[논문 리뷰] Price and Profit Awareness in Recommender Systems

Dietmar Jannach, Gediminas Adomavičius|arXiv (Cornell University)|2017. 07. 25.

Advanced Bandit Algorithms Research참고 문헌 34인용 수 25

한 줄 요약

이 논문은 사용자 유틸리티와 기업 수익성의 균형을 위해 추천 시스템에 가격 및 수익 인식 기능을 통합하는 것을 제안한다. 항목의 가격, 판매 확률, 이윤 마진를 추천 알고리즘에 통합함으로써 시뮬레이션을 통해 수익 중심의 추천이 관련성을 유지하면서도 기업 수익을 크게 증가시킬 수 있음을 입증한다.

ABSTRACT

Academic research in the field of recommender systems mainly focuses on the problem of maximizing the users' utility by trying to identify the most relevant items for each user. However, such items are not necessarily the ones that maximize the utility of the service provider (e.g., an online retailer) in terms of the business value, such as profit. One approach to increasing the providers' utility is to incorporate purchase-oriented information, e.g., the price, sales probabilities, and the resulting profit, into the recommendation algorithms. In this paper we specifically focus on price- and profit-aware recommender systems. We provide a brief overview of the relevant literature and use numerical simulations to illustrate the potential business benefit of such approaches.

연구 동기 및 목표

• 이윤 및 가격과 같은 기업가치 지표를 통합하여 추천 시스템의 사용자 중심적 및 제공자 중심적 목표 간 격차를 해소하고자 한다.
• 추천 시스템이 단기적 판매 최적화와 장기적 고객가치 유지를 지원하도록 어떻게 향상될 수 있는지 조사하고자 한다.
• 추천 시스템 설계에서 컴퓨터 과학 연구와 마케팅 및 경영 과학과 같은 비즈니스 중심 분야 간 격차를 메우고자 한다.
• 수치 시뮬레이션과 기존 실증 연구를 활용하여 수익 인식 추천의 영향을 비즈니스 결과에 평가하고자 한다.
• 동적 가격 설정 및 추천 전략에서 고객 만족도와 제공자 수익성 간의 상충 관계를 탐색하고자 한다.

제안 방법

• 기본 제공자 유틸리티를 극대화하는 데 중점을 두기 위해 가격, 판매 확률, 이윤 마진 데이터를 추천 알고리즘에 통합한다.
• 수치 시뮬레이션을 사용하여 전통적인 유틸리티 극대화 접근 방식과 비교해 수익 인식 추천의 비즈니스 영향을 평가한다.
• 정수 프로그래밍 및 행렬 분해와 같은 최적화 기법을 활용하여 동적 가격 설정 및 번들 추천을 모델링한다.
• 고객 생애가치(CLV) 모델, 특히 RFM(최근성, 빈도, 금액) 세분화를 활용하여 장기적인 고객 수익성 기반으로 추천을 맞춤화한다.
• 추천 시스템의 신뢰도와 고객 세그먼트에 따라 추천 정책을 조정하여 단기 수익과 장기적 신뢰를 균형 잡는다.
• 즉각적인 수익 창출과 장기적 고객 유지를 결합한 하이브리드 접근 방식을 활용하며, 동적 가격 설정 및 프 motion 번들링을 포함한다.

실험 결과

연구 질문

• RQ1 어떻게 추천 시스템을 설계하여 제공자 수익성을 극대화하면서도 사용자 만족도를 유지할 수 있는가?
• RQ2 가격 및 수익 정보를 통합할 경우 추천 시스템의 전체 비즈니스 가치에 어떤 영향을 미치는가?
• RQ3 단기 수익 중심 추천과 장기 전략인 고객 생애가치(CLV) 최적화 간 효과성은 어떻게 비교되는가?
• RQ4 동적 가격 설정과 번들 추천이 고객의 절감 효과와 제공자 수익을 어느 정도 향상시킬 수 있는가?
• RQ5 추천 시스템의 신뢰도가 추천의 관련성과 수익성 간 최적 균형에 어떤 영향을 미치는가?

주요 결과

• 추천 알고리즘에 수익 인식 지표를 통합하면, 홍보된 항목에 이윤을 내지 않더라도 기업 수익성이 크게 증가할 수 있다.
• 수치 실험 결과, 최적화된 온라인 프 motion 및 동적 가격 설정 전략이 고마진 제품으로의 판매 이동을 유도함으로써 전체 수익성을 크게 향상시킬 수 있음을 보여준다.
• 번들 가격을 최적화하면 고객(할인으로서의 절감)과 제공자(판매 및 마진 증가) 모두에게 유리한 윈윈 상황을 만들 수 있다.
• 고객 생애가치(CLV) 모델링 및 RFM 세분화와 같은 장기 전략은 유지율과 수익성을 향상시키는 더 효과적인 개인화된 추천 정책을 가능하게 한다.
• 낮은 신뢰도 상황에서는 즉각적인 수익보다 관련성을 우선시하는 것이 신뢰 회복과 장기적 시스템 지속 가능성에 더 효과적일 수 있다.
• 최적의 추천 정책은 추천 시스템의 신뢰도와 고객 세그먼트에 따라 달라지며, 일률적인 접근 방식은 최적화되지 않았음을 시사한다.