광고 효과 분석과 리프트

한 판매업자가 온라인 광고를 시작했다. 광고업자는 100명에게 광고를 노출시켰고 100명 모두 물건을 구매했다는 놀라운 소식을 전해주었다. 두근거리는 마음으로 장부를 열어본 판매업자는 실망을 금치 못했다. 이전에 비해 매출이 전혀 늘어나지 않았던 것이다. 무슨 일이 벌어진 걸까?

광고 시스템은 사용자의 과거 행동이나 취향을 분석해서 가장 클릭할 만한, 구매할 만한 광고를 찾아서 보여준다. 그러다 보면, 광고를 보지 않았어도 어차피 구매했을 사용자에게까지 광고를 보여주는 일이 생긴다. 이런 경우가 극단적으로 발생한 게 위의 사례다. (물론 이 사례는 꾸며낸 이야기다.)

  • 100명에게 광고를 노출했는데, 사실 그들은 광고를 안 봤어도 물건을 샀을 사람들이므로 광고의 반응률(= 구매한 사용자수 / 광고 노출 사용자)은 100%로 완벽하게 적중했다.
  • 하지만 광고주 입장에서는 광고를 하나 안 하나 매출이 동일하다. (현실에서 둘을 비교할 수 있다면 말이지만.)

광고 성과를 평가하는 지표로 많이 쓰는 전환율이나 ROAS(Return On Ad Spent) 등은 구조적으로 이런 한계를 피할 수 없다.

어디에서 꼬인 것일까?

요금은 그 서비스의 효용 만큼 매겨져야 하는데, 이 경우는 광고가 아무런 가치를 만들어내지 못했음에도 불구하고 발생한 구매 행위에 얻어탄 것이다. 즉, 무임승차. 광고 현업이나 연구자들이 이런 점을 모를 리 없다. 해결 방안으로, 한 논문은 광고 노출을 통해서 얼마나 전환 확률이 상승(Lift)하는지에 기반해 가치를 측정하고 입찰하는 방식을 제안했다.

정확히 측정할 수만 있다면 무척 합리적인 방식이다. 위 사례의 경우, 광고 노출이 실제로 매출에 기여한 바가 없으므로 광고주는 비용이 들지 않고(과금할 수 없고), 따라서 광고업자는 리프트가 높은 다른 광고를 노출함으로써 보다 실질적인 가치를 창출할 유인이 생긴다. 문제는 그 리프트를 어떻게 구하냐는 것인데, 논문에서 나름의 방법을 제안하고 있다.

만약 한 광고 캠페인이 동시에 여러 채널에서 집행되었다면, 구매 전환이 발생했을 때 각 채널은 기여도에 따라 광고비를 나누어 갖는 것이 공정할 것이다. 돈을 받아야 하는 쪽은 기여 모델(Attribution Model)에 관심이 많을 수밖에 없고, 어떻게 설정하는지에 따라 광고 랭킹도 영향을 받는다. 기여를 계산하는 방식은 여러 가지가 있고, 여러 통계적인 요소를 반영하는 데이터 기반 모델도 있지만, 현실에서는 아무래도 단순하고 설명하기 쉬운 방식을 쓰는 경우가 많다. 가령 페이스북 광고의 기여 모델 기본값은 1일 내 노출 또는 28일 이내 클릭이다.

돈을 써서 광고를 집행하는 쪽도 채널의 기여도에 관심이 많다. 기여도를 다르게 말하면 그 채널의 광고 효과이기 때문이다. 이때에도 해당 접점과 전환 사이의 단순 확률이 아니라 리프트를 구할 수 있다면 보다 정확하고 실질적인 광고 효과를 측정할 수 있을 것이다.

하지만…

말이 쉽지 실제로 리프트를 측정하는 것은 단순한 문제가 아니다. 설사 구했다 하더라도 얼마나 정확하고 믿을 만한지 평가하기도 어렵다. 그래서 중요한 것은, 광고 효과를 분석할 때 널리 쓰이고 쉽게 계산할 수 있는 지표만을 맹신하지 않고, 다양한 편향과 가능성을 염두에 두고 의심해보는 자세이다.

blog built using the cayman-theme by Jason Long. LICENSE