쿠폰 마케팅을 위한 통합 인과 모델: 편향 보정 CTR과 상승효과 동시 최적화

초록

본 논문은 쿠폰과 같은 마케팅 개입이 클릭률(CTR) 예측에 미치는 편향을 해결하고, 다중 수준의 쿠폰 가치를 고려한 상승효과(uplift)를 동시에 추정하는 통합 인과 프레임워크 UniMVT를 제안한다. 치료(쿠폰)와 비치료(비쿠폰) 데이터를 전체 공간에서 활용해 베이스 CTR을 디바이어스하고, 치료 강도와 사용자 민감도를 선형 단위 상승효과로 모델링한다. 실험과 실제 A/B 테스트에서 기존 방법 대비 예측 정확도·캘리브레이션·비즈니스 지표가 크게 향상됨을 입증한다.

상세 분석

UniMVT는 두 가지 핵심 모듈로 구성된다. 첫 번째는 Deconfounded Causal Representation(DCR) 레이어로, Mixture‑of‑Experts(MoE) 구조를 이용해 입력 피처를 ‘공통(confounding)’, ‘베이스(base)’, ‘처리(treated)’ 세 종류의 전문가 네트워크로 분리한다. 각 전문가가 생성한 잠재 표현에 대해 두 개의 게이팅 네트워크(ψ₀, ψ_t)를 적용해 가중 평균을 구하고, 치료‑민감 표현과 치료‑불변 표현을 명시적으로 구분한다. 이때 Stop‑Gradient 기법을 도입해 치료‑민감 표현이 치료 할당에 역전파되지 않도록 함으로써 인과적 일관성을 보장한다.

두 번째는 Heterogeneous Treatment Effect(HTE) 네트워크이다. DCR에서 얻은 u₀와 u_t를 입력으로 베이스 CTR p₀(x)와 치료 강도 t에 대한 상승효과 τ(x,t)를 동시에 예측한다. 논문은 상승효과가 치료 강도와 선형 관계를 가진다고 가정(τ(x,t)=α(x)·t)하고, 이를 ‘단위 상승효과(uCA TE)’ η(x)로 분해한다. 이렇게 하면 쿠폰 금액별 ROI를 직접 계산할 수 있어 실시간 쿠폰 금액 최적화에 활용 가능하다.

학습 단계에서는 전체 관측 데이터(쿠폰·비쿠폰)를 사용한다. 손실 함수는 (1) 베이스 CTR에 대한 로그 손실, (2) 실제 치료를 받은 샘플에 대한 상승효과 손실, (3) 치료 강도 예측을 위한 보조 회귀 손실, (4) 치료‑불변·치료‑민감 표현 간의 분산 정규화 및 모노톤 제약을 포함한다. 특히 모노톤 제약은 α(x)≥0을 강제해 경제적 합리성을 유지한다.

이론적 분석에서는 DCR이 치료 할당과 결과 사이의 교란 변수를 효과적으로 차단함을 보이고, 전체 공간에서의 반사실(counterfactual) 추정이 수렴함을 증명한다. 실험에서는 합성 데이터와 Kuaishou의 대규모 실제 로그 데이터를 사용했으며, UniMVT는 기존 CFRNet, FlexTENet, DRNet, V‑CNet 등에 비해 AUC, LogLoss, Calibration Error 등 모든 지표에서 우수한 성능을 보였다. 특히 베이스 CTR 디바이어스가 크게 감소해 광고 순위와 과금 모델의 정확도가 향상되었으며, 단위 상승효과 추정이 정확해 쿠폰 배포 비용 대비 전환율 상승이 15% 이상 개선되었다.

실제 온라인 A/B 테스트에서는 UniMVT 기반 쿠폰 정책이 기존 정책 대비 클릭률 8%, 전환율 12%를 끌어올렸으며, 비용 효율성(ROI)도 20% 이상 상승했다. 이는 전체 샘플을 활용한 인과적 학습과 치료 강도에 대한 연속적 모델링이 실무에 바로 적용 가능함을 입증한다.

요약하면, UniMVT는 (1) 치료와 비치료 데이터를 통합해 베이스 CTR을 디바이어스하고, (2) 다중 치료 강도에 대한 연속적 상승효과를 선형 단위 모델로 정확히 추정하며, (3) 전체 공간 학습과 모노톤 제약을 통해 산업 현장에서 요구되는 캘리브레이션·효율성을 동시에 만족한다는 점에서 기존 방법론을 크게 확장한다.