[논문 리뷰] Personalization and targeting: how to experiment, learn & optimize

메타정보

항목	내용
저자	Aurélie Lemmens et al. (저자 10명, Erasmus · Harvard · Columbia 외 미국·유럽 7개 기관)
학회	International Journal of Research in Marketing · 2025 · (open access, CC BY)
arXiv 또는 DOI	10.1016/j.ijresmar.2025.07.004
Code	sbstn-gbl/cs23-personalization
리뷰 일자	2026-06-01

TL;DR

개인화 (personalization) 를 “각 고객 $i$ 에게 어떤 액션 $W_i$ 를 취할지 정하는 인과추론 문제” 로 정식화하고, 이를 test and learn (실험-학습) 사이클 — Design → Test → Learn → Optimize & Evaluate — 안에 녹여낸 리뷰 논문이다.
핵심 도구는 CATE (conditional average treatment effect, 조건부 평균 처치 효과) 다. 고객 특성 $X_i$ 에 조건을 건 처치 효과를 추정하면, 각 고객별 최적 액션 $p^*$ 를 도출할 수 있다. 추정에는 causal forest, double/debiased ML, S/T/X-learner 등이 쓰인다.
저자들은 개인화의 4대 도전 과제 — (1) 제한된 데이터로 반응 예측, (2) 수많은 요인 속에서 인과성 식별, (3) 비즈니스 목표에 맞는 정책 평가, (4) 윤리적·책임 있는 개인화 — 를 정리하고, cold-start·프라이버시·공정성·장기 효과·spillover 각각에 대한 최신 해법을 짚는다.
마지막 한 줄이 이 글의 주제를 압축한다: “개인화는 다섯 번째 P (the fifth P) 다.” 제품·가격·유통·촉진에 이어, 개인화가 마케팅 그 자체의 구성 요소로 격상되었다는 선언이다.

소개 (Introduction)

개인화는 현대 마케팅의 심장이 되었다. 17년 전 Arora et al. (2008) 이 “personalization” 을 새로운 개념으로 소개했을 때, 그들은 그것을 “기업이 (보통 이전에 수집한 고객 데이터에 근거해) 그 개인에게 어떤 마케팅 믹스가 적합한지 결정하는 과정” 으로 정의했다. 즉 개인화란 전체 고객 기반에 동일한 정책을 적용하는 대신, 관찰된 특성에 따라 개인 또는 집단별로 기업의 의사결정을 맞춤화하는 것이다. 참고로 이 논문에서 타겟팅 (targeting) 은 “한 개인을 개인화된 오퍼로 겨냥하는 것” 이라는 구체적 의미로 쓰인다.

Arora et al. (2008) 이후 개인화의 지형은 근본적으로 변했다. 그 변화를 이끈 것은 새로운 데이터 소스 (소셜 미디어, 모바일), 클라우드·SaaS·생성형 AI 같은 기술 발전, 인과추론과 머신러닝 같은 방법론 혁신, 모바일 마케팅 같은 새 채널, 그리고 공정성·프라이버시 같은 사회적 고려의 부상이다. 이 모든 disruption 이 개인화에 대한 새로운 관점을 요구한다.

이 논문은 두 가지 목표를 갖는다. 첫째, 개인화를 인과추론의 렌즈 로 정식화하는 프레임워크를 제시하고, “test and learn” 이 어떻게 개인화의 인정받는 접근법으로 자리잡았는지 기술한다. 둘째, 개인화를 인과추론으로 접근할 때 떠오르는 핵심 도전 과제 — heterogeneous treatment effect 추정, 시장·플랫폼·규제·윤리 등 — 를 탐구한다. 독자가 ML 과 마케팅 전반은 알지만 “인과추론 기반 개인화” 라는 교차 영역은 처음이라면, 이 글 하나로 그 지형 전체를 조망할 수 있도록 썼다.

