효율적인 선택 모델 추정을 위한 실험 설계와 중첩 로짓 네스트 식별

본 논문은 선택 모델 추정을 위한 실험 설계와 중첩 로짓(Nested Logit) 모델의 네스트 구조 식별이라는 두 가지 핵심 연구 질문을 다룬다. 1. **연구 배경 및 문제 정의** - 소매, 자동차, 교통 등 다양한 분야에서 고객·소비자의 선택 행동을 모델링하는 것이 중요하다. 전통적인 다항 로짓(MNL) 모델은 모든 아이템이 동일한 교체 비율을 가진다고 가정하지만, 실제 데이터에서는 특정 아이템이 제외될 때 다른 아이템에 대한 수요 증가가 비대칭적으로 나타난다. 이러한 현상은 “네스트”라 불리는 대체품 군으로 설명될 수 있다. - 기존 연구들은 관측된 데이터(재고 변동, 외부 요인 등)에 의존하거나, 무작위 어소리먼트를 사용해 데이터를 수집한다. 그러나 어소리먼트가 연구자의 통제 하에 있지 않으면 복잡한 대체 관계를 식별하기 어렵다. 2. **제안된 실험 설계** - n개의 아이템을 각각 ⌈log₂ n⌉자리 이진 코드로 인코딩한다. - 각 비트 위치 ℓ에 대해 두 개의 어소리먼트를 만든다: (a) ℓ번째 비트가 1인 아이템 전체, (b) ℓ번째 비트가 0인 아이템 전체. - 총 2·⌈log₂ n⌉개의 어소리먼트를 제공하고, 각 어소리먼트를 여러 번 반복한다. - 이 설계는 “i는 포함되고 j는 제외되는 어소리먼트가 존재한다”는 구분 속성을 보장한다. 따라서 두 아이템 간의 대체 관계를 관찰할 최소한의 변동성을 제공한다. - 비적응적이며, 실험 기간이 짧거나 매장·플랫폼이 동시에 여러 어소리먼트를 실행하기 어려운 상황에 적합하다. 3. **네스트 식별 이론** - **부스트 팩터**: 특정 어소리먼트에서 아이템 i의 매출이 전체 어소리먼트(통제) 대비 얼마나 증가했는지를 비율로 정의한다. - **작은 부스트**: i와 j가 서로 다른 네스트에 속하면, i가 포함된 어소리먼트에서 j가 제외될 때 i의 부스트는 “작게” 나타난다. - **큰 부스트**: i와 j가 같은 네스트에 속하고, 어소리먼트에서 i는 포함되지만 j는 제외될 경우, i의 부스트는 “크게” 나타난다. - 일반 위치(general position) 가정 하에, 서로 다른 네스트의 부스트 팩터가 우연히 동일해지는 경우는 없다고 본다. 이를 통해 각 어소리먼트에서 관측된 부스트 패턴만으로 숨은 파티션을 추론한다. - 저자들은 이 추론 규칙을 수학적으로 정형화하고, O(log n)개의 비적응적 어소리먼트만으로 모든 네스트를 정확히 복원할 수 있음을 증명한다. 또한, 정보 이론적 하한을 이용해 Ω(log n)개의 어소리먼트가 필요함을 보이며 설계의 최적성을 확인한다. 4. **노이즈 환경에서의 실험적 알고리즘** - 실제 데이터에서는 매출 변동에 통계적 노이즈가 존재한다. 저자들은 부스트 팩터의 차이를 신뢰구간으로 평가하고, 겹치는 경우에는 여러 어소리먼트에서의 관측을 종합해 베이지안 업데이트를 수행한다. - 알고리즘은 (i) 작은 부스트와 큰 부스트를 구분하는 임계값을 데이터 기반으로 설정하고, (ii) 불확실성이 높은 아이템 쌍에 대해 추가 검증을 수행한다. 5. **수치 실험** - Berbeglia et al. (2022)의 실험 프레임워크를 그대로 사용해, 무작위 어소리먼트(크기 3~6)와 제안 설계를 비교하였다. - 다양한 모델(Exponomial, MNL, Latent‑class MNL, Nested Logit, Markov Chain)과 데이터 규모에 대해, 제안 설계는 평균 RMSE를 5.1%~17.2% 감소시켰다. 특히 데이터가 적은 경우 효과가 크게 나타났다. - 네스트 식별 측면에서는 Benson et al. (2016)의 알고리즘과 비교했을 때, 제안 파이프라인이 RMSE를 최대 50%까지 낮추었다. 이는 주로 실험 설계가 큰 어소리먼트를 제공해 정보량이 풍부했기 때문이다. - 동일한 네스트 식별 알고리즘을 공개 데이터(SF Work)에도 적용했으며, 성능 차이는 미미해 실제 적용 가능성을 확인했다. 6. **산업 적용: Dream11** - 2025년 봄, Dream11에서 20일간 70 백만 사용자에게 실험을 진행했다. 전체 72개의 콘테스트 유형을 7비트 이진 코드로 구분해 14개의 실험 그룹을 만들었다. 각 그룹은 약 36개의 콘테스트를 제외한 어소리먼트를 제공했다. - 실험 후 수집된 데이터로 중첩 로짓 모델을 추정했으며, 네스트는 제안 알고리즘으로 자동 식별했다. - 결과적으로, MNL 모델 대비 예측 오차가 크게 감소했고, 사전 k‑means 기반 네스트 설정보다도 우수했다. 또한, Markov Chain 모델이 예측 정확도에서는 최고였지만, 해석 가능성 측면에서 중첩 로짓 + 자동 네스트가 경영진에게 더 직관적인 인사이트를 제공했다. 7. **결론 및 향후 연구** - O(log n)개의 비적응적 어소리먼트만으로 선택 모델을 효율적으로 학습하고, 네스트 구조를 정확히 복원할 수 있음을 입증했다. - 향후 연구에서는 (a) 외부 옵션이 없는 상황에서의 이론적 확장, (b) 다중 레벨 중첩 로짓(d‑level Nested Logit) 모델에 대한 일반화, (c) 실시간 적응형 설계와의 비교 등을 제시한다.