위브랩의 광고 이야기. 그 두번째~
페이스북 광고를 진행함에 빠지지 않는 부분이 타겟팅 입니다.정교한 타겟팅을 통해서 광고 효율을 극대화하기 위함이죠. 그리고 이 부분은 적어도 얼마 전까지는 중요한 이야기였습니다.
페이스북에서 광고 운영 효과를 높이기 위해서는 타겟을 세분화 하고, 관심사, 맞춤/유사 타겟의 세분화 등 우리가 원하는 타겟을 찾기 위한 많은 타겟 효율화 작업이 필요 했습니다. 이런 이유는 페이스북 광고 초기의 타겟 최적화가 그리 정교하지 못했기 때문입니다. 분석할 수 있는 데이터의 양이 부족했기 때문인데요. 이는 당시 국내 온라인 환경이 페이스북 광고에 적합한 환경이 아니었기 때문이기도 합니다.
요즘은 대부분의 전환 목적을 위한 광고들이 필수적으로 픽셀을 삽입하거나 페이스북 SDK를 대부분 활용하고 있습니다만 국내에 페이스북 광고 플랫폼이 처음 들어오던 시점에는 이러한 개념이 보편화되지는 않았습니다. 분석 데이터 양이 부족한 것은 미흡한 타겟 최적화로 나타났습니다.
결국 페이스북의 타겟 최적화에만 의존할 수 없는 상황에서 광고주는 직접 수동으로 타겟 설정을 조정해야만 했습니다. 이 작업이 너무나 소모적이고 생산적이지 못했기 때문에 광고주의 수동 개입 작업을 얼마나 편리하게 도와주느냐가 이 당시 광고 솔루션의 경쟁력이었습니다. 그리고 그렇게 2~3년여의 시간이 흘렀습니다.
시장 환경이 점차 바뀌고 분석 데이터가 쌓이기 시작하면서 페이스북은 타겟 최적화 알고리즘을 강화하게 되었습니다. 기술의 발전에 따라 여러가지 분석 기술이 플랫폼에 도입되면서 플랫폼 내 유저 분석은 광고주를 비롯한 외부 사람의 개입보다 페이스북이 점차 앞서게 되었습니다. 그리고 점점 더 페이스북이 설정하는 타겟으로 지정하는 것이 광고 효율이 높아지는 상황이 늘어나게 되었습니다.
하지만 초기 페이스북의 타겟 최적화 상황을 경험했던 대부분의 광고주들은 여전히 수동 개입을 통해 페이스북 광고 운영을 해야 한다고 생각하고 있습니다. 페이스북 광고 플랫폼은 계속 변화하고 있는데 그 변화의 흐름을 따라가지 못하고 있는 것이죠.
여기서 잠시 광고 매체, 특히 페이스북 입장에서 플랫폼이 어떻게 광고 최적화를 하는지 살펴볼까요?
아래와 같은 케이스로 광고 캠페인을 집행한다고 가정해 보겠습니다.
- 광고 A, B, C, D에 대해 각각 앱 설치 당 3,000원, 클릭 당 500원, 클릭 당 200원, 노출 당 0.1원으로 비딩 설정 (광고 B와 광고 C는 서로 다른 광고)
- 유저 1, 2, 3에게 4개 광고를 노출
표를 살펴보면 유저별로 광고를 접했을 때 그 광고에 반응하는 확률이 다른 것을 알 수 있습니다. 이는 유저 성향이나 관심사 등에 따라 광고에 대한 소비자 반응이 다르기 때문인데요. 이 확률값을 ‘반응 확률‘이라고 부르도록 하겠습니다. 각 유저의 반응 확률에 광고의 비딩 단가를 곱하게 되면 그 광고가 유저에게 노출될 때 매체가 얼마의 수익을 얻을 수 있는가를 계산할 수 있습니다. 이 결과를 여기서는 ‘기대수익‘이라고 부르겠습니다. 갑자기 수식이 나와서 어려워 보이지만 곱하기만 할 줄 알면 누구나 충분히 계산 가능한 수식입니다.
위에서 언급한 수식에 따라 각 유저별, 광고별로 매체의 기대수익을 계산해 보면 어떤 결과가 나올까요?