Table 1: 고객 라이프사이클 단계 (획득 / 육성 / 유지) × 채널 (오프라인 / 온라인) 별 개인화 마케팅 예시. BMW 의 맞춤 다이렉트 메일부터 Spotify 의 AI 큐레이션 플레이리스트까지.

오늘날 개인화는 고객 생애주기의 모든 단계를 바꿔놓았다. 획득 (acquisition) 단계에서 BMW 는 맞춤형 다이렉트 메일로 시승을 권하고, Nike 는 브라우징 이력과 위치에 맞춘 광고를 띄운다. 육성 (development) 단계에서 Nordstrom 의 인스토어 스타일리스트는 구매 이력 기반 추천을, Netflix 는 시청 이력에 맞춘 동적 미리보기 (sizzles) 를 제공한다. 유지 (retention) 단계에서 Ritz-Carlton 은 단골의 선호를 기억해 맞춤 경험을 만들고, Spotify 는 취향에 맞춘 플레이리스트로 구독을 유지시킨다 (Table 1).

핵심 기여 (Key Contributions)

개인화를 인과추론 문제로 정식화. 각 개인 $i$ 에게 액션 $W_i$ 를 선택하는 문제를 potential outcome / CATE / value function 의 언어로 정리하고, 최적 개인화 정책 $p^*$ 를 명시적으로 정의한다.
test and learn 사이클을 실무 가능한 4단계로 구조화. Design → Test → Learn → Optimize & Evaluate 의 각 단계를 음식 배달 서비스의 쿠폰 예시로 끝까지 따라가며, SUTVA·unconfoundedness·overlap 같은 인과 가정이 어디서 개입하는지 짚는다.
4대 도전 과제의 지도 작성. 제한된 데이터, 인과성 식별, 정책 평가, 윤리 — 각 영역의 구체적 문제 (cold-start, spillover, non-compliance, 장기 효과, 공정성, 프라이버시, 설명가능성) 와 최신 해법을 한눈에 정리한다 (Table 3).
미래 연구 방향 제시. GenericML, direct policy learning, foundation model, 생성형 AI 가 개인화 연구를 어떻게 바꿀지 구체적 research question 과 함께 전망한다.

이 논문은 새로운 방법을 제안하는 연구가 아니라, 2024 MSI Research Priorities 와 맞물려 “개인화 연구의 현재 지형과 앞으로의 과제” 를 정리하는 academic overview 다. 리뷰어 관점에서 가장 큰 가치는 흩어져 있던 인과추론·causal ML 도구들을 test-and-learn 이라는 하나의 실무 사이클로 꿰어냈다는 점이다.

방법 / 아키텍처 상세

이 절이 논문의 형식적 핵심이다. 개인화를 인과추론 문제로 정식화하는 표기를 차근차근 따라가자.

액션, potential outcome, 그리고 정책

개인화란 각 개인 $i = 1, \ldots, N$ 에 대해 액션 (treatment, intervention) $W_i$ 를 선택하는 것이다. 액션은 관심 결과 $Y_i$ 에 인과적 영향을 미칠 것으로 기대된다. 예를 들어 쿠폰 개인화에서 기업은 고객별 예측 상환율이나 순마진에 따라 서로 다른 할인 수준을 제공한다. 액션 $W_i = w$ 는 개인의 특성 벡터 $X_i$ (인구통계, 과거 행동 등 모든 관련 특성을 포함) 에 근거해, 미리 정의된 액션 집합 $\mathcal{W}$ 에서 선택된다.

각 액션 $w$ 에는 potential outcome $Y_i(w)$ 가 연결된다. 이는 만약 $W_i$ 가 $w$ 로 설정됐을 때 $Y_i$ 가 가졌을 값이다. 형식적으로, 개인화 정책 $p$ 는 기업의 현재 정보 상태 $X \in \mathcal{X}$ 에서 액션 집합으로의 매핑으로 정의된다:

\[p : \mathcal{X} \rightarrow \mathcal{W}.\]

관련 목적 함수를 (조건 $X$ 하에서) 최대화하는 정책을 최적 (optimal) 이라 하고 $p^*$ 로 표기한다. 개인화 정책의 효과는 개인 반응의 이질성 (heterogeneity) 정도와, 기업이 그 이질성을 식별할 수 있는 능력에 달려 있다. 모두가 똑같이 반응한다면 개인화할 이유가 없다.

