다중 채널 업리프트 정책 학습

Multi-channel Uplift Policy Learning

전자상거래 플랫폼은 제한된 마케팅 예산을 여러 채널에 할당하여 비즈니스 효용을 극대화해야 합니다. 그러나 기존의 예측-최적화(PTO) 패러다임은 관찰 데이터의 교란 효과 및 심각한 외삽 문제로 인해 이러한 복잡한 환경에서 제대로 작동하지 않습니다. 본 연구에서는 이 문제를 시플렉스 제약 조건 하에서의 업리프트 의사 결정 문제로 정의하고, 빠른-느린 인과 추론 프레임워크인 ReAlloc을 제안합니다. 구체적으로, 민첩한 Orthogonal Teacher는 단기 로그 데이터로부터 편향되지 않은 지역적 기울기를 추출하며, Explanation-Guided Student는 이를 장기적인 관점에서 구조화된 주변 분포로 변환합니다. 이러한 설계는 채널 간의 상호 영향을 고려하는 보수적이고 신중한 의사 결정을 가능하게 합니다. 광범위한 시뮬레이션과 Taobao 플랫폼에서의 대규모 온라인 A/B 테스트를 통해 ReAlloc이 지불 주문 수와 수익 모두에서 동시에 향상을 달성한다는 것을 확인했습니다.

E-commerce platforms must allocate fixed marketing budgets across multiple channels to maximize business utility. However, standard predict-then-optimize (PTO) paradigms fail in this compositional space due to observational confounding and severe extrapolation. We formulate this challenge as a simplex-constrained uplift decision problem and propose ReAlloc, a fast-slow causal framework. Specifically, an agile Orthogonal Teacher extracts unbiased local gradients from short-term logs, while an Explanation-Guided Student distills them into a structured marginal field over long-term horizons. This design enables support-aware, conservative decisions that capture cross-channel substitutions. Extensive simulations and large-scale online A/B tests on Taobao platform demonstrate that ReAlloc achieves simultaneous lifts in both pay order and income.