대규모 소매 거래 데이터로 고객 의사결정을 직접 학습하는 Large Behavioral Model(LBM)이 제안됐다. 구매 이력에서 도출한 행동 프로필로 고객 상태를 표현하고 상품 맥락은 RAG로 주입하며, 행동 데이터 언어화 후 지속 사전학습, 의사결정 생성용 SFT, 검증 가능한 보상 기반 강화학습의 3단계로 훈련한다. 구매 예측, 장바구니 완성, 프로모션 반응, 바우처 상환 등 과제에서 프런티어 범용 LLM을 일관되게 능가했고, 소매업체·도메인 간 제로샷 전이도 강했다. 어블레이션 결과 행동 일반화의 핵심 동인은 지속 사전학습이었다. 거래 이력에 담긴 행동 지식을 언어모델이 학습할 수 있음을 보여, 고객 디지털 트윈과 행동 시뮬레이션의 확장 가능한 기반을 제시한다.

• •소매 거래 데이터 기반 고객 디지털 트윈 모델 LBM(Large Behavioral Model) 제안
• •지속 사전학습 + SFT + 검증 가능 보상 강화학습의 3단계 훈련 파이프라인
• •구매 예측·장바구니 완성·프로모션 반응 등 소매 과제에서 프런티어 범용 LLM 능가
• •소매업체 간, 의사결정 도메인 간 제로샷·파인튜닝 전이 성능 확인
• •어블레이션 결과 행동 일반화의 주요 동인은 지속 사전학습, RAG는 훈련·추론 병행 시 최대 효과