3장. 프로모션과 광고(2) : [알고리즘 마케팅] 인공지능을 활용한 마케팅 자동화

 

★ 이 글은 모두연 풀잎 스쿨 14기 "힙한 알고리즘 마케팅" 수업 교재인 [알고리즘 마케팅] 3장을 정리한 것입니다.

• 수업 교재는 "알고리즘 마케팅 - 인공지능을 활용한 마케팅 자동화" - 일리야 캐서브 저, 에이콘 출판사입니다.
  • 책 구매 링크
  • 알고리즘 마케팅 코드 링크
  • 영어 원서 다운로드 링크

 

★ 관련 내용 보기

• 1장. 미래의 마케터는 누구일까? : [알고리즘 마케팅] 인공지능을 활용한 마케팅 자동화
• 2장. 예측 모델링 리뷰 : [알고리즘 마케팅] 인공지능을 활용한 마케팅 자동화
• 3장. 프로모션과 광고(1) : [알고리즘 마케팅] 인공지능을 활용한 마케팅 자동화

 

03. 프로모션과 광고 (2)

 

3.6 캠페인 디자인과 운영

• 타깃팅 시스템의 초석인 타깃팅과 LTV 모델은 효율적인 마케팅 의사결정의 기초다.
• 마케팅 캠페인은 보통 특정한 목적을 이루기 위한 여러 액션과 의사 결정으로 이뤄진 흐름이다. 
• 이 흐름에는 여러 개의 모델이 합쳐지고 여러 시그널과 제약 조건이 고려된 최적화가 동시에 고려되어야 한다. 
• 캠페인 ROI를 예측하는 것과 이익과 비용의 균형을 맞추기 위한 실행 모수와 한계값을 최적화하는 것은 캠페인 디자인의 중요한 부분이고 해당 모델과 루틴은 템플릿의 일부분이 된다. 
• 3장에서는 여러 종류의 캠페인과 이전에 소개했던 기본 모델과의 관계를 다룬다. 

 

3.6.1 고객 여정

• 경제적인 관점에서 보면 고객과 브랜드와의 상호 작용은 전체 구매 금액, 구매된 제품, 마진, 웹 사이트 클릭 등과 같은 형태로 표현되는 트랜잭션의 집합으로 볼 수 있다. 
  • 마케팅 최적화의 문제는 트랜잭션 관점으로도 해석할 수 있다. 즉, 마케팅 믹스의 모든 요소를 각 트랜잭션 단위의 확률과 마진의 형태로 최적화 하는 것이다. 
• 고객 생애 주기는 이런 종류의 최적화를 고려하기는 하지만 결국 고객 경험보다는 브랜드 레벨의 관심과 목표에 집중한다. 
  • 결국 브랜드의 성공은 각 트랜잭션의 최적화보다는 장기적으로 우월한 고객 경험을 줄 수 있는 능력에 달려 있기 때문에, 고객 생애 주기 방식의 접근은 많은 마케팅 환경에서 완전하게 작동하지 않는다. 
• 고객 경험 분석과 모델링의 인기 있는 접근 중 하나는 '고객과 브랜드 사이의 관계'에 관한 얘기를 해주는 고객 여정 지도이다. 
  • 고객 여정 지도는 생애 주기 커브와 같이 고객 여정의 전체 과정을 설명할 수도 있고, 단일 구매와 같은 특정한 범위만 다룰 수도 있다. 
  • 이 여정은 새로운 제품의 검색, 생일과 같은 특별한 이벤트, 광고 이메일, 기존 제품을 다시 구매할 필요 등과 같은 사건 유발로부터 시작한다. 
  • 사건 유발 후에는 제품 정보의 연구와 구매 채널의 선택이 뒤따른다. 그런 다음 선택된 채널 안에서 특정 제품을 찾아보는 것과 구매 그리고 반품과 고객 구매 후기와 같은 구매 이후의 행동의 뒤따른다. 
  • 고객 여정 지도는 각 고객 세그먼트마다 달라지므로 각 세그먼트별로 작성된다. 
• 마케팅 캠페인은 고객의 여정에 영향을 미치려고 하므로 보통 고객 여정 지도상에 특정한 흔적이 있다.
  • 예를 들어 아래 그림에서 오프라인 구매 과정을 포기한 고객에게는 다시 돌아오게 하기 위한 오퍼를 제공한다. 
  • 각 캠페인은 고객 여정 내의 특정 상황에 적용할 수 있는 템플릿의 형태로 볼 수 있다. 
  • 캠페인 템플릿은 언제 캠페인 액션이 유발되고 어떻게 상황을 처리해야 하는지에 관한 법칙 그리고 요구되는 액션에 대한 모수를 추정하고 결과를 예측하는 모델을 포함하고 있다. 
  • 캠페인 템플릿은 서로 다른 시간에 다른 채널을 통해 또는 다른 관찰된 피드백을 통해 수행할 수 있는 하나 또는 여러 개의 액션을 기술한다. 

고객 여정 지도의 예시

 

• 고객 여정의 분석과 지도의 생성은 보통 대규모의 분석 연구, 고객 설문 조사, 마케팅 전략 개발을 동반하는 전략적인 프로젝트이다.
  • 따라서 고객 여정 지도와 캠페인 템플릿의 생성은 프로그램 기반 시스템에서 다루지 않는다. 시스템의 책임은 템플릿 모수의 추정 및 최적화 그리고 최적 템플릿의 동적인 선택이다. 

