[논문 리뷰] Prediction is very hard, especially about conversion. Predicting user purchases from clickstream data in fashion e-commerce

Luca Bigon, Giovanni Cassani외 5명|arXiv (Cornell University)|2019. 06. 30.

Consumer Market Behavior and Pricing참고 문헌 10인용 수 5

한 줄 요약

이 논문은 대규모 유럽 패션 전자상거래 유통업체에서 수집한 신규 대규모 데이터셋을 도입하고, 기존 최고 성능(SOTA) 방법들을 능가하는 새로운 판별 신경망 모델을 제안하여 패션 전자상거래의 클릭스트림 데이터로부터 사용자 구매 의도를 예측하는 과제를 다룹니다. 이 모델은 세션 수준의 클릭스트림 시퀀스를 활용하여 사용자를 전환자(converter) 또는 비전환자(non-converter)로 분류하며, 낮은 전환율과 노이즈가 많은 브라우징 행동에도 불구하고 정확도 향상이 두드러집니다.

ABSTRACT

Knowing if a user is a buyer vs window shopper solely based on clickstream data is of crucial importance for ecommerce platforms seeking to implement real-time accurate NBA (next best action) policies. However, due to the low frequency of conversion events and the noisiness of browsing data, classifying user sessions is very challenging. In this paper, we address the clickstream classification problem in the fashion industry and present three major contributions to the burgeoning field of AI in fashion: first, we collected, normalized and prepared a novel dataset of live shopping sessions from a major European e-commerce fashion website; second, we use the dataset to test in a controlled environment strong baselines and SOTA models from the literature; finally, we propose a new discriminative neural model that outperforms neural architectures recently proposed at Rakuten labs.

연구 동기 및 목표

• 패션 전자상거래에서 전환 이벤트가 드물고 브라우징 행동이 노이즈가 많은 상황에서 사용자 전환 여부를 예측하는 핵심 과제를 해결하기 위해.
• 주요 유럽 패션 전자상거래 플랫폼의 실시간 쇼핑 세션에서 대규모 실세계 데이터셋을 수집, 정규화하고 공개하기 위해.
• 새로운 데이터셋을 사용하여 통제된 환경에서 강력한 베이스라인 및 최고 성능 모델을 평가하기 위해.
• 클릭스트림 분류 과제에서 성능을 향상시키는 새로운 판별 신경망 아키텍처를 제안하고 검증하기 위해.

제안 방법

• 저자는 유럽 패션 전자상거래 플랫폼에서 실사용자 클릭스트림 세션의 대규모 데이터셋을 수집하고 전처리하였습니다. 이는 세션 수준의 탐색 시퀀스를 포함합니다.
• 원시 클릭스트림 로그를 딥러닝 모델에 적합한 구조화된 입력 시퀀스로 변환하기 위해 정규화 및 특징 공학을 적용했습니다.
• 이를 통해 시퀀스 클릭스트림 데이터로부터 판별적 표현을 학습할 수 있도록 설계된 판별 신경망 아키텍처를 제안했습니다. 이는 전환 대 비전환을 이진 분류하기 위해 최적화되어 있습니다.
• 표준 딥러닝 프레임워크를 사용하여 모델을 훈련하고 평가하였으며, 문헌에 기록된 기존 베이스라인 및 SOTA 모델과 성능을 비교했습니다.
• 모델 성능을 최적화하기 위해 하이퍼파rameter 튜닝과 교차검증을 사용하였으며, 실시간 NBA(다음 최적 행동) 정책에 관련된 지표를 중심으로 분석했습니다.

실험 결과

연구 질문

• RQ1 실세계 패션 전자상거래 클릭스트림 세션의 신규 대규모 데이터셋이 구매 예측 모델의 신뢰성 향상에 기여할 수 있는가?
• RQ2 낮은 전환율과 노이즈가 많은 신호를 가진 실세계 패션 전자상거래 클릭스트림 데이터에서 기존 최고 성능 모델은 어떤 성능을 보이는가?
• RQ3 새로운 판별 신경망 아키텍처가 클릭스트림 시퀀스로부터 사용자 전환 여부를 예측하는 데 있어 기존 딥러닝 모델을 능가할 수 있는가?
• RQ4 패션 전자상거래 세션에서 전환자와 비전환자를 구분하는 데 가장 효과적인 특징와 모델링 접근법은 무엇인가?

주요 결과

• 제안된 신경망 모델은 동일한 데이터셋에서 Rakuten Labs에서 최근 발표한 SOTA 모델과 강력한 베이스라인 모두를 능가하는 뛰어난 성능을 기록했습니다.
• 새로운 데이터셋은 전환 이벤트의 빈도가 낮고 사용자 브라우징 행동의 노이즈가 높아 모델링에 큰 도전 과제가 있음을 드러냈습니다.
• 결과적으로 딥 네트워크를 활용한 시퀀스 모델링이 실세계 데이터 품질 제약 조건 하에서도 클릭스트림 데이터로부터 사용자 의도를 효과적으로 포착할 수 있음을 입증했습니다.
• 실세계 데이터 품질과 레이블 일관성은 전자상거래에서 예측 모델의 성공에 있어 핵심 요소임을 확인했습니다.