광고에 대한 투자수익을 정확하게 측정하기 위해서는 어떤 터치포인트에서 전환이 일어났는지 파악하는 것이 중요합니다. 그러나 개인 정보 보호에 대한 사람들의 기대가 높아지고 측정 가능한 데이터가 줄어드는 상황에서 개인 정보에 대한 고객의 선택을 존중하면서도 전환 경로를 정확하게 확인하는 것은 매우 어려워 보입니다.
게다가 업계에서 웹 쿠키나 앱의 기기 ID와 같은 개별 식별자 사용이 점차 폐지되면서 하나의 데이터 소스만으로 전환 경로를 파악하기가 더욱 어려워지고 있습니다. 이에 Google은 고객 여정에서 설명할 수 없는 부분을 자동으로 해결하는 개인 정보 보호 중심의 모델링 솔루션을 통해 복잡한 데이터 세트를 해석하여 광고주가 이러한 생태계 변화에 적응할 수 있도록 돕고 있습니다.
전환 모델링을 활용한 측정 공백 메우기
전환 모델링은 일부 전환과 광고 상호작용의 연관 관계를 직접적으로 설명할 수 없을 때 머신러닝을 이용해 마케팅 활동의 효과를 추정합니다. 이를 통해 광고 실적을 더욱 완전하고 정확하게 파악할 수 있습니다.
Apple이 올해 초 도입한 앱 추적 투명성(App Tracking Transparency, ATT)으로 인해 활용 가능한 쿠키와 광고주용 식별자(IDFA)가 적어진 iOS 캠페인을 예로 들어보겠습니다. Apple의 ATT 메시지에서 광고 추적을 거부한 사용자가 광고를 탭한 후 액션을 취한 경우, 광고와 액션 사이의 연관 관계를 광고주가 알 수 없어 광고가 비즈니스에 가져다준 가치를 정확히 파악하기 어렵습니다.
또한 어떤 사용자 그룹과 관련해 집계된 전환 정보를 얻었다고 해도 어떤 광고 상호작용이 전환으로 이어졌는지 정확히 알 수 없는 사례도 있습니다. 이러한 정보의 공백을 메우기 위해 Google은 전환을 구체적인 광고 상호작용과 연관 지을 수 있는지에 따라 '측정 가능한(observable)' 전환과 '측정 불가능한(unobservable)' 전환으로 분류합니다.
Google은 개인 정보 보호 중심의 모델링 솔루션을 통해 광고주가 복잡한 데이터 세트를 해석할 수 있도록 돕습니다.
측정 불가능한 사용자 그룹이 있다면 운영체제, 기기 유형, 시간 등의 데이터를 기반으로 비슷한 행동과 특징을 보이는 측정 가능한 그룹을 파악합니다. 예를 들어 측정 가능한 그룹에서 나타난 광고 상호작용의 5%가 구매 전환으로 이어졌다면, 이 측정항목으로 캠페인 모델을 학습시켜 측정 가능 여부와 상관없이 광고와 상호작용한 모든 사용자의 전환수를 도출해 냅니다.
개인 정보를 보호하는 측정 가능한 신호로 전환 모델의 토대 마련
정확하고 믿을 수 있는 전환 모델링을 위해서는 측정 가능한 신호로 이루어진 견고한 기반이 필수적입니다. Google은 다양한 측정 가능한 데이터 소스로 전환 모델링의 토대를 마련합니다.
1. 퍼스트 파티 데이터
IDFA, 퍼스트 파티 쿠키, 집계 및 익명화된 신호가 여기에 해당합니다. 사용자가 광고와 상호작용한 앱 또는 사이트에서 게시자를 통한 광고 추적과 맞춤설정에 동의하면 IDFA와 퍼스트 파티 쿠키를 확보할 수 있습니다.
2. 플랫폼 API 데이터
SKAdNetwork와 Chrome의 Privacy Sandbox Attribution Reporting API가 여기에 해당됩니다. 예를 들어 iOS 앱 캠페인은 Apple의 교차 네트워크 측정 프레임워크인 SKAdNetwork를 활용하여 앱 캠페인을 통해 발생한 설치 수 및 전환 가치를 측정합니다. 웹 캠페인의 경우 개인 정보를 보호하는 방식으로 클릭연결 전환과 조회 후 전환을 측정하기 위한 Attribution Reporting API를 개발 중입니다.