 

3.6.2 제품 프로모션 캠페인

• 가장 기본적인 타깃 캠페인 중 하나는 특정 제품에 대한 판매 프로모션이다. (e.g. 1달러 할인 쿠폰, BOGO, 무료 제품 샘플)
• 이런 방법은 가장 효율적이지는 않지만 모든 마케팅 목적에 부합한다. 
  • 신규 고객 유치 캠페인: BOGO, 1달러 할인 쿠폰 (특정 카테고리 제품을 많이 구매하지만 자사 브랜드는 구입하지 않는 고객 대상)
  • 소비 최대화 캠페인: 기존 고객에게 3개 구매 시 1달러 할인 같은 조건부 프로모션
  • 고객 유지 캠페인: BOGO, 1달러 할인 쿠폰 (기존 구매 주기와 비교해 구매량이 줄어든 고객 대상) 
• 응답 모델링 프레임워크는 응답 확률을 예측하는 예측 모델을 활용해 어떻게 이런 프로모션이 타깃팅 되어야 하는지 알려주지만 타깃팅 과정, 예산 프로모션 모수 선택과 같은 다른 요소도 고려해야 한다. 

 

3.6.2.1 타깃팅 과정

• 타깃팅은 크게 세 단계로 나뉜다.
  • 하드 타깃팅: 시스템은 모든 가능한 프로모션 중에서 특정 상황과 고객에게 유효한 프로모션을 고른다. 
  • 소프트 타깃팅(스코어링): 그런 다음 프로모션은 얼마나 목적에 맞는지에 따라 정렬하기 위해 스코어링 된다. 
  • 한계점 선정: 마지막으로 예산 및 다른 제약 조건들을 제공함으로써 고객에게 제공할 최적의 프로모션을 선택한다.  
• 타깃팅 조건은 프로모션이 적용되는 고객 여정의 특정 지점이 되는 캠페인 템플릿을 사실항 정의한다.
  • 구매 수량 조건
  • 첫 구매 조건
  • 채널 조건
  • 리타깃팅 조건
  • 위치 조건
  • 구매 가능 조건

 

3.6.2.2 예산 수립과 최대 빈도 제한

• 후보 프로모션이 준비되고 정렬되면 시스템은 고객에게 제공될 프로모션들을 선택해야 한다. 
• 이 단계는 캠페인이 다른 측면을 운영하기 위한 몇 가지 통제 사항을 포함할 수 있다. 
  • 단일 캠페인에서 고객이 받을 수 있는 프로모션의 수와 고객에게 전달되는 커뮤니케이션의 수는 제한돼야 한다. 
  • 캠페인 예산과 가능한 최대 프로모션의 수 역시 제한되어 있다.  
• 타깃팅 시스템은 캠페인 ROI를 최적화하기 위해 프로모션의 최적 개수를 결정해야 한다.
  • 성향 모델링 측면에서 보면 확률 최적화 문제는 모든 높은 성향 점수를 갖고 있는 고객이 타깃 되고 다른 고객이 타깃 되지 않은 경우의 이익을 최대화하는 성향 점수 한곗값을 찾는 것과 같다. 
  • 캠페인의 비용과 이익과의 균형은 응답 모델링 프레임워크를 이용해 모델링 될 수 있다. 

 

3.6.3 다단계 프로모션 캠페인

• 단발성 캠페인은 고객 여정에 매우 짧고 제한적인 영향을 미치므로 비효율적일 수 있다. 
• 더 긴 고객 여정에 영향을 미칠 수 있는 여러 단계를 갖고 있는 보다 정교한 캠페인을 디자인하는 것도 충분히 가능하다. 
• CPG 소비 최대화 캠페인의 사례
  • 캠페인의 첫 단계: 오퍼에 대해 고객에게 알려주는 단계
  • 두 번째 단계: 분배. 타깃팅 조건에 맞는 고객에게 할인 쿠폰을 발행한다. 
  • 세 번째 단계: 상환. 소비자는 이전 단계에서 얻은 쿠폰을 리딩 하기 위해 제품을 구매한다. 

 

3.6.4 고객 유지 캠페인

• 고객 유지 캠페인은 이탈할 것 같은 고객이 이탈을 막는 것을 목적으로 한다. 신규 고객의 유치는 기존 고객 유지보다 어렵고 비용이 (10~20배) 많이 든다.  
• 고객 유지 캠페인은 이탈의 위험이 있는 고객에 대한 후속 조치로 정의할 수 있다. 
• 고객 유지 캠페인은 LTV와 업리프트에 보다 많은 비중을 둔다. 
  • LTV: 고객의 LTV를 계산하여 낮은 가치의 고객을 유지하기 위해 투자하는 것을 막을 수 있다. 
  • 업리프트: 잘못된 고객을 타깃팅하는 것은 아래와 같은 이유로 손해가 될 수 있다.
    • 불만이 있는 고객에게 추가 연락은 (특히, 전화처럼 거슬리는 연락은) 고객 이탈을 촉진할 수도 있다. 
    • 고객 이탈을 막기 위한 연락은 고객으로 하여금 이탈할 기회가 있다는 것을 알려주는 셈이 될 수도 있다. 
    • 따라서 소통은 원래의 목적에 집중해야 하고 결과는 통제 그룹을 사용해 연속적으로 측정돼야 한다. 
• 스코어링은 고객 유지 활동에 긍정적으로 반응할 확률을 예측해주기 때문에 고객 유지성이라고도 한다. 
  • 고객 유지성 기반의 접근은 업리프트 모델링의 다른 응용과 마찬가지로 트리트먼트를 받았을 때만 계속 남아 있을 것 같은 고객을 따로 골라내는 일을 도와주고 고객 유지 캠페인의 효율을 향상시킨다. 

