Targeting & Profiling Overview

개요

Targeting & Profiling = personalization의 산업 얼굴. 같은 방법론 코어(이질적 효과 추정 → 개인 수준 최적 정책; MOC-Personalization)가 임상에서는 “환자별 최적 치료 배정”으로, 산업에서는 **“고객별 최적 캠페인/노출 배정”**으로 나타난다. 이 도메인은 누구에게 무엇을 보낼 것인가를 세 단계로 푼다 — 프로파일링/세그멘테이션(고객 표현) → uplift/CATE(개인 증분효과) → 최적 타겟팅 정책(가치 극대화 규칙).

flowchart LR
    X[고객 covariates] --> SEG[Customer Segmentation]
    X --> PROF[User Profiling]
    SEG --> UP[Uplift / CATE]
    PROF --> UP
    UP --> POL[Optimal Targeting Policy]
    POL --> V[Off-policy value]

주요 개념

1. Customer Segmentation

고객을 행동 잠재요인으로 군집화(NMF + K-Means)해 세그먼트를 만들고, 이를 HTE moderator로 활용.

2. User Profiling

행동 이력에서 개인 선호 프로파일(다층 L1/L2/L3)을 추론 — 세그멘테이션·타겟팅의 입력. 임상의 환자 covariate 표현에 대응.

3. Uplift Modeling

처치(캠페인 노출)의 개인별 증분효과 = 이진 처치에서의 CATE. persuadables만 골라내는 것이 타겟팅의 핵심.

4. Optimal Targeting Policy

$\hat\tau(x) > \text{breakeven}$ 규칙으로 처치 집합을 정하는 정책 학습(Policy Learning); 가치는 OPE로 검증.

방법 비교

단계	개념	임상 대응	산업 산출
표현	Customer Segmentation · User Profiling	환자 covariate / multimodal	세그먼트·선호 프로파일
효과	Uplift Modeling (CATE)	환자별 치료효과	고객별 uplift
결정	Optimal Targeting Policy	최적 치료 배정 (OTR)	최적 타겟팅/추천/가격 정책

관련 개념

• CATE · HTE · Policy Learning · Off-Policy Evaluation — 공통 method core (P1·P2)
• Selection Bias · Positivity — 관측 타겟팅 데이터의 식별 제약

응용 프로젝트

• Segmentation & Causal Targeting — NMF 세그멘테이션 + HTE 타겟팅 (Dunnhumby)
• LLM Factor Rec — LLM 다층 속성 기반 프로파일링·타겟팅

참고

• MOC-Targeting ← 도메인 허브