A
약 78초
광고 모델 최적화 도구 사용 경험 - 베이지안 최적화 또는 AutoML 중심 서술
인턴 프로젝트에서 디지털 광고 입찰 전략 최적화 작업을 했습니다. 기존 방식은 수동으로 CPC 입찰가를 조정하는 방식이었는데, Optuna를 사용해 베이지안 최적화로 하이퍼파라미터를 자동 탐색하는 구조로 바꿨습니다. 도구를 선택한 기준은 두 가지였습니다. 탐색 효율이 랜덤 서치나 그리드 서치보다 높고, 파이썬 생태계와 통합이 쉬워서 기존 코드베이스에 빠르게 붙일 수 있었습니다. 실행 결과 동일 예산 대비 클릭률이 약 12% 개선되는 걸 확인했습니다. 한계도 있었는데, Optuna가 제안하는 파라미터가 왜 효과적인지 설명하기 어려운 경우가 있었습니다.
도구가 최적값을 찾아주더라도 그 이유를 이해하지 못하면 다른 캠페인에 적용하기 어렵다는 걸 그 과정에서 배웠습니다. 이후에는 결과뿐 아니라 원인을 함께 추적하는 방향으로 분석을 보강했습니다.
이 결의 특징
베이지안 최적화(Optuna)로 수동 조정을 자동화한 실질적 도구 선택 과정이 보입니다. 도구 도입 후 성능(클릭률 12% 개선)을 정량적으로 추적하되, 한계(해석 어려움)까지 함께 인식하는 자리입니다.
이 결이 통하는 자리
기술 도구의 성능뿐 아니라 설명 가능성을 함께 평가하는 조직에서 신뢰받습니다. 수치 개선을 얻되 그 이유를 이해하는 것의 중요성을 아는 분석 리더십이 필요한 팀과 일치합니다.