CATE — 개인화의 엔진

개인화 정책 결정의 표준 접근은 conditional average treatment effect (CATE) 추정이다. 특성 $X_i = x$ 를 가진 개인 $i$ 에 대한 액션 $W_i = w$ 의 CATE 는 다음과 같이 정의된다:

\[\tau_w(x) = \mathbb{E}\big[\,Y(w) - Y(w_0) \mid X_i = x\,\big].\]

여기서 $w_0$ 는 baseline action (현상 유지, “business as usual”) 이다. 쿠폰 예시에서 $w_0$ 는 “쿠폰을 보내지 않음” 에 해당하므로, CATE 는 고객이 할인 $W_i = w$ 를 받았을 때 vs 받지 않았을 때 기대 결과의 차이를 나타낸다.

정책 $p$ 의 총 기대 가치 (return) 는 정책이 정한 $W_i$ 값에 따른 CATE 를 모든 개인에 대해 합한 value function 으로 표현된다:

\[R(p) = \sum_{i=1}^{N} \tau_{p_i}(X_i = x),\]

여기서 $p_i$ 는 정책 $p$ 하에서 개인 $i$ 에게 할당된 액션 $W_i$ 다. 최적 정책 $p^*$ 는 이 value function 을 최대화한다:

\[p^* = \arg\max_p R(p).\]

다만 $R(p)$ 는 정책 실행에 드는 기대 비용 도 반영해야 한다. 특정 액션 $W_i = w$ 에 귀속되는 비용은 $\tau_w(x)$ 안에 직접 녹여 넣을 수도 있고, 더 복잡한 비용 구조는 $R(p)$ 정의에 별도로 포함시킬 수도 있다.

test and learn 사이클

전형적인 test and learn 사이클은 네 단계로 구성된다 (Figure 1). 논문은 음식 배달 서비스가 쿠폰 프로모션으로 매출을 최적화하는 예시 를 사이클 전체에 걸쳐 끌고 간다. 할인 수준은 $W_i \in {0\%, 5\%, 10\%, 15\%}$ 이고 $W_i = 0\%$ 가 “할인 없음” baseline 이며, 관심 결과 $Y_i$ 는 할인을 뺀 고객별 총 마진이다.

1. Design (설계). 관련 고객 집단, 개인화 의사결정, 결과, value function, 비즈니스 규칙을 정의한다. 예시에서 대상은 앱 사용자 전체이고, 하루 두 번 (오전 11시, 오후 5시) 무작위 부분집합에게 앱 알림을 보내되 3주 뒤 모든 고객이 정확히 한 번 알림을 받도록 설계한다. CATE 추정 정밀도를 높이기 위해 $X_i$ 값으로 고객을 이산적 하위집단 (strata) 으로 나누고 각 strata 안에서 $W_i$ 를 무작위화하는 stratified sampling 을 쓴다.

설계 단계는 후속 단계의 인과 가정을 미리 anticipate 해야 한다. 핵심은 세 가지다:

SUTVA (stable unit treatment value assumption): 한 개인의 potential outcome 이 다른 개인에게 할당된 처치에 영향받지 않는다. 예시에서 SUTVA 는 “어떤 고객이 받은 할인이 그 배우자가 받은 할인에 영향받지 않음” 을 요구하므로, 같은 가구 구성원이 1주 이내에 동시에 할인받지 않도록 무작위화를 제약한다.
unconfoundedness: 처치 할당 $W_i$ 가 (공변량 $X_i$ 에 조건을 걸면) potential outcome 과 독립이다. 관찰된 결과 차이를 사전 존재하는 고객 이질성이 아니라 액션 $W_i$ 탓으로 돌리려면 이 가정이 필요하다.
overlap: 모든 개인이 가능한 모든 처치를 받을 확률이 0 이 아니다. 어떤 집단이 특정 할인을 한 번도 받지 못하면 그 집단의 CATE 를 추정할 수 없다.

