최근 자동화가 미디어 구매에서 차지하는 역할이 급격하게 늘어나고 있다는 것은 누구나 아는 사실입니다. 자동화의 역할이 커지고 있는 가운데 많은 업체가 경쟁업체들이 활용하고 있는 솔루션에 투자하고 있지만, 브랜드가 타사 대비 우위를 점하기 위해서는 단순히 타사와 비슷한 솔루션을 도입하는 것 이상의 노하우가 필요합니다.
Google 경영자 서밋의 매니징 디렉터인 앨런 이글(Alan Eagle)과 노스웨스턴 대학교 켈로그 경영대학원의 마케팅 임상 부교수 짐 레신스키(Jim Lecinski)가 들려주는 자동화 기술을 최대로 활용할 수 있도록 하는 방법에 대한 조언을 아래에서 확인해 보세요.
머신러닝은 미디어 최적화나 숫자로 나타나는 성과 이상의 결과를 창출할 수 있는 잠재력을 가지고 있습니다. 또한 브랜드와 대행사는 머신러닝을 활용해 시간을 절약하여 팀워크를 통해 새로운 기회를 여는 데 집중할 수 있습니다.
마케팅 자동화 기술을 활용하여 경쟁 우위를 점할 수 있는 비결은 바로 머신러닝에 사람의 지능을 더하는 것입니다. 최근에 출간된 'AI 마케팅 캔버스(The AI Marketing Canvas)'의 바탕이 된 연구와 Google이 수백 명의 CMO와 협업하면서 깨달은 바에 따르면, 머신러닝의 잠재력을 최대로 이끌어 내기 위해서는 사람만이 내놓을 수 있는 독특한 인사이트를 마케팅 머신러닝 기술과 결합해야 합니다. 다시 말해, 각 비즈니스만의 고유한 데이터와 경험을 자동화 마케팅에 적용하지 못한다면 경쟁자들과 비슷한 결과를 얻는 데서 그칠 수밖에 없습니다.
머신러닝은 미디어 최적화나 숫자로 나타나는 성과 이상의 결과를 창출할 수 있는 잠재력을 가지고 있습니다. 또한 브랜드와 대행사는 머신러닝을 활용해 시간을 절약하여 팀워크를 통해 새로운 기회를 여는데 집중할 수 있습니다. 머신러닝이 발달하면서 인하우스 및 대행사 마케터들은 더욱 영향력이 크고 고민이 필요한 업무에 집중할 수 있게 됩니다.
이와 같이 자동화의 잠재력을 극대화하기 위해 마케터가 수행할 수 있는 3가지 역할을 자세히 살펴보겠습니다.
고유의 인사이트를 바탕으로 알고리즘의 중심 잡기
인공지능(AI)의 혁신적인 발전은 기계가 엄청난 양의 데이터를 학습할 때가 아니라 사람들이 더 나은 알고리즘을 설계할 때 이루어집니다. 예를 들어 AI 연구 회사인 DeepMind에서 설계한 컴퓨터 프로그램인 AlphaZero가 체스 게임을 제패하게 된 사례를 살펴보겠습니다. AlphaZero는 설계자들이 기존의 방식을 따르는 것이 아니라, 이를 완전히 바꿨기 때문에 최고의 AI 체스 프로그램이 될 수 있었습니다. 기존의 자동화된 체스 프로그램은 결정을 내리기 전에 가능한 거의 모든 수를 분석했지만, AlphaZero의 설계자들은 프로그램이 그 반대로 행동하도록 만들었습니다. 모든 경우의 수를 계산하기보다는 최대한 빨리 체스를 두도록 설계한 것입니다.
마케터는 자신의 비즈니스에 최적화된 고유의 인사이트를 가지고 자동화 마케팅 솔루션을 학습시킬 수 있습니다. AI 마케팅을 개선하는 것은 더 나은 핵심성과지표(KPI)를 선택하는 것만으로도 가능합니다. 예를 들어 한 인기 공유 숙박 서비스는 마케팅 자동화를 활용하는 데 있어 효율성보다는 수익성 있는 성장으로 중점을 두는 방향으로 전환하여 수익을 115% 늘렸습니다.
브랜드에 성공을 가져다줄 인사이트를 찾고자 한다면 '우리가 지금은 가지고 있지 않지만, 꼭 확인했으면 하는 데이터가 무엇일까?'라는 질문부터 시작해 보세요.
또한 새로운 데이터 포인트를 추가해 새로운 인사이트를 도출할 수 있습니다. 예를 들어 한 소매업체는 미디어 구매와는 일반적으로 관계가 없는 제품 마진 데이터를 추가하여 Google Ads 수익을 2배로 증가시켰습니다. 이 밖에도 분산되어 있는 데이터를 취합함으로써 큰 차이를 만들어낼 수도 있습니다. 이를 잘 보여주는 사례로 한 패션 브랜드는 분산되어 있던 고객 관계 관리 시스템(CRM)을 하나의 데이터 관리 플랫폼(DMP)으로 통합하며 일부 고객이 다른 고객보다 가치가 6배나 더 높다는 사실을 발견했습니다.
