[논문 리뷰] Next Basket Prediction using Recurring Sequential Patterns

Riccardo Guidotti, Giulio Rossetti외 3명|arXiv (Cornell University)|2017. 02. 23.

Customer churn and segmentation참고 문헌 19인용 수 15

한 줄 요약

이 논문은 고객 구매 행동의 공존, 순차성, 주기성, 재발성 특성을 동시에 포착할 수 있는 파라미터 없는 TARS(Temporal Annotated Recurring Sequences)를 제안한다. 이를 통해 정확한 다음 장바구니 예측이 가능해진다. TARS 기반 예측기(TBP)는 최신 기술 대비 뛰어난 성능을 보이며, 고객 이력이 36주 이상 축적된 이후로 안정적인 성능을 유지하면서 최대 20개의 미래 장바구니를 예측할 수 있다.

ABSTRACT

Nowadays, a hot challenge for supermarket chains is to offer personalized services for their customers. Next basket prediction, i.e., supplying the customer a shopping list for the next purchase according to her current needs, is one of these services. Current approaches are not capable to capture at the same time the different factors influencing the customer's decision process: co-occurrency, sequentuality, periodicity and recurrency of the purchased items. To this aim, we define a pattern Temporal Annotated Recurring Sequence (TARS) able to capture simultaneously and adaptively all these factors. We define the method to extract TARS and develop a predictor for next basket named TBP (TARS Based Predictor) that, on top of TARS, is able to to understand the level of the customer's stocks and recommend the set of most necessary items. By adopting the TBP the supermarket chains could crop tailored suggestions for each individual customer which in turn could effectively speed up their shopping sessions. A deep experimentation shows that TARS are able to explain the customer purchase behavior, and that TBP outperforms the state-of-the-art competitors.

연구 동기 및 목표

• 기존의 다음 장바구니 예측 방법들이 동시에 공존, 순차성, 주기성, 재발성을 모델링하지 못하는 한계를 해결한다.
• 개별 고객 행동의 변화에 유연하게 적응할 수 있는 사용자 중심의 파라미터 없는 접근법을 개발한다.
• 다수의 미래 장바구니를 예측할 수 있는 예측기 개발과 동시에, 개인화된 쇼핑 추천에 대해 해석 가능하고 실행 가능한 방식을 확보한다.
• 실제 다년간의 데이터를 바탕으로 TARS와 TBP의 효과성을 입증하고, 강건성과 확장성을 입증한다.
• 개별 고객 데이터만을 기반으로 하여 장치 내에서의 배포가 가능하도록 보장함으로써, 개인정보 보호와 개인화를 강화한다.

제안 방법

• 공존, 순차성, 주기성, 재발성을 하나의 통합된 구조로 표현하는 패턴 모델인 시간적 주석이 부여된 재발성 시퀀스(TARS)를 도입한다.
• 개별 고객의 거래 이력에서 TARS를 추출하기 위한 파라미터 없는 알고리즘을 설계하여 행동의 진화에 동적으로 대응한다.
• TARS 분석을 통해 재고 수준을 추론하고 다음 장바구니에 반드시 필요한 품목만 추천하는 TARS 기반 예측기(TBP)를 구성한다.
• 모델의 일반화 능력을 검증하기 위해 이탈형 평가 전략을 적용하며, 일부 거래 이력을 학습하고 다음 장바구니를 예측한다.
• 극단적인 예측 길이나 희소성으로 인한 편향을 줄이기 위해 F1 점수에 정규화 기법을 적용하여 공정한 성능 비교를 확보한다.
• 최대 7년에 이르는 실세계 데이터셋(Coop-A, Coop-C, Ta-Feng)을 활용하여 다양한 소매 환경에서 TARS와 TBP를 추출하고 검증한다.

실험 결과

연구 질문

• RQ1 기존 방법들과 비교해 볼 때, 통합된 패턴 모델이 고객 구매 행동의 공존, 순차성, 주기성, 재발성을 더 효과적으로 포착할 수 있는가?
• RQ2 TARS 기반 예측기(TBP)는 다양한 고객 프로파일과 장기적인 구매 이력 간에 얼마나 잘 일반화되는가?
• RQ3 TBP가 안정적이고 정확한 다음 장바구니 예측을 달성하기 위해 필요한 최소한의 역사적 데이터는 어느 정도인가?
• RQ4 TARS 패턴은 실제 고객의 쇼핑 행동과 습관을 이해하는 데 얼마나 해석 가능하고 실행 가능한가?
• RQ5 TBP는 최신 기술 대비 뛰어난 성능을 보이며, 동시에 완전히 사용자 중심이면서 장치 내 배포에 적합한가?

주요 결과

• TBP는 모든 최신 기술 대비 경쟁자들보다 뛰어난 성능을 보이며, 예측 길이에 관계없이 일관되게 높은 정규화 F1 점수를 확보한다.
• TBP는 약 36주 이상의 고객 구매 이력이 축적된 이후에 안정적인 예측 품질을 확보하며, 신뢰할 수 있는 예측을 위한 충분한 데이터 임계값을 확인한다.
• TBP는 높은 정확도로 최대 20개의 미래 장바구니까지 성공적으로 예측하여 장기 예측 능력을 입증한다.
• TARS 패턴은 쉽게 해석 가능하고 읽기 쉬우며, 반복적인 고객 구매 행동과 습관에 대한 실행 가능한 통찰을 제공한다.
• TBP는 고객 이력의 무작위 70–90% 서브셋으로 학습된 경우에도 강력한 성능을 유지하며, 데이터 희소성과 평가 전략에 대한 강건성을 확인한다.
• TBP의 구축 시간은 FPM 및 HRM*과 같은 집합적 방법보다 현저히 낮으며, 다른 개별 방법과 비교해도 유사하거나 더 낫다. 이는 실세계 배포에 있어 확장 가능한 성능을 보여준다.