Data-driven Personalization of OTT Alerts: LightGBM and SHAP-driven Simulation Approach

본 연구는 OTT 서비스의 최적 알림 시점을 규명하기 위해 머신러닝 예측모형(LightGBM)을 구축하고, Shapley Additive Explanations(SHAP)을 활용하여 예측 결과를 해석했다. 이를 위해 3일간 연속 관측된 9,575개의 15분 단위 패널 데이터를 활용하여 OTT 미시청·시청상태를 예측하였으며, 모형 학습 및 검증 이후 SHAP 분석을 통해 수면 상태, 인구통계학적 특성, 장르 및 채널 선호 요인이 시청 확률에 미치는 영향을 규명하였다. 분석 결과, 수면 상태와 연령이 예측 결과에 중요한 영향을 미치는 것으로 나타났으며, 이는 맥락을 고려한 개인 맞춤형 알림의 중요성을 보여준다. 나아가 예측된 시청 확률을 기반으로 수행한 Monte Carlo 시뮬레이션 결과, 임계값 기반 알림 필터링 전략을 적용할 경우 알림 발송량을 효과적으로 감소시키면서도 높은 전환율을 유지할 수 있음을 확인하였다. 본 연구는 데이터 기반의 맥락 인지형 OTT 알림 전략이 이용자 참여를 제고하고 불필요한 알림을 최소화하는 데 기여할 수 있음을 보여주며, 예측 결과의 해석 가능성과 실무적 활용 가능성에서 유의미한 시사점을 제공한다.