정책 기반 이중 과정 사용자 시뮬레이션을 통한 미투안(Meituan) 가맹점 사업 진단

Meituan Merchant Business Diagnosis via Policy-Guided Dual-Process User Simulation

그룹 수준의 사용자 행동을 시뮬레이션하면 비용이 많이 드는 온라인 실험 없이 가맹점 전략에 대한 확장 가능한 반사실적 평가가 가능합니다. 그러나 신뢰할 수 있는 시뮬레이터를 구축하는 데는 두 가지 구조적 과제가 있습니다. 첫째, 정보 불완전성은 관찰되지 않는 오프라인 컨텍스트 및 암묵적인 습관과 같은 요소를 누락하면 추론 기반 시뮬레이터가 지나치게 합리적인 결론을 내리게 만듭니다. 둘째, 메커니즘의 이중성은 해석 가능한 선호도와 암묵적인 통계적 규칙을 모두 포착해야 하지만, 단일 패러다임으로는 이를 달성할 수 없습니다. 우리는 정책 기반 하이브리드 시뮬레이션(PGHS)이라는 이중 과정 프레임워크를 제안합니다. 이 프레임워크는 행동 트래jectory에서 전송 가능한 의사 결정 정책을 추출하여 공유된 정렬 레이어로 사용합니다. 이 레이어는 LLM 기반의 추론 브랜치를 고정하여 지나치게 합리적인 결론을 내리는 것을 방지하고, ML 기반의 적합 브랜치를 통해 암묵적인 규칙을 흡수합니다. 두 브랜치의 그룹 수준 예측을 융합하여 상호 보완적인 수정을 수행합니다. 우리는 101개의 가맹점과 26,000개 이상의 트래jectory를 사용하여 미투안에서 PGHS를 적용했습니다. PGHS는 그룹 시뮬레이션 오류가 8.80%로, 가장 우수한 추론 기반 및 적합 기반 기준 모델보다 각각 45.8% 및 40.9% 향상된 성능을 보였습니다.

Simulating group-level user behavior enables scalable counterfactual evaluation of merchant strategies without costly online experiments. However, building a trustworthy simulator faces two structural challenges. First, information incompleteness causes reasoning-based simulators to over-rationalize when unobserved factors such as offline context and implicit habits are missing. Second, mechanism duality requires capturing both interpretable preferences and implicit statistical regularities, which no single paradigm achieves alone. We propose Policy-Guided Hybrid Simulation (PGHS), a dual-process framework that mines transferable decision policies from behavioral trajectories and uses them as a shared alignment layer. This layer anchors an LLM-based reasoning branch that prevents over-rationalization and an ML-based fitting branch that absorbs implicit regularities. Group-level predictions from both branches are fused for complementary correction. We deploy PGHS on Meituan with 101 merchants and over 26,000 trajectories. PGHS achieves a group simulation error of 8.80%, improving over the best reasoning-based and fitting-based baselines by 45.8% and 40.9% respectively.