When and What Will Customers Buy Next? A Dual-Task Deep Learning Framework for Repurchase Prediction in E-Commerce
본 연구는 대규모 이커머스 데이터에서 기존 모델보다 우수한 성능을 입증하며 자동화된 마케팅 최적화를 위한 실용적인 AI 에이전트 시스템을 제공하는, 고객의 재구매 시점과 다음 제품 선택을 동시에 예측하는 LSTM 기반의 듀얼 태스크 딥러닝 프레임워크를 제안한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
쇼핑의 수정구슬
당신이 매초 수백만 명의 사람들이 물건을 사고 있는 거대하고 끝없는 디지털 쇼핑몰을 걷고 있다고 상상해 보세요. 데이터 과학의 세계에서 이것은 **이커머스(e-commerce)**의 영역이며, 기업들이 끊임없이 두 가지 까다로운 질문에 답하려고 노력하는 곳입니다: "이 고객이 다시 돌아올 것인가?" 그리고 "만약 돌아온다면, 무엇을 살 것인가?" 오랫동안 과학자들과 사업가들은 과거의 습관을 탐정이 파일을 검토하듯 살펴보는 고전적인 수학을 이용해 이를 예측하려고 노력해 왔습니다. 그들은 누군가 최근에 물건을 많이 샀다면 곧 다시 구매할 가능성이 높다는 것을 알고 있었습니다. 하지만 함정이 있었습니다. 이러한 방식의 대부분은 마치 사람의 사진을 보고 그 사람의 미래를 추측하는 것과 같아서, 사람들이 움직이고, 변화하며, 시간의 흐름에 따라 순차적으로 행동한다는 사실을 무시했습니다.
이 새로운 연구를 이해하려면 딥러닝(Deep Learning), 특히 **LSTM(Long Short-Term Memory)**이라고 불리는 특별한 종류의 컴퓨터 두뇌에 대해 알아야 합니다. 일반적인 컴퓨터 프로그램이 어제의 수업 내용을 오늘 수업이 시작될 때쯤이면 모두 잊어버리는 학생이라면, LSTM은 지난 며칠간의 수업 내용을 완벽하게 기억하는 '슈퍼 학생'과 같습니다. 이는 단순히 고립된 사실이 아니라 이야기 속의 패턴을 볼 수 있게 해줍니다. 이 연구는 이러한 슈퍼 메모리를 사용하여 고객의 쇼핑 이력을 한 편의 영화처럼 관찰하고, 바로 다음 장면, 즉 정확히 언제 돌아올 것인지와 어떤 물건을 선반에서 집어 들 것인지를 예측합니다.
두 개의 머리를 가진 예언자
연구자들인 구이 바오 훈(Gia Bao Huynh)과 티 투이 한 응우옌(Thi Thuy Hanh Nguyen)은 다른 모델들이 간과하는 문제를 해결하기 위해 "두 개의 머리를 가진" 컴퓨터 모델을 구축했습니다. 보통 AI는 "살 것인가?" 또는 "무엇을 살 것인가?"와 같이 단 한 가지만 추측하려고 합니다. 이 새로운 모델은 다릅니다. 이 모델은 마치 당신에게 무엇이 일어날지뿐만 아니라 그것이 언제 일어날지도 알려주는 점술가처럼, 두 가지 질문에 동시에 답하려고 노력합니다. 그들은 수천 개의 서로 다른 제품이 포함된 실제 온라인 상점의 54만 개 이상의 거래 데이터셋을 모델에 입력했습니다.
모델은 고객이 시간을 통해 어떻게 이동하는지를 관찰하며 학습했습니다. 모델은 고객이 마지막으로 구매한 다섯 가지 품목, 지출 금액, 그리고 구매 사이의 대기 시간을 살펴보았습니다. 그런 다음 두 가지 예측을 동시에 수행했습니다. 첫째, 다음 구매까지 남은 일수를 예측했습니다. 둘째, 다음 아이템의 특정 제품 코드를 예측했습니다. 목표는 컴퓨터에게 두 가지 일을 동시에 가르치는 것이 각각 따로 수행하는 것보다 더 똑똑하게 만들 수 있는지 확인하는 것이었습니다.
