딥러닝을 이용한 클릭스트림 데이터를 통한 온라인 쇼핑 행동 예측

• 우리는 디지털 마케팅에서 딥러닝 기반 전환 모델링을 검토합니다. • 우리는 클릭스트림 분류를 위해 LSTM과 GRU를 사용하여 전자쿠폰 사용 예측을 합니다. • RNN과 전통적인 분류기 사이의 예측 다양성이 높음을 발견했습니다. • GRU와 GBM의 앙상블이 쿠폰 사용을 높은 정확도로 예측합니다. 클릭스트림 데이터는 전자상거래에서 사용자 경험을 향상시키고 비즈니스 목표를 추구하는 중요한 출처입니다. 이 논문은 클릭스트림 데이터를 사용하여 온라인 쇼핑 행동을 예측하고 실시간으로 마케팅 개입을 목표로 합니다. 이러한 AI 기반 타겟팅은 막대한 마케팅 비용을 절감하고 상점 수익을 증대시키는 것으로 입증되었습니다. 이전의 사용자 행동 예측 모델은 감독 머신러닝(SML)에 의존합니다. 개념적으로, SML은 클릭스트림 데이터의 순차적 구조를 설명할 수 없기 때문에 덜 적합합니다. 이 논문은 순환 신경망(RNN)의 프레임워크를 이용하여 클릭스트림 데이터의 잠재력을 최대한 활용할 수 있는 방법론을 제안합니다. 실제 전자상거래 데이터를 기반으로 한 실증 평가가 여러 RNN 분류기를 체계적으로 평가하고 이를 SML 기준과 비교합니다. 이를 위해, 이 논문은 타겟팅 모델의 수익 영향을 측정하는 접근 방식을 제안합니다. 수익 영향 추정치는 표준 분류기 성능 메트릭 결과와 함께 RNN 기반 클릭스트림 모델링의 타당성을 증명하고 캠페인 타겟팅을 위해 딥 순환 학습자를 사용하는 방향을 제시합니다. 실증 분석 결과 RNN 기반과 전통적인 분류기가 클릭스트림 데이터에서 다른 패턴을 포착하는 것으로 나타났으므로, 시퀀스와 전통적인 분류기를 앙상블로 결합하는 것을 구체적으로 추천합니다. 이 논문은 이러한 앙상블이 연구에서 고려된 대안 모델들보다 지속적으로 우수함을 보여줍니다.