Causal Machine Learning 을 활용한 프로모션 오퍼 최적화

(번역: Dongwook Kim) Original Blog Link

많은 기업이 거래 성사, 구독 갱신, 서비스 구매 시 고객에게 프로모션 혜택을 제공합니다. 이러한 인센티브는 구매의 대가로 고객에게 제공되는 수익 또는 서비스 측면에서 판매자에게 비용이 발생합니다. 하지만 적절하게 적용하면 거래가 성사되도록 돕고 구매 규모를 확대하는 데 도움이 될 수 있습니다. 하지만 인센티브 제안을 받는 모든 계정이 같은 방식으로 반응하는 것은 아닙니다. 프로모션 제안을 부적절하게 적용하면 거래 속도에 영향을 미치지 않거나 불필요하게 마진을 감소시킬 수 있습니다. 고객에게 인센티브를 제안하는 조직은 해당 제안이 거래 완료 확률에 미치는 영향을 예측하고 거래의 순 수익성에 미칠 영향을 이해하는 것이 중요합니다.

프로모션 오퍼를 최적화하면 더 나은 결과를 얻을 수 있습니다.

영업팀이 각기 다른 제안에 적용하는 방식에 대한 명시적인 제어 없이 1년 동안 여러 유형의 프로모션 오퍼를 제공해온 소프트웨어 회사의 가상 사례를 생각해 보겠습니다. 이러한 제어 없이 데스크톱 수와 매출 수준이 다른 여러 고객 계정에 오퍼를 제공하면 규모가 다른 여러 계정에 오퍼 유형이 무작위로 뿌려지는 것을 볼 수 있습니다(그림 1). .

이러한 다양한 제안이 거래 성사 확률과 해당 거래의 마진에 어떤 영향을 미치는지 살펴보면 소프트웨어 회사에 최적의 결과를 가져오는 경향이 있는 고유한 속성 조합을 식별할 수 있습니다(그림 2).

이 작업의 결과는 거래에 프로모션 오퍼를 적용하는 보다 체계적이고 프로그래밍적인 방법일 뿐만 아니라 계정 마진에 실질적인 영향을 미칩니다. 각 계정의 평균 마진에 대한 다양한 전략의 비교를 살펴보세요(표 1).

표 1. 다양한 프로모션 오퍼 정책이 평균 계정 수익률에 미치는 영향

이 표는 영업팀이 프로모션 오퍼 제공 시기를 결정하도록 하는 것과 달리 최적화된 접근 방식을 사용할 때 4,900달러 이상의 수익 증가를 보여줍니다. 또한 이 표는 다양한 계정 시나리오에서 특정 프로모션 오퍼를 추천하는 것이 항상 하나의 프로모션 오퍼만 제공하거나, 항상 두 가지 프로모션 오퍼를 모두 제공하거나, 프로모션 오퍼를 제공하지 않는 등의 다른 순진한 접근 방식보다 더 낫다는 것을 나타냅니다.

Causal Machine Learning 을 통해 이러한 결과의 원동력을 도출할 수 있습니다.

하지만 최적화된 결과를 이끌어내기 위해 다양한 시나리오에서 어떤 오퍼를 추천할지 어떻게 알 수 있을까요? 인과적 머신 러닝(Casual ML) 분야의 새로운 기능을 사용하면 데이터의 확률적 관계 분석과 도메인 지식을 결합하여 주어진 시나리오에서 어떤 옵션이 원하는 결과로 이어질 가능성이 높은지 예측할 수 있는 모델을 제공할 수 있습니다. 인과관계는 다소 어려운 개념이지만, 조직이 기존 접근 방식으로는 해결할 수 없었던 어려운 문제를 해결할 수 있도록 지원하는 활발한 연구 분야입니다.

인과적 머신러닝에 대한 소개를 제공하기 위해 인과적 머신러닝을 위한 오픈 소스 도구의 PyWhy 에코시스템 팀과 협력하여 이러한 기술을 판매 인센티브 최적화 시나리오에 어떻게 적용할 수 있는지 시연해 보았습니다. 여기에서 자세한 설명이 담긴 기술 노트를 다운로드하여 이 분야에 대한 여정을 시작할 수 있습니다. 인과적 머신러닝이 다양한 문제에 접근하는 방법을 익히고 나면, 비즈니스와 관련된 다양한 시나리오에서 인과적 머신러닝을 적용할 수 있는 추가적인 기회를 발견할 수 있을 것으로 기대합니다.

Causal Machine Learning 을 위한 플랫폼을 제공하는 데이터브릭스

인과적 머신 러닝과 이 분야에서 솔루션을 구현할 수 있는 PyWhy의 기능에 대해 알게 되었다면, 자연스럽게 다음 질문은 왜 데이터브릭스일까요? 입니다. 데이터브릭스는 모든 데이터와 인과적 머신 러닝을 포함한 모든 분석 모드를 위한 통합 분석 플랫폼을 제공합니다.

데이터브릭스 레이크하우스 플랫폼으로 표준화한 많은 고객들에게, 데이터브릭스에서 인과관계 ML 솔루션을 구현하는 것은 기존 예측 워크플로우의 자연스러운 진화입니다. 데이터 과학자와 데이터 엔지니어는 하나의 플랫폼에서 협업할 수 있으며, 데이터브릭스가 제공하는 데이터 처리 성능을 활용하여 이 작업을 위한 입력을 준비하고 환경 간에 데이터를 복제할 필요 없이 기본 및 타사 UI를 활용하여 출력을 분석할 수 있습니다.

데이터브릭스 고객들이 이 기술을 성공적으로 활용함에 따라, 데이터브릭스에서 제공되는 모델 배포 및 호스팅 기능은 이러한 고급 예측 기능을 다양한 운영 워크플로우와 통합할 수 있는 여러 경로를 제공합니다. 요컨대, 데이터브릭스는 조직이 데이터로 목표를 달성하는 데 방해가 되는 요소를 제거하여 조직이 데이터에서 발견한 인사이트의 잠재력을 실현하는 데 집중할 수 있게 해줍니다.

이 작업에 대한 지원과 격려를 아끼지 않은 PyWhy 라이브러리 운영위원회에 특별히 감사의 말씀을 드립니다.

노트북 예제를 확인해 보세요