3. 유사 데이터 세트
유사 데이터 세트는 광고와 상호작용한 사용자와 비슷한 사용자의 집계된 행동과 전환 패턴에서 도출됩니다. 이러한 정보를 통해 모델을 학습시키고, 특정 속성을 지닌 사용자가 Google의 모든 앱 및 웹 캠페인을 통해 게재된 광고와 상호작용한 후 얼마나 높은 빈도로 전환되는지 계산할 수 있습니다. 그런 다음 동일한 특성을 가진 사용자 수를 파악하고 광고를 통해 전환되는 비율을 적용하여 캠페인의 전체 전환수를 추정합니다.
Google 캠페인에 내장된 정확하면서도 개인 정보를 보호하는 전환 모델링
Google은 광고 상호작용의 결과로 나타났다는 것이 확실한 경우에만 모델링된 전환수를 광고주에게 보고합니다. 또한 모델의 정확성을 검증하기 위해 보류해 둔 일부 트래픽에도 전환 모델을 적용합니다. 이를 통해 트래픽에서 모델링된 전환수와 실제 전환수를 비교하여 둘 사이에 큰 차이가 있는지 확인합니다. 이는 모델이 각 캠페인 채널에서 이루어진 전환수를 정확히 계산 또는 수치화할 수 있도록 하기 위한 절차입니다.
Google의 머신러닝 전문성을 기반으로 만들어진 전환 모델은 다양한 사용자 행동과 각 광고주의 비즈니스 성과에 맞춰 활용할 수 있습니다. 예를 들어 여러 사용자가 서로 다른 기기에서 상호작용하고 전환되는 경우, Google 알고리즘은 평균보다 높은 교차 기기 전환수를 계산하여 보고합니다. 캠페인 보고서에 모델링이 직접 통합되어 있기 때문에 관측된 전환 데이터와 모델링된 전환 데이터 모두를 결합해 표준화한 결과를 이용하여 분석과 최적화를 쉽게 관리할 수 있습니다.
또한 Google은 캠페인 측정에 있어 사용자 개인 정보 보호를 최우선으로 고려합니다. Google 정책은 디지털 지문 수집 또는 IP 주소 등의 휴리스틱을 사용하는 개인 정보 침해성 전략을 통해 개별 사용자를 식별 및 추적하는 것을 엄격하게 금지하고 있습니다. Google 모델은 집계 데이터를 사용하여 사용자의 개인 정보와 데이터를 보호할 수 있도록 설계되었습니다.
여러 데이터 소스와 호환되는 지속 가능한 측정 방식 개발
Google은 웹에서 앱으로 이어진 전환과 같이 일부 전환이 완전히 기록되지 않은 경우 여러 데이터 소스로부터의 측정 결과를 보완하기 위해 전환 모델을 개발했습니다. 그 결과 전환 모델을 통해 전환 경로에 발생한 공백을 메우고 모든 사용자 경험을 보다 완전하게 파악할 수 있게 됐습니다.
캠페인 보고서에는 모델링이 직접 통합되어 있으므로 관측된 전환 데이터와 모델링된 전환 데이터 모두를 결합하고 표준화한 결과를 쉽게 이용할 수 있습니다.
또한 새롭게 등장하거나 동적으로 변화하는 데이터 소스와도 호환되므로 광고 업계 전반에서 계속되는 개인 정보 보호 및 측정 방식의 변화에 적응해 가면서 추가 작업 없이도 캠페인 실적의 연속성을 유지하는 데 도움이 됩니다.
전환 모델링이 더욱 많이 사용될 미래에 대한 준비
광고 생태계는 계속해서 진화하고 있습니다. 사용자 개인 정보 보호를 강화하면서도 캠페인 실적을 지속적으로 개선하기 위해서는 어떤 광고에 어떻게 투자할지 결정할 때 모델링된 전환을 더 비중 있게 활용할 준비를 해야 합니다. 여러 측정 데이터 소스를 고려하고, 마케팅과 예산에 대한 결정을 내릴 때 네트워크 전반에서 모델링된 전환을 활용하는 것을 염두한다면 어떤 광고가 효과적인지를 더욱 완전하게 파악할 수 있을 것입니다.
