1. 사전 필터링: 사전에 필터링되 결과로 유사한 유저-아이템 인터랙션 추천
2. 사후 필터링: 사후 행동 로그를 보고 유사한 유저-아이템 인터랙션 추천
희소 데이터: 대부분의 데이터 값이 0 또는 빈 데이터
해결법
1)데이터 핸들링-결측치 채우기
2)모델링: 협업 필터링, 행렬 인수분해 , 잠재요인 모델, 차원 축소, 데이터 증강(이미지, 텍스트 등)
1. A/B Test
-A와 B를 대조하여 가설을 검정하는 실험법
-ex)배너위치 변경은 클릭전환율이 증가할 것이다 / 5%할인쿠폰보다 5천원 할인쿠폰이 주문이 더 많을 것
2. 이중차분법
-독립변수와 종속변수 간 인과효과를 측정하기 위한 인과 추론법(처치 전후 지표와 시계열 데이터 비교)
| 처치 전 | 처치 후 | |
| 실험군 | a | A |
| 대조군 | b | B |
- 실험군: 실험자가 종속변수와 상관성이 높아 보이는 독립변수에 변화를 주는 그룹
- 대조군: 실험군과 대조하기 위해 처치를 하지 않는 그룹
- 이중차분: (A-a) - (B-b)
3. 개요
| 1)가설: 정액이 기재된 할인쿠폰의 주문 전환율이 더 높을 것이다 2)데이터 -종속변수: 주문전환율(1: 실험기간 중 주문이 1번이라도 있는 경우 / 0: 실험기간 중 주문이 없는 경우) -독립변수: 쿠폰유형 (5천원 VS 5% 할인) -대조그룹: 쿠폰 미지급 100명 -실험그룹: 5천원 할인쿠폰 100명 / 5% 할인쿠폰 100명 -관찰기간 6/5~6/11 VS 6/12~6/18(6/12 쿠폰발급) |
Mysql 쿼리
|
with
T1 as ( select ctt.mem_no, "group", ord_no, case when ord_dt between '2023-06-05' and '2023-06-11' then '처치 전' when ord_dt BETWEEN '2023-06-12' and '2023-06-18' then '처치 후' end as period from coupon_target_table ctt left join order_master_did omd on ctt.mem_no = omd.mem_no ) select "group", period, count(distinct mem_no) as ord_cnt from T1 where period is not NULL group by 1,2 |
결과
| 그룹 | 처치 전 | 처치 후 | 처치 후-처치 전 | 이중차분 |
| 통제 | 62% | 56% | -6% | - |
| 실험1 | 36% | 40% | 4% | 4%-(-6%) = 10% |
| 실험2 | 61% | 62% | 1% | 1%-(-6) = 7% |
반응형
'국비지원교육 > 교육일지' 카테고리의 다른 글
| 12주차 교육일지: Cold start (1) | 2023.12.01 |
|---|---|
| 11주차 교육일지: 추천시스템 (1) | 2023.11.25 |
| 10주차 교육일지: 파이토치 기본기, MLP 모델 예측 (0) | 2023.11.03 |
| 9주차 교육일지: 딥러닝 (0) | 2023.10.25 |
| 8주차 교육일지: 머신러닝, SQL (1) | 2023.10.08 |