고객 유지 캠페인 측면에서의 캠페인 분류

 

3.6.5 보충 캠페인

• 고객 유지 캠페인은 통신, 보험, 소프트웨어, 은행과 같은 구독 비즈니스에 중요한다. 소매 영역에서는 제품이 정기적으로 보충되므로 구독 모델과 비슷해진다. 
• 캠페인의 디자인 측면에서 볼 때 보충 캠페인의 특별한 점은 커뮤니케이션 타이밍과 구매 습관의 중요성이다.
  • 커뮤니케이션 타이밍은 보충 알림이 개인의 구매 주기와 일치해야 하므로 매우 중요하다.
  • 보충 주기의 예측을  정확하게 하기 위해서는 제품 카테고리뿐 아니라 고객 세그먼트나 페르소나별로 추정 값을 나누는 것이다. 즉, 구매 주기는 각 카테고리와 페르소나의 조합에 따라 추정된다. 
  • 보다 정확한 결과는 구매까지의 시간을 추정하기 위한 생존 분석을 통해 이뤄질 수도 있다. 생존 분석 모델은 구매까지의 시간에 긍정적 또는 부정적인 영향을 미치는 요인들, 즉 할인이나 보충 알림을 분석에 포함해 메시지 내용이나 빈도가 그에 따라 조정될 수 있게 한다. 

 

3.7 자원 할당

• 어떻게 자원을 마케팅 활동과 능력에 할당하는지에 관한 모델링과 최적화는 마케팅 믹스 모델링이라고 한다. 
• 이는 프로모션, 가격 책정과 같은 마케팅 믹스의 서로 다른 요소들이 어떻게 판매, 매출과 같은 비즈니스 지표에 영향을 미치는지에 대한 통계적 분석으로 볼 수 있다. 
• 이 절에서는 채널별 자원 할당과 비즈니스 목표에 다른 자원 할당 문제들이 어떻게 해결되는지를 다룬다. 

 

3.7.1 채널에 따른 할당

• 복수의 마케팅 채널은 각각 고유의 비용 구조, 청중, 효율성을 갖고 있다. 이는 마케팅 커뮤니케이션 채널에 최적화돼야 한다는 것을 의미한다. 
  • 이 문제를 해결하기 위한 한 가지 방법은 고객 레벨에서 최적화 하는 것이다. 여기서 채널은 채널별 응답 확률과 비용에 대한 응답 모델을 사용해 선택된다. 
  •  또 다른 방법은 매출을 최대화 하기 위해 여러 채널에 걸친 예산 할당을 최적화하는 것이다. 이를 채널 믹스 모델링이라고 한다. 채널 믹스 모델링은 아래 질문에 대한 통계적 분석 방법이다. 
    1. 얼마만큼의 매출 비율이 각 채널 또는 커뮤니케이션 방법에 따라 발생하는가?
    2. 특정 채널에 쓰는 비용이 얼마나 매출을 증가 또는 감소시키는가?
    3. 여러 채널에 걸친 최적의 비용 분배는 무엇인가?
  • 이런 질문들에 대한 답변은 앞에 언급한 지표들을 채널 활동의 함수로 표현하는 회귀 모델에 의해 해결될 수 있다. 문제는 활동과 관찰된 지표들의 의존성이 여러 가지 이유로 인해 복잡해질 수 있다는 것이다. 
    • 채널 활동은 현재 시점의 보낸 이메일 숫자와 온라인 광고 임프레션 수로 측정되지만, 고객의 응답을 미뤄지거나 오랜 시간에 걸쳐 일어날 수 있다. 
    • 여러 개의 캠페인은 동시에 일어날 수 있지만 누적 효과만 측정할 수 있다. 
    • 채널 활동의 강도와 응답의 크기의 관계는 포화 효과 때문에 종종 비선형이다.
  • 이런 효과들을 반영하는 채널 믹스 모델로는 애드 스탁 모델이 있다.
    • 이 모델의 기본 가정은 각 판매 기간은 이전 광고 인벤토리의 일부를 보유한다는 것이다. 
    • 기본적인 애드스탁 모델은 겹치는 마케팅 활동과 그에 따른 감소 효과를 설명해 주지만 예전에 다룬 광고 포화를 설명해주지는 못한다. 보통 수확 체감의 법칙을 따르므로 마케팅 활동에 더 많은 비용을 쓰는 것은 어느 지점 이후에는 더 낮은 추가 수요를 만들어낸다. 
    • 애드 스탁 모델은 강도 변수이 비선형 변환을 통해 이와 같은 포화 효과를 설명할 수 있다. 
    • 애드 스탁 모델은 실제로 발생하는 추가 효과들(수요의 계절성 등)을 고려할 수 있게 수정될 수 있다.