2. Test (실험). 설계된 모집단에서 $W_i$ 를 실제로 무작위화한다. 본 실험 전에 A/A test (placebo test) — 모든 할당 처치를 동일 수준 (예: $W_i = 0\%$) 으로 바꿔 결과 차이가 없어야 정상 — 를 돌려 무작위화 오류나 소프트웨어 버그를 잡는다. 예시에서는 3주 무작위 배정 + 1주 데이터 수집, 총 4주간 운영하며, 알림이 제대로 전송되는지 지속 모니터링한다.

3. Learn (학습). 실험 데이터로 CATE 를 추론한다. 가장 단순한 추정량은 단순 평균 차이다:

\[\hat{\tau}_w(x) = \hat{Y}_{w,x} - \hat{Y}_{0,x},\]

여기서 $\hat{Y}_{w,x}$ 는 $X_i = x$ 이면서 처치 $W_i = w$ 를 받은 개인들의 평균 결과다. $W_i$ 가 $X_i$ 에 조건부로 무작위화됐으므로 두 평균의 차이는 일관된 (consistent) CATE 추정량이 된다. 단, 처치/비처치 비율이 극단적이거나 결과 변수의 분산이 크면 이 추정량은 매우 noisy 하다. 대안으로 causal forest (Athey et al. 2019) 가 널리 쓰인다. 일반 random forest 가 $Y$ 의 예측 오차를 최소화하도록 트리를 키운다면, causal forest 의 개별 트리는 $\tau_w(x)$ 추정치의 분산을 최대화하도록 분기해 CATE 예측에 최적화된다. causal forest 는 CATE 에 대해 $\sqrt{N}$ consistency 를 달성하고 잔차가 점근적으로 정규분포를 따라, 추정 CATE 주위로 신뢰구간을 구성할 수 있다.

4. Optimize & Evaluate (최적화·평가). CATE 예측으로 개인화 정책을 도출한다. 고객 $i$ 에게는 $\hat{\tau}_w(X_i) > 0$ 를 만족하는 — 즉 기업에 대한 기대 순가치가 양수인 — 할인 $w$ 를 제공한다. 여러 할인 수준이 이익을 낸다면 가장 큰 추정 CATE 를 주는 수준으로 정한다. 따라서 최적 정책은 $p^*_i = \arg\max_w \hat{\tau}_w(X_i)$ 다. 흥미롭게도 대다수 고객에게는 $p^*_i = 0$, 즉 할인을 주지 않는 것이 최적 인 경우가 매우 흔하다.

최적 정책을 도출한 뒤에는 그 정책이 실제로 얼마나 잘 작동하는지 policy evaluation 으로 검증해야 한다. 추정 처치 효과는 참 효과의 근사일 뿐이라, sampling variability·model misspecification·데이터 한계로 인해 기대만큼 성능이 안 나올 수 있기 때문이다. 평가에는 두 가지 길이 있다:

online (on-policy) 평가: 새 정책 $p^*$ 와 business-as-usual 정책 $p^0$ 를 무작위로 나눈 두 고객 표본에 각각 적용해 수익성을 비교한다 (A/B test). 비교는 개인 처치가 아니라 정책 대 정책 이다.
offline (off-policy) 평가: 새 정책을 도출하는 데 쓴 실험 데이터를 그대로 활용해, 역사적 데이터로 정책을 평가한다. 무작위 할인 수준이 마침 최적 할인과 일치한 관측치를 이용한다. 단순 비교는 비효율적이라, inverse propensity weighted (IPW) / Horvitz-Thompson estimator (Horvitz & Thompson 1952) 로 처치 확률의 역수만큼 재가중한다.

