#targeting

노트 9개

• Customer Segmentation Customer Segmentation은 고객을 행동·가치·선호의 유사성으로 유한개 세그먼트로 분할하는 비지도(unsupervised) 과제다. 흔히 잠재요인 분해 후 군집화: 행동 피처 → NMF(비음수 parts-based 분해) → factor score → K-Means → 세그먼트.
• Customer Segmentation & Causal Targeting — An Applied Case Study An end-to-end applied case study on the public Dunnhumby dataset — NMF latent factors and K-Means segmentation feeding meta-learner / Causal Forest HTE and an OPE-validated optimal targeting policy, with a candid look at positivity violation and counter-intuitive "sleeping dog" segments.
• Dunnhumby — Track 1: Latent-Factor Customer Segmentation NMF latent factors (92.44% explained variance) + K-Means yield 7 stable behavioral segments (Bootstrap ARI 0.77) with per-segment marketing actions. Illustrative case study on the public Dunnhumby retail dataset.
• Dunnhumby — Track 2: Causal Targeting via Heterogeneous Treatment Effects Meta-learner / Causal Forest CATE under severe positivity violation (PS AUC 0.989); an OPE-validated policy targets ~31% of customers and surfaces counter-intuitive negative-CATE segments. Hypothesis-generating on public data.
• Optimal Targeting Policy Optimal Targeting Policy는 covariate $x$를 처치 결정 $\pi(x)\in\{0,1\}$로 사상해 정책 가치를 극대화하는 규칙이다:
• RTB Bidding Strategy via Causal ML — From Prediction to Optimization A five-stage case study on the public iPinYou RTB dataset that moves from pCTR/pCVR prediction through causal effect estimation (CATE, SCM) to budget-constrained optimal bidding and off-policy policy evaluation.
• Targeting & Profiling Overview 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…
• Uplift Modeling Uplift(증분효과)는 처치(캠페인 노출·쿠폰·추천)가 한 개인의 결과(구매·전환)에 미치는 인과적 증분이다. 이진 처치 $W\in\{0,1\}$, 결과 $Y$, covariate $X$에 대해
• User Profiling User Profiling은 고객의 행동 이력으로부터 개인 선호 프로파일(취향·맥락·잠재 패턴)을 추론해 벡터로 표현하는 과제다. 타겟팅·세그멘테이션·추천의 공통 입력층 — 임상에서 환자 covariate/multimodal 표현(Multimodal Clinical Data)에 대응하는 산업 측 표현.