• 출처

<aside> 📊

업리프트 모델링 (Uplift Modeling)

“광고가 정말로 고객의 행동을 바꿨는가?”를 개인 단위로 추정하여,

마케팅 예산을 가장 효과적인 고객에게 집중하기 위한 분석 방법

• 광고의 순수한 인과 효과를 기준으로 고객을 다음 네 가지 유형으로 분류

목적: “광고를 본 고객 중, 정말로 광고에 반응한 고객(Persuadable)을 찾아 예산을 가장 효율적으로 집행”

🔧 모델링 방식: Two-Model(T-Learner) 기반 업리프트 추정

업리프트 모델링에서는 두 개의 모델을 각각 따로 학습

• 모델 1️⃣: treatment = 1 (광고 집행 그룹) 데이터만 사용하여 학습

  → P(conversion | treatment=1, X) 예측

• 모델 2️⃣: treatment = 0 (통제 그룹) 데이터만 사용하여 학습

  → P(conversion | treatment=0, X) 예측

그리고 각 고객에 대해 다음과 같이 업리프트 스코어(uplift score) 를 계산

Uplift Score = P(conversion | treatment=1, X) − P(conversion | treatment=0, X)

⇒ “이 고객에게 광고를 보냈을 때, 전환 확률이 얼마나 증가(또는 감소)하는가?”

⇒ “고객 X에게 광고를 보냈을 때와 안 보냈을 때의 전환 확률 차이”

※ A/B 테스트의 한계와 업리프트 모델의 보완점

</aside>

<aside> 💡

1. Dataset 설명

• Criteo AI Lab이 제공한 Uplift Modeling 벤치마크 데이터셋으로, 약 1,300만 명 유저의 무작위 실험(RCT) 데이터로 구성됨

• 각 유저는 12개 연속형 피처(f0~f11) 와 함께,

  treatment(광고 집행 여부), visit / conversion(행동 라벨), exposure(실제 노출 여부) 정보를 포함함

• 분석 목적은 광고 노출이 개인별 행동 변화에 미치는 인과 효과(Uplift) 를 추정하는 모델을 구축하는 것

• 전체 데이터 중 84.6%가 treatment 그룹으로, 실제 광고 실험 환경을 반영한 데이터 구조를 가짐

• 개인정보 보호를 위해 피처는 익명화 및 변환되었으나, 모델링에 필요한 예측력은 유지됨

• 전체 데이터 개수는 13,979,592건이며, 결측치(null)는 존재하지 않음

<데이터셋.head()>

</aside>

<aside> 💡

2. EDA: 분포 왜곡(비대칭성) 판단

모델 학습 전, 입력 피처의 분포 특성을 파악하기 위해 두 가지 지표를 사용하였다.

2-1. Mean–Median Relative Difference

• 평균과 중위값의 괴리 정도를 통해 대표값이 왜곡되었는지 판단
• 평균과 중위값이 크게 차이날수록, 극단치(outlier)에 의해 분포가 왜곡되었을 가능성이 큼

<코드>

<결과>

2-2. Skewness (왜도)

• 분포의 비대칭 방향과 정도를 나타내는 지표
  • skew > 0 → 오른쪽 꼬리가 긴 분포 (right-skewed)
  • skew < 0 → 왼쪽 꼬리가 긴 분포 (left-skewed)
  • skew ≈ 0 → 대칭 분포

→ 두 지표를 함께 사용하여, 중앙부는 안정적인지 / 꼬리에 극단치가 존재하는지를 종합적으로 판단하였다.

<코드>

<결과>

2-★ 결론

• f6, f9는 mean–median 괴리가 커서(relative_diff 높음) 중앙값 기준으로도 분포 왜곡이 명확
• 반대로 f1, f4, f5, f10, f11 등은 relative_diff는 작지만 skew가 매우 커, 중앙은 안정적이지만 꼬리에 극단치(outlier)가 존재
• 즉, 이 데이터는 중앙부는 정상 + 꼬리는 극단적으로 비대칭인 피처들이 다수 섞여 있는 구조
• 선형/거리기반 모델을 쓸 경우, 로그 변환·클리핑·윈저라이징 등 꼬리 완화 전처리가 필요한 피처들이 여러 개 존재 </aside>

<aside> 💡

3. 광고 노출 여부별 전환율 분석

• 광고 집행 그룹(treatment) 의 전환율은 통제 집단(control)보다 높지만,

  두 집단 모두 절대적인 전환율은 매우 낮은 수준임 (약 0.0003 vs 0.00019)

• 그러나 광고 집행 + 실제 노출(exposure=1) 된 그룹의 전환율은 0.0005로,

  노출되지 않은 집단 대비 약 5배 높은 수준을 보임

  

• 이는 광고 캠페인이 긍정적인 효과를 가질 가능성을 시사하지만,

• 한편, (treatment=1 & exposure=1) / treatment=1 비율이 약 3%로 매우 낮아, </aside>

<aside> 💡

</aside>

<aside> 💡

</aside>