브랜드에 성공을 가져다줄 인사이트를 찾고자 한다면 '우리가 지금은 가지고 있지 않지만, 꼭 확인했으면 하는 데이터가 무엇일까?'라는 질문부터 시작해 보세요. 그런 다음 이러한 데이터를 얻기 위해 최고 정보 책임자(CIO)와 함께 간단한 실험을 진행해 보시기 바랍니다. 실험을 통해 좋은 결과가 나온다면 시간이 지남에 따라 데이터를 개선해나갈 수 있습니다.
머신러닝을 활용해 광고와 잠재고객 간의 관련성 높이기
자동화된 미디어 최적화가 표준이 되고 있는 오늘날, 광고 소재는 캠페인의 성공에 매우 큰 영향을 미칩니다. 사람들의 공감을 이끌어내는 내러티브를 만들어내는 데는 사람이 기계보다 훨씬 더 능숙합니다. 반면, 기술의 장점은 이러한 내러티브를 속도와 규모 있게 확산시킬 수 있다는 것입니다. 기술을 통해 맞춤 설정 및 순차적 스토리텔링 같은 접근 방식으로 메시지의 효과를 높이고 필요에 맞게 변형할 수 있습니다.
이 때문에 성공적인 캠페인을 진행하기 위해서는 자동화와 인간의 창의성을 결합해야 합니다. 머신러닝을 통해 소비자가 무엇에 관심을 갖는지는 파악할 수 있지만, 이 정보를 매력적인 광고로 만들어내기 위해서는 사람의 창의성이 필요합니다. 또한 성공적인 캠페인을 위해 크리에이티브 팀 및 대행사 파트너와 정기적인 인사이트 회의를 진행해 최신 트렌드를 파악하는 것이 매우 중요합니다. 여기에서 얻은 인사이트를 바탕으로 동영상 광고 소재의 다양한 맞춤형 영상을 만들어주는 디렉터믹스(Director Mix)와 같은 자동화 도구를 활용하면 광고 효과를 더욱 향상시킬 수 있습니다.
Google의 브랜드 마케팅팀 또한 정기적으로 만나 Google 트렌드와 같은 도구를 통해 소비자의 새로운 관심사를 파악한 다음 이에 따라 제품 광고를 제작합니다. 예를 들어 팬데믹 1년 차에 '클라우드 브레드'에 대한 사람들의 관심이 치솟기 시작하자 브랜드 마케팅팀은 72시간도 채 되지 않는 시간에 클라우드 브레드에 대한 Google Home 광고를 재빨리 제작하고 캠페인을 시작할 수 있었습니다.
실험과 학습을 통해 전략을 발전 및 확장시키기
머신러닝은 기업에 큰 가치를 가져다줄 수 있지만, 현 시점에서는 스스로 새로운 아이디어를 생각해낼 수 없다는 치명적인 약점이 있습니다. 머신러닝 기술은 알고리즘에 알맞은 데이터와 지침이 있어야만 의미 있는 목표를 향해 나아갑니다. 이 과정에는 끊임없는 테스트가 필요하지만, 많은 기업이 자동화 기술을 실험할 수 있는 역량이 부족한 실정입니다. Google이 살펴본 다양한 기업 사례를 보면, 실험을 자주 실시하고 효과가 좋은 전략을 빠르게 확장하는 기업이 경쟁업체보다 거의 항상 더 좋은 실적을 냅니다.
실험하고 학습하는 문화(test-and-learn culture)를 실현하기 위해서는 팀의 역량을 강화시켜야 합니다. 숙련된 미디어 파트너와 협업하고 AI에 친숙한 마케팅 담당자를 중심으로 실험을 이끌어나가도록 하세요. 마케터들이 이러한 작업을 원활하게 시작할 수 있도록 감정 분석과 영상 인식과 같은 여러 강력한 도구가 제공되고 있으니 이러한 도구들을 적극적으로 활용해 보시기 바랍니다.
또한 실험을 진행하면서 한 달에 몇 건의 실험을 진행하는지 추적하고, 이 횟수를 꾸준히 늘려가 보세요. 팀원들이 더 나은 실험 솔루션을 이용할 수 있도록 하고, 이해관계자의 승인이나 광고 소재 검토 등 시간이 많이 걸리는 절차를 단축할 수 있도록 도와야 합니다. 그 후 성공적인 실험을 진행할 만큼 충분한 데이터가 쌓이면 실험을 바로 시작하세요. 실험을 시작하기 위해 데이터가 완벽하게 준비될 필요는 없습니다.
기술적 혁신이 계속해서 일어나고 있는 오늘날의 세상에서 기술의 한계와 마주한다는 것은 모순처럼 들립니다. 하지만 인사이트를 광고 소재 아이디어로 바꾸고, 이러한 인사이트를 캠페인의 성과에 따라 발전시켜나가는 일은 사람만이 할 수 있는 일입니다. 자동화를 통해 경쟁 우위를 유지하려면 사람만이 할 수 있는 영역과 자동화를 결합해야만 합니다. 그리고 이러한 작업은 지금 바로 시작해야 합니다. 완벽한 전략을 머릿속에만 두는 것보다는 대략적인 계획이라도 지금 바로 실행하는 것이 더 도움이 되기 때문입니다.