 

3.7.2 목적에 따른 할당

• 프로그램 기반 시스템은 타깃팅 최적화를 위해 LTV의 성장과 고객 유치(최대화) 및 유지를 입력 목표로 사용할 수 있다.
• ROI는 응답 모델링 프레임워크에 따라 LTV 업리프트 또는 순이익 업리프트를 사용해 추정될 수 있다. 
• 시스템은 전체적 ROI를 최대화하기 위해 각 목적 간에 어떻게 예산을 할당하는지에 대해 어느 정도 안내는 해 줄 수 있다. 

 

3.8 온라인 광고

• 이전 절에서 다른 프로모션 타깃팅 원리에서는 CPG와 전통적인 소매업체의 환경을 주로 다뤘다. 이 원리는 가능한 데이터와 비즈니스 목표의 정의에 달려 있다. 
• 여기서는 알고리즘 마케팅의 가장 중요하고 잘 개발된 응용인 온라인 광고를 다룬다. 온라인 광고에서는 기술적 인프라와 데이터 흐름이 매우 복잡하므로 비즈니스 목표는 기술적 능력과 한계에 대한 정확한 분석 없이는 이해되거나 성취될 수 없다. 

 

3.8.1 환경

• 온라인 광고 환경은 아래의 중요한 개체들 간의 관계로 구성되어 있다.
  • 브랜드 마케터: 제품이나 서비스를 판매한다. 
  • 광고주 또는 에이전시: 브랜드를 대신해 광고 캠페인을 운영한다. 
  • 광고주는 여러 채널을 통해서 브랜드의 현재 고객 또는 잠재 고객인 인터넷 사용자들과 접촉할 수 있다. 
  • 각 채널은 웹 사이트와 같은 복수의 퍼블리셔에 의해 대표된다. 퍼블리셔는 광고를 내보낼 수 있는 슬랏인 광고 인벤토리를 판매한다. 
  • 퍼블리셔들과 광고주들은 광고 거래소에 의해 연결된다. 이 거래소는 실시간 입찰 프로세스를 갖고 있다. 
  • 사용자는 채널을 통해 보이는 광고를 보는 사람이다. 사용자는 복수의 채널 및 퍼블리셔와 접촉하면서 광고에 노출되는데 이를 임프레션이라고 한다. 사용자는 사이트에서의 구매와 같은 브랜드가 원하는 결과를 생산해 컨버전되거나 컨버전되지 않는다. 
  • 임프레션과 컨버젼은 애트리뷰션 시스템에 의해 측정된다.
    • 애트리뷰션 시스템은 사용자의 아이덴티티를 채널과 퍼블리셔에 걸쳐 추적하고 어떤 사용자가 어떤 시간에 어떤 광고주로부터 어떤 임프레션에 노출됐는지를 기록하는 추상적인 개체이다. 
    • 애트리뷰션 시스템의 목적은 광고 캠페인의 효율성을 측정하고 각 채널, 광고주, 사용자 세그먼트의 공헌에 관한 통찰을 제공하는 것이다. 

 

3.8.2 목표와 애트리뷰션

• 브랜드의 비즈니스 목표는 프로모션과 마찬가지로 특정 고객과의 관계를 한 수준에서 다른 수준으로 이동시키는 것이다. 
  • 브랜드 인지: 잠재 고객에게 브랜드를 각인시키고, 특정 제품 카테고리와 관련시키는 일
  • 신규 고객 유치: 그 전에 브랜드와 접촉이 없던 잠재 고객을 유인해 구매로 연결되도록 하는 것
  • 리타깃팅: 리마케팅이라고도 하며 이미 브랜드와 접촉해 브랜드와의 관계를 발전시킬 가능성이 있는 잠재 고객에 집중한다.  
• 브랜드의 관점에서 캠페인의 전반적인 효율은 신규 고객당 비용(Cost Per Acquisition, CPA)에 의해 측정된다. 
• 애트리뷰션의 가장 기본적인 접근은 컨버전 직전에 일어나는 마지막 임프레션에 모든 크레딧을 주는 최종 접촉 애트리뷰선(Last Touch Attribution, LT)이다. LT 모델에서의 광고주의 목표는 임프레션 직후에 컨버전할 것 같은 고객을 인지하는 것이다. 
• CPA-LT 모델은 타깃팅 프로세스 최적화에 사용하는 매우 정형화된 문제를 정의한다. 매우 단순화되어 있고, 아래와 같은 몇 가지 문제와 한계가 있다. 
  • 비즈니스 목적과 명시적인 관계가 없다. 모델은 고객 유치, 브랜드 인지, 리타깃팅 목표를 구별하지 않는다. CPA-LT 원리는 구매할 확률이 높은 소비자를 대상으로 하기 때문에 브랜드 인지나 고객 유치보다는 리타깃팅 쪽에 치우쳐 있다. 
  • 이 모델은 업리프트보다 응답을 최적화 한다. 아무 임프레션 없이도 컨버전될 고객을 타깃팅하는 방법은 ROI 측면에서 좋은 방법이 아니다. 
  • 최종 접촉 애트리뷰선은 광고주로 하여금 속임수를 쓰고 상대방의 노력에 편승하도록 장려할 수 있다. (저품질 인벤토리를 많이 사서 가능한 많은 사용자에게 노출되도록 하는, 소위 융단 폭격 등)

 

