 Top(1‑8), Middle(9‑16), Bottom(>16) 세 영역으로 구분하고, 각 영역의 픽셀 커버리지를 가중치로 사용한다. 영역 가중치는 기존 클릭‑통과율(CTR) 기반과 DV‑WPX 기반 두 가지를 비교했으며, DV‑WPX 기반 가중치는 Bottom 영역에 거의 가중치를 부여하지 않아 시각적·위치적 중요도가 높은 영역에 집중하도록 설계되었다.

모델링 단계에서는 3C(컨텍스트, 고객, 콘텐츠) 특징을 활용해 매출, 페이지 비포기(non‑abandonment), PR‑WP‑BMR을 각각 베이지안 선형 회귀와 베이지안 프로빗 회귀로 예측한다. 추론 시에는 Thompson 샘플링을 적용해 각 목표의 사후 분포에서 샘플을 추출하고, 사전 정의된 가중치로 선형 결합해 최종 스코어를 산출한다. 이 방식은 다목적 최적화와 실시간 탐색‑활용 균형을 동시에 만족한다.

실험 결과는 세 가지 설정(컨트롤, CTR‑기반 PR‑WP‑BMR, DV‑WPX‑기반 PR‑WP‑BMR)을 비교했으며, DV‑WPX 기반 처리군이 브랜드 관련성에서 1.86% 상승, 매출에서 0.05% 유의미한 상승을 기록했다. 오프라인 검증에서도 콘텐츠‑인식 특징이 매출 예측 RMSE를 6% 개선하고, 데스크톱 비포기 AUC를 1% 향상시켰다. 이는 장기 만족도 신호가 단기 클릭·매출 신호와는 별개로 독립적인 비즈니스 가치를 창출함을 시사한다.

이 논문의 주요 기여는 (1) 자연 실험을 활용한 장기 인과 추정 프레임워크, (2) 시각·위치 정보를 반영한 영역 가중치 기반 만족도 지표, (3) 다목적 템플릿 랭커와의 실증적 통합이다. 다만, β 추정이 선형 가정에 의존하고, 위젯 종류·디자인 변동에 대한 일반화 가능성이 제한적이며, 장기 매출 효과를 12주로 한정한 점은 향후 연구에서 더 긴 기간과 다양한 도메인으로 확장할 필요가 있다.