데이터로 보는 성과, 데이터로 올리는 성과 – 어트리뷰션 톺아보기

By Nayeon Youn

1. 성과 원인을 찾는 습관, 어트리뷰션

어트리뷰션(attribution)은 어떤 결과의 원인을 찾아 성공 원인은 강화하고 실패 원인은 제거하여 성과를 극대화하는 방법론입니다. 어트리뷰션이라는 개념은 교육학, 사회심리학, 인간행동학 등 여러가지 분야에 적용됩니다.

특히 활발히 적용되는 분야가 바로 ‘마케팅’입니다. 마케팅의 범위는 넓지만 단순히 정의하면 ‘광고’라고 할 수 있습니다. 그런데 광고의 성공 여부는 어떻게 알 수 있을까요? 그리고 광고비는 어디에 얼마쯤 쓰는게 가장 효과적일까요?

이런 물음에서 ‘어트리뷰션’ 기술이 출발합니다.

마케팅, 특히 모바일 앱 마케팅에서 ‘어트리뷰션’은 마케팅 성과를 측정하고 그 성과에 기여한 광고가 무엇인지 추적하는 기술입니다. 그래서 어떤 광고가 얼마나 성과에 기여했는지 분석합니다. 이 분석표를 보고 효과가 좋은 광고에는 더 많이 투자하고 효과가 없거나 성과를 저해하는 광고는 중단하여 예산을 효율적으로 사용합니다. 요컨대, 어트리뷰션은 광고 성과 분석 작업이라고 볼 수도 있습니다.

찌개를 끓일 때 간을 보면서 각종 양념과 물의 황금 비율을 찾아가듯, 어트리뷰션 툴로 성과를 모니터링해가며 성과 요인들을 분석하고 광고 조합을 조절하면서 성공에 최적화된 환경을 구성할 수 있습니다.

2. 어트리뷰션 원리

어트리뷰션, 즉, 성과의 원인을 찾아가는 과정은 ‘모델링’으로 가능합니다. ‘모델링’이란 기계가 학습을 통해 판단력을 만들어가는 과정입니다. 사람이 경험과 학습을 통해 판단력을 키우듯이, 기계는 무수히 많은 데이터를 경험하거나 로직을 학습하여 판단력을 발전시킵니다.

어트리뷰션 모델링에는 여러가지가 있지만 크게 두 가지를 짚어보겠습니다. 확정적 모델링과 확률적 모델링입니다.

확정적 모델링은 결정적 단서(예: 모바일 기기 ID – 모바일 기기의 주민등록번호 같은 고유 식별자)로 특정 광고의 기여를 찾아 인정하는 방식이고, 확률적 모델링은 기존에 쌓인 데이터와 정교한 로직에 기반해 확률에 근거하여 광고의 기여도를 판단하는 방식입니다.

확정적 모델링은 정확도가 높으나 앱 사용자의 개인정보가 필요하고, 확률적 모델링은 앱 사용자가 익명처리되어 집계되는 집약형 데이터에 기반해 프라이버시 걱정 없이 성과 분석을 할 수 있습니다. 그런데 확률적 모델링의 정확도를 높이기 위한 충분한 데이터와 고도의 데이터 처리 기술이 필요합니다.

예를 들어, 지난 30일간 오후 10시~11시 사이 명상 앱 A를 사용하는 사람의 80%가 30대 여성이라는 정보가 집약형 데이터이며 확률적 모델링에 사용되는 데이터이고, 김보통(37세, 여) 씨가 오늘 오후 10시11분에 명상 앱 A에 접속했다는 정보는 개인정보입니다. 기업의 목표는 특정 개인 한 명에게만 서비스를 제공하는 것이 아니라 특정 집단에게 맞춤형 서비스를 제공하는 것이기 때문에, 김보통 씨의 개인 행적이 아니라 김보통 씨와 비슷한 사람들의 행동 패턴에 대한 정보가 필요합니다.