사이클은 반복된다. 실험에서 얻은 정보는 다음 반복의 $X$ 의 일부가 되고, 이번 사이클에서 얻은 $\hat{Y}_{0,x}(x)$ 추정치를 다음 사이클의 stratified randomization 에 쓰면 효율이 올라간다.

학습 목표 / 손실 함수

이 논문에는 단일 손실 함수가 없다. 대신 학습 목표는 value function $R(p)$ 의 최대화 이고, 그 핵심 빌딩블록이 CATE $\tau_w(x)$ 다. CATE 추정 방식은 크게 두 갈래로 나뉜다.

indirect (간접) 접근 은 결과 $Y$ 를 처치 $W$ 와 공변량 $X$ 의 함수로 모델링한다 ($Y = \mu(W, X) + \epsilon$). 학습 후 두 처치 수준에서의 예측 결과 차이로 CATE 를 얻는다:

S-learner (single learner): $W$ 를 다른 공변량과 똑같이 취급해 단일 회귀 모델 $\mu(w, x)$ 를 학습한다. 처치 효과가 결과-공변량 상관에 비해 약하면 추정 CATE 가 0 쪽으로 편향되는 약점이 있다 (Künzel et al. 2019).
T-learner (two learner): 각 (이산) 처치마다 별도 회귀 모델 $\mu_0(x), \mu_1(x), \ldots$ 를 학습한다. S-learner 의 문제를 완화하지만, 결과 변수가 비선형이고 처치 조건별 표본 크기가 다르면 새로운 편향이 생긴다.

direct (직접) 접근 은 이 불일치 — 간접 추정량은 MSE 를 최소화하도록 학습되지만 정작 하고 싶은 건 CATE 추정 — 를 정조준한다. causal forest 가 대표적 직접 접근이고, X-learner (Künzel et al. 2019) 는 2단계 추정량이다. 1단계에서 S- 또는 T-learner 로 $\mu(w, x)$ 를 추정해 proxy outcome $\tilde{\tau}_i$ 를 만들고, 2단계에서 $\tilde{\tau}_i$ 를 $X_i$ 에 회귀시킨다. 이때 표본을 쪼개 어떤 관측치도 두 번 쓰이지 않게 하는 cross-fitting (Chernozhukov et al. 2018; Nie & Wager 2021) 을 적용하고, 1단계 잔차를 inverse propensity score 로 재가중해 처치 할당이 불균형이거나 propensity score 를 알 때 robustness 를 높인다.

학습 데이터와 파이프라인

이 논문은 실증 연구가 아니라 리뷰이므로 자체 데이터셋·학습은 없다 (논문 말미 Data availability: “No data was used”). 대신 음식 배달 쿠폰 예시를 R/Python 코드 튜토리얼 (위 Code 링크) 로 구현해, test-and-learn 각 단계를 재현 가능한 형태로 제공한다. 예시의 실험 설계를 표로 정리하면 다음과 같다.

항목	설정
대상 모집단	회사 모바일 앱 사용자 전체
처치 (액션)	할인 쿠폰 $W_i \in {0\%, 5\%, 10\%, 15\%}$, $W_i = 0\%$ 가 baseline
결과 $Y_i$	할인을 뺀 고객별 총 마진 (오퍼 후 24시간 내 상환)
배정 방식	$X_i$ 기반 strata 로 나눈 뒤 strata 내 무작위화 (stratified)
알림 스케줄	하루 2회 (오전 11시·오후 5시), 3주 뒤 전원 1회 알림
실험 기간	3주 무작위 배정 + 1주 데이터 수집 = 4주
검증	본 실험 전 A/A (placebo) test, 운영 중 지속 모니터링

실험 결과

리뷰 논문이라 벤치마크 표는 없지만, 본문이 인용하는 대표 실증 결과들이 개인화 의사결정 (whom/what/when/where) 별로 잘 정리돼 있다.

