브랜드와 광고주는 고객이 어떤 광고에 노출되었고, 어떤 캠페인이 가장 우수한 실적을 보이며, 전환 유도에 있어 가장 중요한 터치포인트가 무엇인지 알고 있어야 합니다.
하지만 마케터가 얻을 수 있는 정보에 공백이 존재하는 경우, 고객이 광고와 상호작용한 후 어떤 행동을 취했는지 파악하기가 매우 어렵습니다. 예를 들어 어떤 고객은 여러 브라우저와 기기를 사용해 쇼핑을 하거나 온라인으로 제품에 관해 조사한 후 오프라인으로 구매하기도 합니다. 또한 여러 광고를 보았지만 그중 한 개만의 광고에만 이끌려 행동을 취했을 수도 있습니다.
기업은 계속해서 데이터를 토대로 의사결정을 내리고 고객 여정을 개선하는 데 집중해야 합니다. 머신러닝은 이러한 작업을 도울 수 있습니다.
이렇듯 고객 여정을 파악하는데는 늘 어려움이 동반되지만, 더군다나 지금은 계속되는 팬데믹 상황으로 인해 소비자들의 쇼핑 행태가 변화하고 있습니다. 게다가 마케터는 디지털 개인 정보 보호에 대한 사람들의 인식 변화에 맞춰 디지털 광고 활동에 대한 측정 방식을 바꿔야만 하는 실정입니다.
이러한 어려움 속에서도 기업은 계속해서 데이터를 토대로 의사결정을 내리고 고객 여정을 개선하는 데 최대한 집중해야 합니다. 머신러닝은 이러한 작업을 도울 수 있습니다. 실제로 여러 기업들이 직접적인 고객 데이터가 없을 때 그 공백을 메우기 위해 머신러닝을 활용하는 경우가 점점 늘고 있습니다.
머신러닝 모델의 작동 원리
머신러닝 모델은 엄청난 양의 과거 데이터를 분석하고, 핵심 데이터 포인트 간의 상관관계와 추세를 파악한 후, 이렇게 얻은 통계로 고객 행동을 정확히 예측할 수 있도록 구축됩니다.
지난 수년 동안 마케터들은 온라인에서 오프라인으로 거래가 이어지는 경우와 같이 소비자가 광고와 상호작용한 시점과 전환이 이루어진 시점 사이에 데이터 공백이 있는 상황에서 전환율을 모델링하기 위해 머신러닝을 이용해 왔습니다. 하지만 이러한 모델은 사용자가 쿠키 수집을 거부한 경우처럼 지금까지 일반적으로 측정이 가능했던 데이터가 없는 상황에서도 이용할 수 있습니다.
Google은 작년에 유럽 경제 지역과 영국의 광고주를 위해 동의 모드를 도입했습니다. 동의 모드를 사용하면 쿠키 수집에 대한 사용자의 동의 여부를 토대로 Google 태그의 동작을 자동으로 업데이트할 수 있습니다. 또한 머신러닝을 활용하여 쿠키 수집에 동의한 사용자의 행동 패턴을 발견하면, 이러한 패턴을 바탕으로 쿠키 수집을 거부한 사용자의 기여 분석 경로를 모델링할 수 있습니다. 올해 초, Google은 이와 같은 동의 모드를 통한 전환 모델링을 도입하여 마케터가 개인 정보 보호와 관련된 고객의 선택을 존중하면서도 광고 클릭에서 전환까지의 경로를 다시 파악할 수 있도록 했습니다.
머신러닝 모델을 활용할 수 있는 기타 영역
머신러닝은 전환 모델링 이외의 경우에도 관측 가능한 데이터를 이용할 수 없을 때 공백을 메울 수 있습니다. 머신러닝 모델을 통해 정보를 얻을 수 있는 4가지 다른 분야를 살펴보겠습니다.
행동 모델링 (Behavioral modeling)
기업들은 쿠키를 사용할 수 없는 미래에 대응할 준비를 해야 합니다. 또한 이러한 준비를 하면서 분석 보고에서 데이터 손실이 발생하고 있지는 않은지 확인해 볼 필요가 있습니다.