3.8.3 CPA-LT 모델 타깃팅

• CPA-LT 모델에서의 타깃팅이 기본적인 목표는 광고 노출 진후에 컨버전할 것 같은 고객을 인지하는 것이다.
• 프로모션 타깃팅과 마찬가지로 닮은꼴 모델링을 사용하지만 과거의 구매 기록에 기반을 둔 자연스러운 구매자를 고르는 대신, 광고에 대한 사용자의 반응에 대한 정보를 사용한다. 
• 특히, 현재 진행 중인 광고의 성과를 반영해 관찰된 결과에 따라 타깃팅 방법을 동적으로 수정하는, 스스로 튜닝하는 타깃팅 기법을 사용한다. 
• 광고주는 다음과 같은 소비자 프로파일에 대한 데이터를 갖고 있다고 가정한다. 
  • 방문 URL: 사용자의 브라우징 기록을 추적할 수 있게 해주는 토메인과 특정 페이지의 주소
  • 사용자 특성: 디바이스와 애플리케이션, 지리적 위치, 페이지 사용 시간 등
  • 비드와 임프레션: 특정 사용자에 대한 비드와 사용자에게 노출된 내용
  • 광고 클릭: 사용자가 광고와 접촉했는지 여부
  • 추가 브랜드 데이터: 브랜드 웹 사이트에서 사용자가 어떤 제품을 봤는지 등

타깃팅을 위한 바람직한 샘플링 (색칠된 원은 긍정적, 부정적 샘플에 대응함)

 

3.8.3.1 브랜드 근접성

• 이 단계의 목표는 사용자에 대한 비 조건적 브랜드 근접성을 계산하기 위해 광고 효과에 상관없이 컨버전 확률을 추정하는 것이다. 
• 캠페인 이전에 브랜드 사이트 방문자의 과거 데이터가 있다면 광고주는 컨버전된 유저를 긍정적 사례로, 컨버전되지 않은 유저를 부정적 사례로 해서 모델을 만들 수 있다. 
• 이 단계는 방문 URL을 특징으로 간주하고 컨버전을 비조건적 브랜드 근접성에 대한 레이블로 사용한 닮은꼴 모델이 된다. 
• 광고주는 브랜드 근접성에 대한 다른 정의를 사용할 수 있다. 
  • URL들은 클러스터로 묶일 수 있다. 이는 문제의 차원 수를 감소시킴으로써 컨버전 이벤트의 수가 상대적으로 적은 경우에 도움이 된다. 클러스터링에 필요한 URL 사이의 거리는 인벤토리 품질 점수에 기반을 두고 계산될 수 있다. 
  • 컨버전은 브랜드 사이트 방문, 임프레션 후 구매, 또는 모든 구매 등으로 다양하게 정의할 수 있다. 
• 브랜드 근접성 모델은 실제로 광고 응답에 대한 데이터가 없는 캠페인 초기에 사용자를 스코어링하기 위해 사용할 수 있다. 
• 다음 단계는 새로운 데이터가 사용할 수 있게 될 경우 이를 포함해 스코어를 조정하는 것이다. 

 

3.8.3.2 광고 응답 모델링

• 응답 모델링 단계의 목적은 광고에 대한 조건적 컨버전 확률을 추정하는 것이다.
• 광고주는 캠페인이 시작할 때 사용자를 타깃하기 위해 근접성 모델을 사용하지만 샘플을 얻기 위해 광고가 작은 수의 랜덤 유저에게 노출된다. 
• 이전 단계의 결과를 다차원 URL 대신 특징으로 사용함으로써 학습 프로세스가 좀 더 효율적이 된다.  

 

3.8.3.3 인벤토리 품질과 입찰

• 마지막 단계는 모델에 의해 생성된 스코어에 포함되지 않는 추가 정보를 포함하는 것과 광고 거래소에 제출할 입찰 가격을 결정하는 것이다. 
• 지금까지 다룬 타깃팅 프로세스는 사용자 프로파일과 광고를 고려했지만 인벤토리 품질에 대한 고려도 중요하다. 
  • 인벤토리는 사용자의 구매 의도와 사용자에 대한 광고의 적합성에 관한 정보를 보유하고 있다. 예를 들어 호텔 광고는 뉴스 사이트보다 여행 사이트에서 보다 높은 컨버젼 비율을 갖는다. 
  • 광고의 인식은 컨텍스트에 의존한다. 예를 들어 복잡한 기술적인 내용을 읽는 사용자는 엔터테인먼트 사이트 방문자보다는 광고에 주의를 덜 기울일 것이고 어떤 광고의 슬랏은 위치가 좋지 않아서 사용자가 스크롤해야 볼 수 있기도 하다. 

 

3.8.4 다접촉 애트리뷰선

• 최종 접촉 애트리뷰선의 맹점은 마지막 임프레션 이전의 노력은 무시된다는 것이다. 퍼널에서 광고주의 위치에 따라 크레딧을 분배하는 보다 정교한 애트리뷰선 방법을 사용하면 이 문제를 해결할 수 있다. 
• 통과된 채널들에 기반을 두고 컨버전을 예측하는 회귀 모델을 만든 후 회귀 계수의 크기를 비교하는 방법도 있다.  

 

3.9 효율성 측정

• 마케팅 캠페인의 효율성은 각 고객은 개별적 특징을 갖고 있고 시간에 따라 변하며 브랜드 및 마케팅 미디어와 각기 다른 방법으로 접촉하므로 마케팅 효율성의 증가나 감소를 어떻게 분석할 것인지가 항상 논란의 여지가 되고 있다. 그러므로 마케팅 효율성은 측정하기가 매우 어렵다. 
• 마케터들이 마케팅 행동의 효율성을 정확히 증명하기는 어렵지만 행동과 결과가 정확하게 분리되어 있는 방법으로 실험하거나 데이터를 분석할 경우에 인과 관계가 외부 요인에 좌우되지 않게 된다. 이런 방법은 행동과 결과 사이에 통계적으로 유의미한 인과 관계의 증명으로 사용될 수 있다. 

