[논문 리뷰] Coarse Personalization

Walter W. Zhang, Sanjog Misra|arXiv (Cornell University)|2022. 04. 12.

Consumer Market Behavior and Pricing인용 수 4

한 줄 요약

이 논문은 이질적 치료 효과 추정과 최적 운반 이론을 활용하여 개인화된 치료를 위해 소수의 고유한 치료로 할당하는 두 단계의 '개인화 후 이산화' 프레임워크를 제안한다. 음식 배달 플랫폼의 현장 실험 데이터를 바탕으로, 이 방법은 완전히 세분화된 개인화에서 99.5% 이상의 수익을 회복하면서 오직 다섯 가지의 고유한 치료만 제공한다.

ABSTRACT

With advances in estimating heterogeneous treatment effects, firms can personalize and target individuals at a granular level. However, feasibility constraints limit full personalization. In practice, firms choose segments of individuals and assign a treatment to each segment to maximize profits: We call this the coarse personalization problem. We propose a two-step solution that simultaneously makes segmentation and targeting decisions. First, the firm personalizes by estimating conditional average treatment effects. Second, the firm discretizes using treatment effects to choose which treatments to offer and their segments. We show that a combination of available machine learning tools for estimating heterogeneous treatment effects and a novel application of optimal transport methods provides a viable and efficient solution. With data from a large-scale field experiment in promotions management, we find our methodology outperforms extant approaches that segment on consumer characteristics, consumer preferences, or those that only search over a prespecified grid. Using our procedure, the firm recoups over $99.5\%$ of its expected incremental profits under full personalization while offering only five segments. We conclude by discussing how coarse personalization arises in other domains.

연구 동기 및 목표

• 최근 세분화된 개인화 기술의 발전에도 불구하고 실용적 제약으로 인해 고유한 마케팅 치료를 소수만 제공할 수 있는 실무적 한계를 해결하기 위해.
• 사전 조건이나 선호도에 따라 세분화하지만 치료 할당을 최적화하지 않는 전통적인 '이산화 후 개인화' 접근 방식의 비효율성을 극복하기 위해.
• 제안하는 치료의 수와 종류, 그리고 고객의 최적 할당을 동시에 결정함으로써 확장 가능하고 수익을 극대화하는 방법을 개발하기 위해.
• 메뉴 비용, 공정성, 규제 제한 등의 실용적 제약 조건을 고려하여 개인화와 실행 가능성의 균형을 이루는 구현 가능한 솔루션을 제공하기 위해.
• 대규모 음식 배달 플랫폼의 실제 현장 실험 데이터를 활용하여 기존 방법 대비 본 방법의 우월성을 입증하기 위해.

제안 방법

• 기계학습 방법을 활용해 각 개인의 조건부 평균 치료 효과(CATE)를 추정함으로써, 완전한 세분화된 개인화를 기준으로 삼는다.
• 최적 운반 이론을 적용하여 추정된 CATE의 연속 분포를 이산적인 고유한 치료 집합으로 매핑함으로써 할당 비용을 최소화하면서 수익을 유지한다.
• 제약 조건이 있는 할당 문제를 해결하기 위해 워샤프스키 거리(Wasserstein distance)를 사용하여, 치료 분포가 기초가 되는 CATE 분포와 유사하게 유지되도록 보장한다.
• 이 방법은 치료의 수와 종류, 그리고 개인의 최적 할당을 동시에 결정하여 순차적 세분화를 피한다.
• 기존의 CATE 추정 도구와 최적 운반 이론의 새로운 응용을 활용하여 확장 가능하고 효율적인 알고리즘이다.
• 이 접근 방식은 치료의 수를 선택함으로써 균형 조절 스펙트럼(균일한 치료에서 완전한 개인화까지)을 탐색할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 실제 제약 조건으로 인해 고유한 마케팅 치료를 소수만 제공해야 할 경우 기업은 어떻게 수익을 극대화할 수 있는가?
• RQ2 개개인의 치료 효과가 다를 경우, 제한된 수의 치료 집합에 개인을 어떻게 최적의 방식으로 할당할 수 있는가?
• RQ3 '개인화 후 이산화' 접근 방식이 전통적인 '이산화 후 개인화' 방법에 비해 수익 회복률과 구현 효율성 측면에서 어떻게 다른가?
• RQ4 최적 운반 이론을 활용해 개인화 마케팅의 제약 조건이 있는 할당 문제를 얼마나 효과적으로 해결할 수 있는가?
• RQ5 粗미세 개인화가 최적 수익에 근접한 성능을 달성하면서도 치료의 다양성을 최소화할 수 있을까? 만약 가능하다면, 얼마나 많은 치료가 필요한가?

주요 결과

• 제안된 방법은 오직 다섯 가지의 고유한 치료만 제공하면서도 완전한 세분화된 개인화에서 기대되는 추가 수익의 99.5% 이상을 회복한다.
• 소비자 특성이나 선호도에 따라 세분화하거나 사전에 지정된 치료 조합의 그리드를 탐색하는 전통적 방법보다 본 방법이 뛰어나다.
• 최적 운반 기반의 이산화 단계는 연속적인 CATE 추정치를 이산적 치료로 효과적으로 매핑하여 수익 정확도 손실를 최소화한다.
• 이 방법은 확장 가능하고 쉽게 구현할 수 있어 마케팅 및 그 외 분야에 실질적인 구현에 적합하다.
• 이 프레임워크는 메뉴 비용, 공정성, 규제 준수와 같은 실용적 제약 조건과 개인화의 균형을 이루는 데 기여한다.
• 이 방법은 관리자가 이산적 치료의 수를 조절함으로써 명시적으로 세부 수준을 제어할 수 있는 정규화된 개인화 형태를 제공한다.