#targeting

노트 9개

Customer Segmentation Customer Segmentation은 고객을 행동·가치·선호의 유사성에 따라 유한 개의 세그먼트(segment)로 나누는 비지도(unsupervised) 과제다. 보통 잠재요인을 먼저 분해한 뒤 군집화하는데, 그 흐름은 행동 특성(feature) → NMF(비음수 parts-based 분해) → factor…
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 심각한 positivity violation(PS AUC 0.989) 아래에서 Meta-learner·Causal Forest로 CATE를 추정한다. 최적 정책은 고객의 약 31%를 타겟팅하고, 반직관적인 음의 CATE 세그먼트를 드러낸다. 공개 데이터 기반의 가설 생성용 분석이다.
Optimal Targeting Policy Optimal Targeting Policy는 공변량(covariate) $x$를 처치(treatment) 결정 $\pi(x)\in\{0,1\}$로 사상해 정책(policy) 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 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…
Uplift Modeling uplift(증분효과)는 처치(treatment, 캠페인 노출·쿠폰·추천)가 한 개인의 결과(구매·전환)에 미치는 인과적 증분이다. 이진 처치 $W\in\{0,1\}$, 결과 $Y$, 공변량(covariate) $X$에 대해 다음과 같이 정의한다.
User Profiling 사용자 프로파일링(User Profiling)은 고객의 행동 이력에서 개인의 선호 프로파일(취향·맥락·잠재 패턴)을 추론해 벡터로 표현하는 과제다. 타겟팅(targeting)·세그멘테이션(segmentation)·추천(recommendation)이 공통으로 쓰는 입력층으로, 임상에서 환자의…