 

3.9.1 랜덤화 된 실험

• 잠재 고객들로 하여금 컨버전하게 하기 위한 프로모션이나 광고를 분배하는 기본적인 마케팅 캠페인을 생각해 보자. 
• 궁극적인 목적은 트리트먼트와 컨버전 사이의 인과 관계를 예측하는 것이다.  

 

3.9.1.1 컨버전 비율

• 가장 기본적인 질문 중 하나는 컨버전 비율이라고도 하는 간단한 지표를 어떻게 측정하는 지에 대한 것이다.
• 보통 컨버전 수를 트리트먼트를 받은 사람 수로 나눈다.  

 

3.9.1.2 업리프트

• 컨버전 지표 자체는 타깃팅 알고리즘이나 마케팅 캠페인의 효율성을 측정하는 데 중요한 지표는 아니다.  
• 캠페인의 효율성은 테스트와 컨트롤 그룹의 컨버젼 비율의 차이인 업리프트로 측정된다. 
• 컨트롤 그룹의 컨버전 비율은 보통 베이스라인이 되고, 업리프트는 베이스라인 비율과 비교한 테스트 그룹의 컨버젼 비율로 추정된다. 
• 매출 업리프트를 특정하려면 컨버전 비율과 각각의 컨버전을 반드시 측정할 필요가 없다. 특정 기간 동안 테스트와 컨트롤 그룹의 전체 매출을 구한 후 이 두 값으로부터 업리프트를 비율로 계산하면 되는 것이다. 이는 컨버전 정보가 알려져 있지 않을 때 업리프트를 계산하는 유일한 방법이다. 

랜덤 실험에서의 샘플링

 

3.9.2 관찰 연구

• 랜덤 실험은 캠페인에 따른 컨버전 업리프트를 측정하기 위해 온라인 광고 환경에서 사용할 수 있다. 하지만 랜덤 방법론은 테스트와 컨트롤 그룹 사이의 체계적 편향을 없애기 위해 컨트롤 그룹 선정에 세심한 주의를 기울여야 한다. 
• 무편향 랜덤화를 위한 일반적인 방법은 광고 배송 파이프라인의 마지막 단계까지 컨트롤 그룹을 선정하지 않고 놓아둔 후, 타깃팅과 입찰 단계 이후에 사용자를 샘플링하는 것이다. 
  • 테스트 그룹 유저는 광고에 노출되고 컨트롤 그룹 유저는 공공 서비스 광고와 같은 무의미한 광고에 노출되므로 두 그룹 사이의 업리프트는 광고 효과의 측정이 된다.  
  • 문제는 컨트롤 그룹 임프레션이 공짜가 아니라 진짜 임프레션처럼 구매해야 하므로 비용이 발생한다는 문제가 있다.
• '컨트롤 그룹 선정이 입찰 단계 이전으로 이동할 수 있느냐?'
  • 트리트먼트의 인과 관계는 랜덤 실험에 의해 테스트 그룹 내에서 트리트먼트를 받은 사람과 컨트롤 그룹을 비교함으로써 측정될 수 있다. 
  • 실험 대상자는 테스트 그룹과 컨트롤 그룹에 랜덤 하게 할당되지만 테스트 그룹 내의 어떤 사람들은 적합성 이슈 때문에 트리트먼트에 노출되지 않는다. 
  • 랜덤화 이후에 적합과 비적합 그룹으로 나누는 것은 컨트롤 그룹 선정 이후에 입찰 프로세스에서 승/패 그룹으로 나눠지는 것과 비슷하므로 비적합성과 관련된 임상 시험에 대한 연구를 응용할 수 있다. 

 

3.9.2.1 모델 설명

• 캠페인 효율성 측면에서 사용자의 두 가지 특징에 관심이 있다. 
  • 광고 기법의 컴플라이언스(입찰에서 이길 수 있는 능력이 있는지의 여부)
    1. 사용자는 광고를 보지 못함
    2. 사용자는 입찰을 할 때만 광고를 볼 수 있음
    3. 사용자는 입찰을 하지 않을 때만 광고를 볼 수 있음
    4. 사용자는 항상 광고를 볼 수 있음
  • 광고에 대한 응답(컨버젼 되었는지의 여부)
    1. 사용자는 구매하지 않는다.
    2. 사용자는 광고에 노출될 때에만 구매한다. 
    3. 사용자는 광고에 노출되지 않을 때에만 구매한다. 
    4. 사용자는 언제나 구매한다. 

 

3.9.2.2 시뮬레이션

• 첫 번째 확률에 대해 사용자들이 서로 독립이라고 가정하여 사용자 상태의 사후 확률을 정의한다. 
• 두 번째 파트는 조건 분포를 정의하는 것이다.
• 마지막 단계는 사전 분포를 정하는 것이다.  

