모델 연구
Can Large Language Models Identify Meaningful Touchpoints in Conversion Attribution?
ARarXiv
기존 전환 기여도 분석은 사용자가 느끼는 의미적 의도를 반영하지 못하는 규칙 기반의 한계가 있었습니다. 이에 본 연구는 대규모 언어 모델(LLM)을 활용하여 숨겨진 중요한 고객 접점들을 찾아내는 능력을 평가했습니다.
세 줄 요약
- 연구 결과, LLM이 기존 방식으로는 놓치기 쉬웠던 암묵적이고 의미적으로 관련된 접점들을 효과적으로 발견하는 것으로 나타났습니다. 다만, 최적의 성능 발휘를 위해서는 프롬프트 전략이나 기반 모델 선택 등 추가적인 개선 노력이 필요합니다.
- 본 연구는 전환 기여도 분석 방식을 단순한 규칙 매칭에서 인간의 의도를 반영하는 의미론적 추론으로 발전시킬 새로운 로드맵을 제시한다는 점에서 큰 가치를 지닙니다.
- LLM이 식별한 전환 레이블은 실제 산업 모델 훈련에 적용되어 상당한 성능 향상을 기대할 수 있습니다. 따라서 효과적인 접점 분석을 위해 다양한 프롬프팅 기법 연구가 중요합니다.
기존 전환 기여도 분석은 사용자가 느끼는 의미적 의도를 반영하지 못하는 규칙 기반의 한계가 있었습니다. 이에 본 연구는 대규모 언어 모델(LLM)을 활용하여 숨겨진 중요한 고객 접점들을 찾아내는 능력을 평가했습니다.