Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Learning from Double Positive and Unlabeled Data for Potential-Customer Identification

Created by
  • Haebom

저자

Masahiro Kato, Yuki Ikeda abd Kentaro Baba, Takashi Imai, Ryo Inokuchi

개요

본 연구는 양성 및 비표지 데이터 학습(PU learning)을 활용하여 타겟 마케팅에서 잠재 고객을 식별하는 방법을 제안합니다. 회사가 제품을 판매하고 구매 고객만 관찰 가능한 시나리오를 고려하며, 의사결정자는 고객의 회사 충성도를 기반으로 효과적인 제품 마케팅을 목표로 합니다. 충성도가 높은 고객은 추가 광고 없이도 회사에 지속적인 관심을 가질 가능성이 높고, 제품에 관심 있다면 구매할 가능성이 높습니다. 반면 충성도가 낮은 고객은 마케팅 없이는 제품을 간과하거나 다른 회사의 유사 제품을 구매할 수 있습니다. 따라서 제품에 관심 있지만 회사에 대한 충성도가 높지 않은 고객에게 마케팅 노력을 집중하면 더 효율적인 마케팅이 가능합니다. 제한된 데이터로부터 (i) 제품에 관심이 있고 (ii) 회사에 대한 충성도가 낮은 잠재 고객을 식별하는 분류기를 학습하는 방법을 제시하며, 단일 단계 최적화 알고리즘이지만 목적 함수는 표준 PU 학습 설정에서 파생된 두 가지 손실을 암시적으로 포함하고 있어, 이를 이중 PU 학습(double PU learning)이라고 명명합니다. 수치 실험을 통해 제안된 알고리즘의 유효성을 검증하여 문제에 적합하게 작동함을 확인했습니다.

시사점, 한계점

시사점: 제한된 데이터를 활용하여 효율적인 타겟 마케팅을 위한 잠재 고객을 효과적으로 식별하는 새로운 방법(이중 PU 학습)을 제시합니다. 기존 PU learning을 확장하여 충성도라는 요소를 고려함으로써 마케팅 효율성을 높일 수 있습니다.
한계점: 실험은 수치 실험에 국한되어 있으며, 실제 사업 환경에서의 적용 및 성능 검증이 추가적으로 필요합니다. 충성도의 정의 및 측정 방법에 대한 명확한 기준 제시가 부족할 수 있습니다. 알고리즘의 일반화 성능에 대한 추가적인 연구가 필요합니다.
👍