whom — 누구를 겨냥할 것인가

가장 반직관적인 결과가 여기 모여 있다. Ascarza (2018) 와 Lemmens & Gupta (2020) 는 이탈 위험이 높은 고객이 아니라 기대 (이익) lift 가 높은 고객 을 겨냥해야 함을 보였다 — 위험이 높아도 개입으로 바뀌지 않는 고객은 타겟해봐야 소용없다. Blake et al. (2015) 은 유료 검색 광고가 신규·비빈번 사용자에게만 효과적이고 충성 고객에겐 보여줄 필요가 없다고 했고, 이는 할인이 휴면 고객에게 더 효과적이라는 Sahni et al. (2017) 과 결을 같이한다.

what — 무엇을 제안할 것인가

Ellickson et al. (2023) 은 13가지 프로모션 이메일의 이질적 처치 효과를 추정해, 특정 제품에 묶인 할인보다 clearance event 로 프레이밍된 할인 이 훨씬 효과적임을 발견했다. Zantedeschi et al. (2017) 은 카탈로그가 이메일보다 구매에 더 오래 지속되는 효과를 낸다고 보고했다.

when / where — 언제, 어디서

Sahni et al. (2019) 은 웹사이트 방문 후 4주까지의 reactivation 시점을 비교해 리타게팅 타이밍을 다뤘고, Hauser et al. (2014) 의 website morphing 은 일찍 morphing 하면 클릭이 늘고 늦게 morphing 하면 고객의 잠재 세그먼트가 더 잘 드러난다는 트레이드오프를 보였다. 위치 측면에서 Molitor et al. (2020) 은 위치 기반 쿠폰의 효과를, Ghose et al. (2013) 은 매장 근접성·정보 최신성의 효과를 분석했다.

결과 분석 / Ablation

리뷰 논문에는 ablation 이 없지만, 6장 전체가 “각 도전 과제를 빼면 개인화가 어디서 무너지는가” 를 분석하는 일종의 ablation 역할을 한다.

Table 3: 개인화의 4대 도전 과제와 최신 해법. (1) 제한된 데이터 (cold-start, 데이터 규제, CATE 추정), (2) 인과성 식별 (spillover, non-compliance, 시장 변화), (3) 정책 평가 (목표 정렬, 장기 효과), (4) 윤리 (공정성, 프라이버시, 투명성).

(1) 제한된 데이터로 반응 예측. 신규 고객에게 데이터가 거의 없는 cold-start problem 이 대표적이다. Padilla & Ascarza (2021) 의 First-Impression Model 은 획득 시점 (첫 거래) 데이터로 미래 행동을 예측하는 잠재 고객 특성을 추론하고, Xu et al. (2023) 은 collaborative filtering 과 multi-armed bandit 을 결합해 신규 사용자·아이템을 다룬다. 데이터 규제 (GDPR·CCPA·CPRA) 로 third-party 데이터 접근이 막히면서, 기업은 zero-party (Amazon Shopper Panel 처럼 고객이 자발적으로 제공), first-party (DTC 모델로 직접 수집), second-party (Albert Heijn × bol.com 같은 신뢰 파트너 간 공유) 데이터로 전략을 바꾸고 있다. 텍스트·이미지 같은 비정형 데이터를 embedding 으로 변환해 활용하는 방향 (Veitch et al. 2020 의 BERT 기반 처리) 도 부상한다.

(2) 인과성 식별. SUTVA 가 깨지는 spillover / interference 가 첫 번째 난관이다. 친구의 이탈 결정이 개인의 이탈에 영향을 주는 등 고객은 서로·환경과 상호작용한다. 해법으로 cluster randomization (Eckles et al. 2017), randomized clustering (Ugander & Yin 2023), variance-minimization (Candogan et al. 2024) 이 제시된다. 두 번째는 non-compliance — 배정된 처치를 실제로 받지 않는 경우 (유료 광고에서 광고가 노출돼야 처치인데 노출 여부는 통제 밖) 다. 이때는 conditional intent-to-treat (ITT), conditional average treatment effect on the treated (CATT), instrumental variable (IV) 접근을 쓴다. encouragement design 같은 양면 non-compliance 에서는 conditional local average treatment effect (CLATE) 와 marginal treatment effect (MTE; Heckman & Vytlacil 2007) 로 일반화한다. 세 번째는 concept drift — 실험 환경과 배포 환경이 달라지는 문제로, adaptive experiment (Yang et al. 2024) 와 meta-analysis (Gabel et al. 2024; Meager 2019) 가 일반화를 돕는다.