 

3.10 타깃팅 시스템의 구조

• 이 절에서는 타깃된 광고나 프로모션을 만들기 위해 사용하는 주요 논리 블록들을 포함하는 정규 아키텍처를 다룬다. 
• 이 아키텍처는 시스템이 요청-응답 모드로 운영된다고 가정한다. 즉, 고객 ID나 채널 ID와 같은 맥락 정보를 포함한 리얼타임 요청을 받고 이 맥락에 대한 하나 이상의 오퍼를 생성한다. 이런 애플리케이션과 디자인은 가장 흔하고 중요하다. 이런 방법은 배치 이메일 생성과 같은 다른 애플리케이션에도 응용할 수 있다. 

타깃팅 시스템의 개관적 아키텍처

 

3.10.1 타깃팅 서버

• 타깃팅 서버는 요청의 처리에 관한 대부분의 로직을 캡슐화하고 광고나 프로모션으로 응답한다. 
• 이는 다음의 단계를 갖고 있는 파이프라인으로 생각할 수 있다. 
  • 조건: 이전에 다룬 타깃팅 프로세스에 따르면 첫 번째 단계 중 하나는 모든 후보 광고나 프로모션에 명백한 제한을 검증하는 것이다. (e.g. 현재 바스켓에 특정 제품이 있을 것, 특정 지역일 것 등)
  • A/B 테스팅:
    1. 타깃팅 서버는 다른 광고 방법을 다른 사용자에게 할당하고 각 방법의 성능 지표를 다로 리포트함으로써 최적의 전략을 나중에 선택할 수 있게 해준다. A/B 테스팅은 다른 스코어링 방법, 다른 텍스트 메시지, 다른 이미지 등과 같은 타깃팅 프로세스와 고객 경험의 다른 측면에 적용할 수 있다.
    2. 전략 선택은 보통 고객에 대해서는 일관적이다. 즉 특정 전략이 선택되면 이것은 고객 프로파일에 저장되고, 이 고객에 대한 모든 요청에 똑같이 적용된다. 이는 일관된 사용자 경험을 제공하고 다른 전략에는 연결되지 않는 고객 세그먼트를 만들게 해준다. 
    3. 하나 이상의 전략을 컨트롤 그룹과 비교하는 것은 일반적인 방법이다. 컨트롤 그룹은 베이스라인 전략이나 무전략 상태의 과거 또는 디폴트로 정의된 경험을 하게 되는 고객 그룹을 의미한다. 새로운 경험 전략의 성능은 베이스라인과 비교한 업리프트로 측정된다. 
  • 스코어링:
    1. 타깃팅 서버는 고객의 과거 프로파일을 포함한 맥락에 대해 인센티브와 관련된 성향 모델을 평가함으로써 이전 단계에서 통과된 인센티브의 점수를 매긴다.
    2. 성향 모델은 모든 인센티브에 대해 보델의 수동 연결을 피하기 위해 메타데이터 또는 비즈니스 규칙에 기반을 둔 인센티브에 동적으로 선택될 수 있다. 
  • 예산 규칙: 최종 응답은 특정 고객, 채널, 캠페인에 대해 노출 횟수를 제한하는 예산 규칙과 다른 제약 사항을 적용한 유효하고 점수화된 후보 인센티브 리스트에 기반을 두고 생성한다. 

 

3.10.2 데이터 운영 플랫폼 

• 데이터 운영 플랫폼(Data Management Platform, DMP)은 고객 프로파일과 캠페인 환경 설정을 포함한 타깃팅에 필요한 다른 데이터를 포함하는 운영 데이터베이스이다. 
• 다음 항목들은 데이터 운영 플랫폼의 주요 요소들로 고려될 수 있다. 
  • 프로파일 저장소: 각각의 고객에 대한 과거 데이터를 저장한다. 이는 주문이나 웹 사이트 방문과 같은 원 데이터 또는 평가나 성향 모델을 저장한다. 이 모델은 다음에 설명할 분석 플랫폼에 의해 생성되고 업데이터 된다. 
  • 모델 저장소: 스코어링을 위해 타깃팅 서버가 사용하는 성향 모델을 저장한다. 이 모델은 다음에 설명할 분석 플랫폼에 의해 생성되고 업데이트 된다. 
  • 캠페인 저장소: 이미지, 조건, 예산 한계 등을 포함한 캠페인에 관한 세부 사항들을 저장한다. 

 

3.10.3 분석 플랫폼

• 분석 플랫폼은 고객 프로파일 데이터뿐만 아니라 모델링, 데이터 준비, 리포팅에 필요한 혼합 데이터(제품 카탈로그 정보, 매출 데이터, 스토어 데이터 등)까지 수집하고 통합하고 저장한다.  
• 데이터 준비 단계의 주요 결과물 중 하나는 예측 모델의 훈련과 평가에 사용하는 프로파일의 특징이다. 
• 분석 플랫폼의 주요 목적 중 하나는 타깃팅 서버와 외부 데이터 소스로부터 수집되는 데이터에 대해 머신 러닝 알고리즘을 적용해 성향 모델을 생성하는 것이다. 분석 플랫폼은 수동 모델 생성과 자동 모델 업데이트 양쪽을 모두 지원한다. 분석 플랫폼은 캠페인 성과를 측정하고 리포팅과 탐사적 데이터 분석에 필요한 기능을 제공하기도 한다. 
• 마지막으로 분석 플랫폼은 플래너를 포함할 수 있다. 이는 프로모션과 광고 캠페인을 디자인하고 최적화하는 프로그램 기반 마케팅 시스템의 중요 요소다. 플래너는 입력된 목적 및 예산 한계와 같은 추가 고려 사항에 기반을 두고 과거 데이터 및 통계, 비즈니스 규칙, 베스트 프랙티스, 휴리스틱 등을 최적 전략(인센티브의 기간과 종류, 채널, 성향 모델 등)으로 결정하기 위해 사용한다. 그리고 과거 데이터를 사용해 캠페인의 성과를 예측할 수도 있다. 
• 플래너는 다음과 같은 기능 블록을 가질 수 있다. 
  • 투자 플래너: 과거 데이터로부터 얻은 시장 기회에 대한 개괄적 정보를 제공한다. 이는 사용자가 알맞은 비즈니스 목적을 수립하고 다른 전략적 방향과 캠페인에 관련된 예산을 분배할 수 있게 도와준다. 이는 전체 최적화 도구로 간주된다. 
  • 캠페인 플래너 캠페인 플래너는 투자 플래너에 의해 제안된 프로모션 및 광고 캠페인을 최적화한다. 이는 최적 캠페인 기간, 캠페인 비용 소비 비율 등을 산정한다. 