행동 모델링을 사용하면 분석 쿠키 수집을 거부한 사용자의 전환뿐만 아니라 이들이 웹사이트 또는 앱에서 취하는 다른 여러 행동을 파악할 수 있습니다. 행동 모델링은 쿠키 수집에 동의한 고객 중 동의를 거부한 고객과 비슷한 고객의 활동을 기반으로 고객 행동을 모델링 합니다. 광고주는 이 방식을 사용하여 사용자와 세션 간의 관계를 파악하고, ‘지난 캠페인으로 확보된 신규 사용자는 몇 명인가?'와 같은 질문에 대한 답을 찾을 수 있습니다.
기여 분석 모델링 (Attribution modeling)
이미 고객 여정 가운데 쇼핑 활동을 가장 효과적으로 유도하는 터치포인트를 파악하기 위해서 기여 분석 모델링을 활용하고 있는 경우도 있을 것입니다. 여기에 더불어 기여 분석 모델링은 교차 채널 미디어 비용 지출의 효과를 개선할 수 있도록 합니다.
마케팅 터치포인트의 효과를 측정하는 방식은 여러 가지가 있지만, 데이터 기반 기여 분석 모델은 머신러닝을 활용하여 각 터치포인트가 전환에 얼마나 중요한지 결정하기 때문에 가장 정확한 결과를 도출할 수 있습니다. 일반적인 기여 분석 모델은 사용자가 처음 또는 마지막으로 클릭한 광고만 전환에 기여했다고 판단하는 경우가 많습니다. 반면에 데이터 기반의 기여 분석 모델은 전환된 사용자의 경로와 전환되지 않은 사용자의 경로를 비교하여 전환으로 이어진 광고 상호작용의 패턴을 파악합니다.
온라인-오프라인 연결 모델링 (Online-to-offline modeling)
광고 캠페인이 매장 위치를 보여줄 수 있도록 연결되어 있거나 온라인에서 오프라인으로 이어지는 결정의 측정을 위해 자사 판매 데이터를 업로드하고 있는 기업들도 있을 것입니다.
온라인-오프라인 연결 모델링을 사용하면 매장에서 직접 이루어진 구매나 방문이 어떤 온라인 광고 터치포인트로 인해 발생했는지 파악할 수 있습니다. 기존에는 온라인 터치포인트가 오프라인 매장 판매를 유도했는지 광고주가 판단하기 어려웠습니다. 하지만 온라인-오프라인 연결 모델링을 사용하면 설문조사 참여, 매장 위치나 전화번호 요청, 매장 판매 데이터 등의 여러 소스에서 얻은 신호를 결합하여 특정 마케팅 캠페인의 영향을 추정할 수 있습니다.
순 사용자 도달범위 모델링 (Unique Reach modeling)
잠재고객 도달범위를 측정하는 것이 비즈니스와 마케팅 활동에 중요하거나, 성공적으로 도달하고 있는 특정 세그먼트 또는 개선하고 싶은 세그먼트가 있는 경우 순 사용자 도달범위 모델링이 유용할 수 있습니다.
순 사용자 도달범위 모델링은 특정 인구통계적 특성을 가진 사람들이 어떤 기기에서 어떤 광고를 얼마나 자주 봤는지 판단하는데 도움이 됩니다. 사람들은 흔히 여러 기기를 이용하기 때문에 데스크톱 기기와 모바일 기기에서 발생한 광고 조회가 같은 사람에 의해서 이루어진 것인지, 아니면 두 사람이 서로 다른 기기를 사용한 것인지 구분하기 어렵습니다. 순 사용자 도달범위 모델은 머신러닝을 통해 고객이 같은 광고를 서로 다른 기기에서 보는 경우와 여러 고객이 같은 기기를 공유하는 경우를 감안하여 광고의 총 도달범위를 측정합니다. 이렇게 얻은 정보는 광고주가 주어진 광고 예산으로 활용할 수 있는 가장 효과적인 터치포인트를 결정하는 데 도움이 됩니다.
미래를 위한 측정 계획 세우기
미래에도 계속 활용할 수 있는 측정 방법을 마련하고자 한다면, 여러 데이터 모델링 유형을 확인해보시고, 이미 사용 중인 유형은 무엇이며 새로운 유형을 어떻게 활용할 수 있을지 검토해보시기 바랍니다.
앞으로 점점 더 쿠키와 같은 식별자 사용이 제한됨에 따라 자사 데이터, 머신러닝 모델 및 데이터 집계와 같은 개인 정보 보호 기법을 얼마나 현명하게 사용하는지가 측정의 정확성에 큰 영향을 미칠 것입니다. 미래에도 성공적인 마케팅 캠페인을 계속 이어가고 싶으시다면 지금부터 변화에 준비해야 합니다.