결과: 마법과 현실의 혼합
연구자들이 이 "두 개의 머리를 가진" 모델을 테스트했을 때, 결과는 놀라운 정확도와 인간의 쇼핑 행동이 가진 매우 구체적인 특이점이 섞인 흥미로운 모습이었습니다.
시간 예측:
모델은 사람들이 언제 돌아올지 맞히는 데 놀라울 정도로 뛰어났습니다. 모델은 다음 구매까지의 시간을 평균 1.62일의 오차로 예측했습니다. 이는 모델이 고객이 5일 후에 돌아올 것이라고 예측했을 때, 실제 오차가 2일 미만이었다는 것을 의미합니다. 더욱 인상적인 것은, 고객의 절반 이상에 대해 모델이 0일의 오차로 정확히 맞혔다는 점입니다. 그러나 연구자들은 데이터에서 이상한 반전을 발견했습니다. 약 **75%**의 경우 고객들이 정확히 같은 날에 여러 물사를 구매했습니다. 이 때문에 모델은 가끔 아주 오랜 기간(예: 30일 이상) 기다렸다가 다시 구매하는 드문 고객들을 처리하는 데 어려움을 겪었습니다. 모델은 흔한 빠른 재방문에는 탁월했지만, 이러한 드문 긴 대기 시간은 전체적인 "통계적 점수(R²)"를 다소 부정적으로 보이게 만들었습니다. 이는 모델이 나빠서가 아니라, 데이터에 당일 쇼핑객이 너무 많아 장기 대기자들에 대한 수학적 계산을 방해했기 때문입니다.
제품 예측:
고객이 다음에 무엇을 살지 맞히는 문제에 있어서 모델은 훨씬 더 어려운 도전에 직면했습니다. 상점에는 3,655개의 서로 다른 제품이 있었습니다. 만약 당신이 무작위로 추측한다 있다면, 상위 예측에서 맞는 아이템을 고를 확률은 약 **0.027%**로 매우 낮을 것입니다. 하지만 모델은 무작위로 추측하지 않았습니다. 모델은 상위 예측에서 실제 제품을 **2.35%**의 확률로 맞혔습니다. 더욱 흥미로운 점은, 모델에게 상위 5개의 후보를 제시하도록 허용했을 때, 모델은 **9.17%**의 확률로 정답을 맞혔다는 것입니다. 이를 체감해 보자면, 이는 주사위를 굴려 추측하는 것보다 67배나 더 나은 성적이었습니다. 이는 모델이 단순히 맹목적으로 추측하는 것이 아니라, 예를 들어 휴대폰을 사면 곧 케이스를 살 수도 있다는 식의 실제 패턴을 학습했음을 증명했습니다.
이것이 중요한 이유
저자들은 이 "두 개의 머리" 접근 방식이 고객의 쇼핑 이력이라는 전체 이야기를 학습하기 때문에 기존 방식보다 더 낫다고 제안합니다. 또한 그들은 미래를 위한 멋진 아이디어인 AI 에이전트를 제 제안했습니다. 당신이 무엇을 원하는지 예측할 뿐만 아니라, 사람이 버튼을 누를 필요 없이 당신이 구매할 가능성이 높은 정확한 순간에 자동으로 쿠폰을 보내거나 알림을 보내주는 로봇 비서를 상상해 보세요. 이는 기업의 비용을 절감하고, 고객이 필요로 하는 바로 그 순간에 그곳에 있음으로써 고객을 만족시키는 데 도움을 줄 수 있습니다.
모델이 완벽하지는 않지만(특히 몇 달을 기다렸다가 다시 구매하는 드문 고객들의 경우), 딥러닝을 사용하여 시간과 제품을 함께 살펴봄으로써 기업이 고객의 습관에 대해 훨씬 더 명확한 그림을 얻을 수 있음을 보여줍니다. 이는 혼란스러운 거래의 흐름을 읽을 수 있는 이야기로 바꾸어 놓으며, 상점들이 단순히 누가 돌아올 것인지뿐만 아니라, 정확히 다음에 무엇을 구매할 것인지까지 알 수 있도록 도와줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.