Scaling Marketing Campaign Forecasting with Generative AI
Author: Target AI/ML (Personalized Offers) | Source: tech.target.com | Published: 2026-04-09
한 줄 요약
“이 캠페인이 어떻게 될까”를 규칙 기반 매칭 대신 semantic retrieval + LLM 재랭킹(RAG)으로 과거 유사 캠페인을 찾아 예측하고, 근거(rationale)를 함께 반환해 감사·튜닝 가능하게 만든 사례.
핵심 주장/내용
- 왜 다시 만들었나: 기존 규칙 기반 로직 + 기본 임베딩은 당시엔 잘 동작했지만, 마케팅 생태계가 성숙하며 원 설계 파라미터 밖의 정교하고 니치한 캠페인 유형이 늘어남 → false positive 증가와 수동 개입 오버헤드로 자동화·확장성 제한
- 정확도만이 아니라 신뢰: 파트너가 시스템을 믿고 튜닝할 수 있어야 함. 랭킹된 결과에 명확한 rationale을 붙여 매칭을 감사 가능·설명 가능하게 만들고 비즈니스 이해관계자와 함께 다듬을 수 있게 함
- 워크플로: ① 들어오는 캠페인 요청(마크다운, 게스트 의도 — engaged/lapsing, 피라미드·카테고리, 메타데이터)을 쿼리로 취급 ② 과거 캠페인·오퍼 데이터를 집계·정제·임베딩 ③ 사내 AI grounding 서비스에 인덱싱 ④ 유사 과거 캠페인 검색 ⑤ 매칭 기준 계층을 담은 구조화 프롬프트로 LLM이 필터·랭킹
- 모델보다 데이터 준비가 먼저: 캠페인·오퍼 데이터가 비정형/반정형으로 도착하므로 정제·연결·강화에 크게 투자. 필터(비지역 세그먼트, 옴니채널 디지털 프로모션, 표준·완결 건, basket 기반 dollar-off/percent-off만 — 제조사 쿠폰·리베이트 제외) + 피처 엔지니어링(배포량, 리뎀션 수, 총 할인 지출, sitewide/targeted·mass/niche·fully-scaled 같은 거버넌스·롤아웃 지표)으로 단일 final offer pool 구성
- 프롬프트 3요소: 입력 캠페인 팩트(구조화 메타데이터), 검색된 top-N 후보, 매칭 기준 계층(제품 도메인 → 오디언스 세그먼트 → 타이밍 순의 정렬된 속성 집합). 모델의 잠재 이해를 제한하지 않으면서 과거 데이터에 추론을 앵커
- 멀티 인덱스 방식이 raw retrieval 품질·설명가능성·니치 캠페인 유형 일관성에서 최고였고, 향후 정책·안전 통제를 위한 거버넌스 프레임워크도 제공
- LLM 환각 위험 때문에 별도 검증 레이어 추가
주요 수치 / 사실
- 후보 풀 10개 검색 + LLM이 top 3 선택(K=3)이 최적 균형 — 수동 개입 불필요
- 핵심 지표는 coverage rate(사람 오버라이드 없이 최소 하나의 수용 가능한 추천을 준 비율): K=1에서 75%, K=3에서 100%
- 후보 풀 사이즈 10·30, re-ranker cutoff K=1~10을 실험
- 시간 분리(time-separated) train-test 셋업으로 평가
- 향후: 실제 성과를 retrieval 튜닝에 피드백해 적응형 시스템으로
관련 위키
Source: 원문 보기