마케팅 기술은 개인정보에 대한 인식이 높아지면서 확률적 모델링을 발전시키는 경향으로 나아가고 있습니다. (예: 개인정보 수집을 최소화하고 확률적 모델링에 기반한 유입 유저 가치 예측 솔루션, Predict)

고객 정보를 안전히 보호하면서 데이터를 대량 수집하고, 유용한 정보를 추출하는 어트리뷰션 프로세스를 자체적으로 개발하려면 수준 높은 데이터 기술과 막대한 리소스가 필요합니다. 이러한 서비스를 제공하는 어트리뷰션 플랫폼이 있습니다. 모바일 마케팅 업계에서는 Mobile Measurement Partner(모바일 측정 파트너), 줄여서 MMP라고 불립니다. 그럼, 이제 어트리뷰션 플랫폼 선정 기준을 살펴볼까요?

3. 어트리뷰션 플랫폼의 기준

정확성과 공정성

성과의 공을 누구에게 돌리는지 판단하는 어트리뷰션은 편향되지 않고 공정히 이루어져야 합니다. 예를 들어 광고 회사에 광고 성과 요인 분석 작업을 맡기면, 고양이에게 생선을 맡기는 꼴이겠죠? 팔이 안으로 굽듯이, 자사의 광고 기여도가 다른 광고 회사의 기여도보다 높다는 식으로 측정할 확률이 높습니다.

그래서 어디에도 이해관계가 얽혀있지 않고 오직 측정만 전문으로 하는 측정 전문가에게 어트리뷰션을 맡겨야 합니다. 어트리뷰션 전문가는 광고 매체들이 성과를 겨루는 경기에서 심판 역할을 합니다. 심판은 공정해야 합니다. 선수가 심판을 할 수는 없지요. 자기 편에 유리한 판정을 할테니까요.

개인정보보호

데이터 홍수 시대에 개인정보가 민감한 이슈가 되고 있습니다. 시장도 개인정보를 보호하는 방향으로 변화하고 있습니다. 올해 4월, Apple은 앱 기업이 광고 성과 측정을 목적으로 모바일 사용자의 온라인 행적을 추적하려면 사용자의 동의를 반드시 받도록 하는 정책을 전면 실시했습니다. 이른바 ‘앱 추적 투명성(App Tracking Transparency, ATT)’이라는 장치입니다. 앱 기업은 모바일 사용자에게 그들의 앱 사용 활동을 추적하도록 허가해달라고 요청하는 팝업창을 의무적으로 띄워야 합니다.

ATT를 계기로 개인정보를 남용하지 않으면서 데이터 정확도를 높이는 기술이 본격적으로 발전하기 시작했습니다. 개인정보를 익명 처리하고 집약해 특정 집단의 행동 패턴을 분석하는 집약형(aggregated) 데이터 기술 시대가 도래했습니다. 이제 어트리뷰션 기술은 개인정보보호와 정확도, 두 마리 토끼를 다 잡는 방향으로 나아가야 합니다.

유연성과 확장성

이렇게 정확하고 안전한 데이터는 누구나 쉽게, 유용하게 사용할 수 있어야 합니다. 어떤 매체나 시스템과도 쉽게 연동하고 원하는 데이터를 원하는 방식으로 가공할 수 있는 플랫폼이 사용하기 좋은 플랫폼입니다.

예를 들어, 페이스북과 인스타그램, 네이버와 구글 등 78 곳의 매체에 운동 앱을 광고했는데, 78개의 어트리뷰션 데이터를 각각 뽑기보다는 한 플랫폼에서 모아 보고 매체별 성과를 비교하면 간편하겠죠? 여러 매체들과 넓고 깊게 연동되어 있는 어트리뷰션 플랫폼에서는 측정하고자 하는 매체들의 성과를 추가 개발 작업 없이 한 곳에 모아 볼 수 있습니다.

또, 매체사 뿐만 아니라 어트리뷰션 플랫폼을 시각화 툴이나 내부 시스템과 쉽게 동기화할 수 있는지, 필요한 데이터를 얻을 수 있거나 성과에 대한 유용한 인사이트를 제공하는지에 따라 활용도가 배가될 수 있습니다.