비즈니스 가드레일을 겸비한 업리프트 타게팅 최적화 전략

초록

본 논문은 고객별 이질적 처리 효과(CATE)를 추정한 뒤, 예산·수익 보호·고객 경험 등 실무 가드레일을 수식화한 제약조건과 함께 최적화 문제로 풀어 마케팅 대상 선정과 오퍼 배정을 동시에 결정하는 두 단계 프레임워크를 제시한다. 오프라인 시뮬레이션과 온라인 A/B 테스트에서 기존 프로펜시티 기반·정적 베이스라인을 지속적으로 능가함을 입증한다.

상세 분석

논문은 현대 전자상거래에서 흔히 발생하는 “예산 초과”, “수익 감소”, “고객 불만” 등 실질적인 비즈니스 제약을 무시한 기존 업리프트 모델의 한계를 명확히 짚고 있다. 이를 해결하기 위해 저자는 두 단계 파이프라인을 설계한다. 첫 번째 단계에서는 Causal Forest, Double Machine Learning, Forest‑Doubly‑Robust 등 최신 메타‑러너를 활용해 개별 고객의 조건부 평균 처리 효과(τ(x))를 추정한다. 여기서 잠재적 결과(Y(1), Y(0))를 구분하고, 무조건성 가정(unconfoundedness)과 잠재 변수 독립성을 전제로 하여 추정 편향을 최소화한다. 두 번째 단계에서는 추정된 τ̂ 를 목적 함수에 직접 삽입하고, πik ∈{0,1} 로 표현된 고객‑오퍼 매트릭스를 최적화한다. 제약식 g(π) ≤ c는 예산(전체 타게팅 비율 ≤ B), 수익 보호(전체 매출 감소 ≤ δ), 공정성(민감군 간 차이 ≤ ε) 등 다중 목표를 동시에 만족하도록 설계되었다. 대규모 고객군(N≈10⁵)에서도 정확한 정수계획이 비현실적이므로, 저자는 “버킷화” 기법을 도입해 유사 uplift 값을 가진 고객을 그룹화하고 그룹 수준에서 이진 선택을 수행한다. 이는 계산 복잡도를 O(N) → O(G) (G≪N) 로 감소시키면서도 최적해와의 차이를 미미하게 만든다. 평가 방법으로는 누적 uplift curve 아래 면적(AUUC)과 IPS·SNIPS 기반 오프라인 정책 평가, 그리고 실제 서비스 환경에서의 A/B 테스트를 결합한다. 시뮬레이션에서는 3가지 가드레일을 동시에 적용했을 때 정책 위반율이 0%에 수렴했으며, ROI와 유지율이 기존 프로펜시티 타게팅 대비 2~3%p 상승했다. 실제 적용 사례는 (1) 구독 서비스의 이탈 방지, (2) 이벤트 보상 최적화, (3) 지출 임계값 맞춤화 로 구분된다. 특히 이탈 방지 실험에서는 전체 타게팅 비율을 6.5%로 축소하면서도 유지율을 2.35%p 상승시켰고, 비용 절감 효과가 두드러졌다. 이벤트 보상에서는 매출 대비 인센티브 비율(e%iS)을 11.9%p 낮추고, 매출 자체는 0.317%p 상승시켰다. 마지막으로 온라인 A/B 테스트에서는 매출 +0.36%, 주문 완료율 +5.49% 등 핵심 KPI가 통계적으로 유의미하게 개선되었다. 전반적으로 논문은 “업리프트 추정 → 제약 최적화”라는 명확한 흐름을 제시하고, 구현 가이드(데이터 요구사항, 모델 선택, 제약 정의, 스케일링)와 오픈소스 코드까지 제공함으로써 실무 적용 가능성을 크게 높였다.