 

3.11 요약

• 프로모션과 광고 서비스는 타깃팅의 문제, 즉 소비자와 오퍼링 사이의 최적의 매치를 찾는 데 집중한다. 이는 특정 소비자에 대한 최적의 오퍼링을 찾을 수도 있고, 특정 오퍼링에 관한 최적의 소비자를 찾을 수도 있다. 
• 프로모션과 광고 서비스는 매출 최적화를 추구하지만, 고객 경험 최적화도 중요하다. 
• 비즈니스 목표는 캠페인 비용과 이익으로 모델링 된다. 단기적인 목표는 캠페인 이익률을 포함하고 전략적인 목표는 고객 생애 주기로 표현될 수 있다. 중요한 전략적인 목표는 신규 고객 유치, 기존 고객으로부터의 수입의 최대화, 이탈 예상 고객의 유지이다. 
• 타깃팅 시스템은 여러 목적에 걸친 자원 할당부터 시작해 비즈니스 목적에 맞는 캠페인 템플릿의 선택, 타깃팅 모델 연결, 캠페인 실행에 걸친 파이프라인으로 디자인될 수 있다. 
• 응답 모델링 프레임워크는 캠페인 비용, 매출, 고객의 통계적 성질들을 짜 맞춰 활용한다. 응답 모델링의 원리는 추가 이익인 업리프트를 최대화하는 것이다. 업리프트는 컨트롤 그룹과 테스트 그룹을 이용해 측정된다. 
• 타깃팅 시스템에 이용되는 주된 기반 요소는 성향 모델, 사건까지의 시간 모델, LTV 모델이다. 타깃팅 모델의 가장 기본적인 예는 충성도 계급과 RFM 분석이다. 이런 접근은 재무적 결과에 치중하고 고객 행동의 원인을 깊이 분석하지는 않는다. 
• 성향 모델링의 목표는 새 제품을 구해하는 것과 같은 특정 행동을 할 확률이 높은 소비자를 찾아내는 것이다. 닮은꼴 모델링은 성향 모델링의 가장 중요한 방법 중 하나다. 
• 사건의 확률보다 사건까지의 시간을 측정하는 것이 편리할 때가 많다. 이는 생존 분석을 통해 가능한다. 생존 모델은 회귀 모델과 마찬가지로 사건까지의 시간을 고객의 특징이나 할인 폭과 같은 독립 변수의 함수로 표현할 수 있다. 
• LTV 모델은 특정 고객에 대해 그들의 관계가 유지되는 기간 동안의 전체 예상 소비 금액을 추정한다. LTV 모델은 서술적 또는 예측적으로 접근할 수 있다. 
• 마케팅 캠페인 템플릿은 타깃팅 조건, 스코어링 모델, 예산과 노출 최대한도 규칙을 포함할 수 있다. 캠페인은 보통 고객 생애 주기의 특정 지점들과 관련돼 있고 이것에 영향을 미치는 것이 목적이다. 캠페인 템플릿의 예로는 제품 프로모션 캠페인, 다단계 캠페인, 고객 유지 및 보충 캠페인을 들 수 있다. 
• 타깃팅은 고객에 대한 자원 할당으로 볼 수 있지만 자원은 채널, 목적, 지역 또는 다른 조건에 따라 할당될 수 있다. 
• 프로모션 타깃팅의 많은 기법과 원리는 온라인 광고와 같은 다른 영역에도 적용할 수 있지만 각 영역은 나름대로의 비즈니스 목적 및 구현과 관련된 어려움이 존재한다. 온라인 광고의 목적은 종종 경쟁 관계인 광고주 사이의 액션당 비용과 애트리뷰션으로 정의된다. 
• 온라인 광고는 많은 수의 타깃팅 기법을 활용한다. 그중 대부분은 닮은꼴 모델, 브랜드 근접도 응답 확률, 인벤토리 품질 등에 기반을 두고 있다. 
• 프로모션과 광고의 효율성은 보통 테스트와 컨트롤 그룹을 이용한 랜덤 테스팅에 의해 측정된다. 온라인 광고를 포함한 일부 환경에서는 컨트롤 그룹이 추가 비용 도는 이익의 감소와 관련돼 있으므로 효율성은 관찰 연구의 고급 기법을 활용해 측정돼야 한다. 

 

★ 참고자료: 고객 데이터 플랫폼(CDP) 정의와 CRM, DMP와의 차이점