Targeting & Profiling Overview

개요

타겟팅(targeting)과 프로파일링(profiling)은 personalization의 산업 쪽 얼굴이다. 이질적 효과를 추정해 개인 수준 최적 정책(policy)을 도출하는 동일한 방법론 코어(MOC-Personalization)가, 임상에서는 “환자별 최적 치료 배정”으로 나타나고 산업에서는 **“고객별 최적 캠페인·노출 배정”**으로 나타난다. 이 도메인은 누구에게 무엇을 보낼 것인가를 세 단계로 푼다 — **프로파일링·세그멘테이션(segmentation)**으로 고객을 표현하고, uplift·CATE로 개인별 증분효과를 추정하며, 최적 타겟팅 정책으로 가치를 극대화하는 규칙을 정한다.

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. 고객 세그멘테이션

고객을 행동 잠재요인으로 군집화(NMF + K-Means)해 세그먼트(segment)를 만들고, 이를 HTE **조절변수(moderator)**로 활용한다.

2. 사용자 프로파일링

행동 이력에서 개인 선호 프로파일(다층 L1/L2/L3)을 추론하며, 이는 세그멘테이션과 타겟팅의 입력이 된다. 임상에서 환자 공변량(covariate)을 표현하는 단계에 대응한다.

3. 업리프트 모델링

처치(treatment, 즉 캠페인 노출)의 개인별 증분효과로, 이진 처치에서의 CATE에 해당한다. 설득 가능한 고객(persuadables)만 골라내는 것이 타겟팅의 핵심이다.

4. 최적 타겟팅 정책

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

방법 비교

단계	개념	임상 대응	산업 산출
표현	Customer Segmentation · User Profiling	환자 공변량 / 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 방법론 코어 (P1·P2)
• Selection Bias · Positivity — 관측 타겟팅 데이터의 식별(identification) 제약

응용 프로젝트

• Segmentation & Causal Targeting — NMF 세그멘테이션과 HTE 타겟팅을 dunnhumby 데이터에 적용한다.
• LLM Factor Rec — LLM이 추출한 다층 속성으로 프로파일링과 타겟팅을 수행한다.

참고

• MOC-Targeting ← 도메인 허브