(3) 비즈니스 목표에 맞는 정책 평가. 추천 시스템이 “처치에 가장 많이 반응할 고객” 이 아니라 “이미 살 가능성이 높은 고객” 을 추천하는 식의 목표 불일치가 핵심 문제다. 이를 잡기 위해 rank-weighted average treatment effect (RATE) 계열 지표 — Qini coefficient (Radcliffe 2007), AUTOC (Zhao et al. 2013), Yadlowsky et al. (2024) — 가 제안됐다. 또한 개인화 정책의 효과가 수개월 뒤에야 나타나는 장기 효과 측정 문제는 short-term 대리 지표로 long-term 결과를 예측하는 surrogate model (Athey et al. 2019 의 surrogate index) 로 다루되, surrogate 와 결과가 공통의 미관측 교란 요인을 공유하면 인과 방향이 뒤집히는 surrogate paradox 를 조심해야 한다.

(4) 윤리적·책임 있는 개인화. 개인화는 본질적으로 개인을 차별화하므로 윤리적 우려를 낳는다. Facebook 이 특정 구직 광고에서 여성을 배제해 성차별 논란을 빚었듯, 보호 속성 (성별·인종) 이 $X$ 와 상관되면 보호 집단을 차별할 위험이 커진다. Ascarza & Israeli (2022) 의 BEAT (bias-eliminating adapted trees) 는 보호 속성 없이도 “공정한 개인화” 를 가능케 한다. 프라이버시 측면에서는 단일 파라미터 $\epsilon$ 으로 보호 수준을 조절하는 differential privacy 가 표준이 됐고 (DP-CATE, DP-policy; Ponte et al. 2025), 노이즈가 정밀도를 떨어뜨리는 trade-off 를 정량화한다. 투명성 측면에서는 모델 구조에 해석가능성을 내장하거나 (Gabel & Timoshenko 2022), LIME·SHAP 같은 post-hoc 설명을 쓴다. 다만 처치 효과를 조절하지 않는데도 결과 예측에는 유용한 변수 를 “중요하다” 고 오해하면 개입 효과를 잘못 결론낼 수 있다는 점을 저자들은 강조한다.

한계와 비판적 평가

자체 실증이 없는 overview. 이 논문의 본질은 새 방법 제안이 아니라 지형 정리다. 따라서 “어떤 CATE 추정량이 어떤 상황에서 최선인가” 같은 가장 실무적인 질문은 열린 채로 남는다 — 저자들도 7.1 절에서 이것을 핵심 미해결 과제로 꼽는다.
방법 간 정량 비교 부재. S/T/X-learner, causal forest, GenericML 등이 나열되지만, 동일 벤치마크에서 이들을 직접 비교한 수치는 제시되지 않는다. 독자는 각 방법의 출처 논문으로 다시 흩어져야 한다.
장기 효과·spillover 해법의 가정 의존성. surrogate model 은 “surrogate 가 처치의 영향을 완전히 매개” 한다는 강한 가정에, cluster randomization 은 클러스터 경계가 interference 를 잘 끊는다는 가정에 의존한다. 이 가정들이 실무에서 얼마나 성립하는지에 대한 경험적 증거는 여전히 부족하다.
공정성-효율성 trade-off 의 미해결. BEAT·Fair Active Learning 등은 보호 집단에 대한 편향을 줄이지만 대개 덜 효율적인 개인화로 귀결된다. 이 trade-off 를 정량화한 실증 연구가 희소하다는 점은 저자들도 인정한다.
생성형 AI 의 위험 미검증. 7.4 절은 GenAI 의 잠재력을 풍부하게 그리지만, LLM 의 편향·hallucination 이 개인화에 쓰일 때의 실제 위험은 research question 수준에 머문다.

