[ET단상] 늘어나는 광고 캠페인, 퍼스트파티 데이터 전략 실행해야

안익진 몰로코 대표. <사진=몰로코>
<안익진 몰로코 대표. <사진=몰로코>>

광고 캠페인과 활용할 수 있는 데이터 규모는 날이 갈수록 진화하고 있다. 지난 5년 동안 모바일 애플리케이션(앱) 마케팅의 실시간입찰(RTB)은 디지털 마케팅 환경을 근본부터 변화시켜 왔다. 특히 RTB 방식이 제공하는 알고리즘 기반의 마케팅 덕분에 광고주는 적절한 가격으로 잠재 고객을 좀 더 쉽게 타기팅할 수 있게 됐다. 미국의 경우 RTB를 활용한 광고비는 2014~2018년 3배 증가했으며, 오는 2025년 말까지는 290억달러(약 35조5000억원)에 이를 것으로 예측된다.

RTB는 지면에 접근하는 사용자 데이터를 실시간으로 분석해서 가장 적절한 사용자에게 광고를 보여 준다는 점에서 모바일 광고 시장에 혁신을 주도했다는 평을 받고 있다. RTB는 광고 지면을 타깃으로 하는 기존 방식과 달리 이용자를 타기팅으로 하여 광고 노출이 가능해 광고 효율을 높일 수 있는 비용 효율 마케팅 방식이다. 해당 방식은 모바일의 대중화 및 광고 시장의 다각화로 더욱 주목받고 있다.

RTB 핵심은 데이터 정확성이다. 데이터 정확도가 높을수록 해당 데이터를 처리하는 머신러닝 예측이 더욱 정교해지기 때문이다.

이때 퍼스트파티 데이터(자사 데이터)가 아닌 서드파티 데이터는 웹페이지로 수집된 개인 데이터 가운데에서도 정확하지 않은 관심사까지 포함하곤 한다. 그렇게 되면 광고주는 적절한 타깃이 아닌 유저에게도 도달하기 위해 비용을 지불하는 셈이 된다.

그러나 퍼스트파티 데이터 이용 시 RTB 캠페인을 성공으로 이끌 확률이 높아진다.

이에 따라 퍼스트파티 데이터의 활용 효율 여부가 광고 캠페인의 성공을 좌우한다고 해도 과언이 아니다.

퍼스트파티 데이터의 장점은 다양하다. 우선 머신러닝 모델의 정확성을 높인다. 캠페인 목표가 CPI 기준으로 최적화하는 것이라면 각 광고 노출에 대한 입찰 가격은 예상 설치 확률 기준으로 결정된다. 모델을 트레이닝하기 위해서는 과거 광고 노출 하나하나가 교육 샘플이 되고, 이 노출이 앱 설치를 유도했는지 여부에 따라 긍정 또는 부정의 레이블이 정해진다. 머신러닝 모델을 정확하게 학습시키려면 다양한 앱과 넓은 사용자 풀 및 소재 형식이 다양한 여러 임프레션과 함께 충분한 양의 샘플, 특히 긍정 샘플이 필요해진다.

캠페인 목표가 단순히 앱 설치를 유도하는 것보다 세분화할 경우 퍼스트파티 데이터 역할이 더욱 중요해진다. 예를 들어 인앱 구매와 같은 설치 후 이벤트를 유도하기 위해 모델 교육을 실시하려면 플랫폼에 긍정 샘플(설치 및 인앱 구매로 이어진 과거 노출에 대한 데이터)이 필요하다. 이런 경우 긍정 결과 샘플이 광고 노출 1% 이하로 매우 드물게 발생하기 때문에 캠페인을 진행하기 전 과거 사용자 데이터, 즉 퍼스트파티 데이터를 미리 확보하고 시작한다면 더 빠르게 모델을 학습시킬 수 있다.

만약 광고주의 데이터가 제공되지 않은 채 광고를 운영할 경우 머신러닝 엔진이 충분한 정확도에 이를 때까지 훨씬 많은 시간과 비용을 소비해야 한다. 이는 고객사 앱에 적합한 높은 가치의 기존 사용자 데이터 없이 직접 캠페인을 운영하며 얻은 결과로만 머신 학습을 실시해야 하기 때문이다. 몰로코의 경우 알고리즘과 퍼스트파티 데이터를 사용해서 대개 평균 3~4주 이내에 캠페인의 목표 광고비대비매출액(ROAS)에 도달할 수 있도록 하며, 최상의 시나리오에서는 최소 2주 이내에도 목표를 달성할 수 있다. 이는 퍼스트파티 데이터 없이는 3개월이 걸릴 일이다.

데이터 활용에 대한 계획은 퍼스트파티 전략으로부터 시작된다. 무엇보다 팬데믹 이슈로 데이터 분석 및 계획에 혼란스러운 외부 요소가 생긴 만큼 기존의 패턴이나 가정 등이 적용되지 않는 경우가 많아졌다. 매일 상황이 변화하면서 수립한 계획을 바꿔야 하는 상황이다. 이때 광고주 및 마케터는 더욱더 실제 반응을 끌어낼 수 있는 데이터를 알고, 더 정확한 파악을 위해 노력해야 한다. 즉 퍼스트파티 데이터를 이용한 마케팅 전략이 첫 번째 열쇠가 될 수 있다.

안익진 몰로코 대표 ikkjin@molocoads.com