시사점 / Takeaways

개인화 = whom·what·when·where 의 인과추론 문제. 개인화를 “누구에게 반응이 큰가 (CATE)” 의 추정 문제로 재정의하면, 흩어진 마케팅 의사결정이 하나의 최적화 $p^* = \arg\max_p R(p)$ 로 통합된다. 이 프레임이 이 논문의 가장 오래 남을 기여다.
“이탈 위험” 이 아니라 “기대 lift” 를 겨냥하라. Ascarza (2018)·Lemmens & Gupta (2020) 의 교훈은 실무에서 반복 인용할 가치가 있다 — 위험이 높아도 바뀌지 않는 고객은 타겟의 가치가 없다. CATE 가 음수면 개입하지 않는 게 최적이다.
대다수 고객에겐 “아무것도 안 하기” 가 최적. 쿠폰 예시에서 $p^*_i = 0$ 이 다수라는 관찰은, 개인화의 본질이 “모두에게 더 많이” 가 아니라 “반응할 소수를 정밀히 골라내기” 임을 상기시킨다.
causal forest 의 $\sqrt{N}$ consistency 가 실무 채택의 이유. 처치 효과는 본질적으로 관측 불가능한데, causal forest 는 CATE 신뢰구간을 제공해 “이 개인화가 통계적으로 의미 있는가” 를 물을 수 있게 한다. 마케팅이 ML 의 다른 방법보다 causal forest 를 선호하는 핵심 이유다.
개인화는 다섯 번째 P. 저자들의 마지막 예측 — 개인화가 별도 연구 트랙이 아니라 마케팅 그 자체에 녹아들 것 — 은 단순한 수사가 아니라, 이 글이 정리한 인과추론·causal ML·생성형 AI 의 수렴이 가리키는 방향이다.

설치 및 사용법

저자들은 음식 배달 쿠폰 예시의 test-and-learn 전 과정을 R·Python 으로 구현한 튜토리얼을 공개했다.

# 코드 튜토리얼 (R / Python, test-and-learn 각 단계 구현)
git clone https://github.com/sbstn-gbl/cs23-personalization

저장소는 Design (stratified randomization) → Test (A/A test) → Learn (causal forest 로 CATE 추정) → Optimize & Evaluate (IPW 기반 off-policy 평가) 의 단계를 재현 가능한 노트북으로 제공한다.

참고 자료

논문: https://doi.org/10.1016/j.ijresmar.2025.07.004
Code: https://github.com/sbstn-gbl/cs23-personalization
2024 MSI Research Priorities (이 논문이 정렬을 맞춘 산업 연구 우선순위)

더 읽어보기

Putting one-to-one marketing to work: Personalization, customization, and choice (Arora et al., 2008) — 17년 전 personalization 개념을 정식 소개한 출발점. 이 리뷰가 “그 이후 무엇이 변했는가” 를 묻는 기준선.
Estimation and Inference of Heterogeneous Treatment Effects using Random Forests (Wager et al., 2018) — causal forest 의 원전. $\sqrt{N}$ consistency 와 신뢰구간을 제공해 마케팅에서 CATE 추정의 표준이 됐다.
Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning (Künzel et al., 2019) — S/T/X-learner 를 통합 프레임으로 정리한 논문. 이 리뷰의 indirect vs direct CATE 추정 논의의 근간.
Double/Debiased Machine Learning for Treatment and Structural Parameters (Chernozhukov et al., 2018) — Neyman-orthogonal score 와 cross-fitting 으로 고차원 nuisance 하에서 처치 효과를 추정하는 double ML 의 토대.
Eliminating unintended bias in personalized policies using bias-eliminating adapted trees (BEAT) (Ascarza et al., 2022) — 보호 속성 없이 공정한 개인화를 구현하는 BEAT 제안. 6.4.1 절 공정성 논의의 중심.