광고 A의 경우를 살펴보면 유저 1에게 광고노출을 했을 때 매체가 얻을 수 있는 기대수익은 비딩 단가 3,000원 X 반응 확률 0.15% = 4.5원이 됩니다. 수식에 맞춰 각각의 노출 상황에 대해 계산한 결과를 아래 표로 정리했습니다.
표를 보면 색깔이 다르게 표시된 기대 수익이 있는데요. 이 기대 수익은 각각의 노출 상황에서 매체가 제일 많은 수익을 얻을 수 있는 경우를 체크한 것입니다. 매체의 입장에서 바라본다면 유저 1에게는 광고 B를, 유저 2에게는 광고 C와 광고 D를, 유저 3에게는 광고 A를 노출하는 것이 최대의 기대 수익을 얻을 수 있겠죠? 위의 경우 매체는 총 76.1원의 기대 수익을 얻을 수 있습니다.
만약 유저별로 적합한 광고를 선별하여 보여주지 않고 불특정 다수에게 랜덤하게 노출한다면 어떻게 될까요?
유저에게 랜덤하게 각가의 광고가 노출된다고 하면 기대수익은 노출되는 유저의 수만큼 1/N 로 줄어들게 됩니다. 광고 A를 예로 든다면 기대수익의 총합은 55.53원이 되는데 광고를 노출하는 유저가 3명이므로 이들에게 랜덤하게 노출된다고 할 때 한명의 유저 기준으로 55.53원/3 = 18.51 원의 기대수익을 계산할 수 있습니다.
광고 A의 유저 분석을 통해 매체가 가져갈 수 있는 최대 수익인 51원에 비하면 매우 적은 기대수익이죠.
페이스북이 이렇게 기대 수익의 효율을 높일 수 있는 이유는 바로 반응 확률을 정교하게 파악하기 때문입니다.
이렇게 페이스북이 유저별 광고 반응 확률을 비교적 정확히 추정할 수 있는 이유는 무엇일까요?
1. 다양하고 방대한 데이터
페이스북은 플랫폼 자체적으로 수집하고 처리하는 데이터가 많습니다. 페이스북 플랫폼 안에서 처리하는 데이터 중 잘 알려진 것들은 다음과 같습니다.
- 페이스북 가입 시 입력한 프로필 정보
- 페이스북 안에서의 유저의 활동 : 클릭한 콘텐츠의 내용, 구독하고 있는 페이지 등
- 웹/앱에서의 유저의 활동 : 픽셀을 활용한 이벤트 추적, 페이스북 SDK를 통한 앱 광고 성과 추적 등
- 친구/주위 사람들과의 연관성을 통한 유저 데이터 분석
2. 정교한 예측 모델
페이스북에는 광고 반응에 대한 방대한 데이터가 있고 이런 데이터를 바탕으로 광고에 대한 반응확률을 정교하게 모델링하는 수많은 데이터들이 있습니다. 플랫폼 유저 수를 기반으로 예측 모델을 모델링하기 위한 충분한 데이터를 확보할 수 있기 때문에 가능한 내용인데요. 보유하고 있는 데이터 분석을 통해서 유저가 특정한 광고에 대해 어떤 반응을 보일지 보다 더 정확하고 정교하게 예측 모델을 만들 수 있게 됩니다.
3. 시스템 자원
하지만 위와 같이 다량의 데이터와 분석자료를 가지고 있어도 그것을 잘 활용할 수 있느냐는 또 다른 범주에 속합니다. 페이스북은 대용량의 복잡한 데이터 분석을 가능하게 하는 분산 시스템을 안정적으로 구축하고 있고 머신 러닝을 통한 데이터 분석을 통해 영향력 있는 데이터를 만들어 내고 있습니다. 이러한 기반 덕분에 페이스북은 유저에 대한 광고 반응 확률을 정확히 추정할 수 있게 됩니다.
여기까지 살펴보면 페이스북은 정말 완벽한 예측 모델을 가지고 있는 광고 플랫폼으로 생각되는데요.
과연 페이스북은 어느 단계까지 다다른 플랫폼일까요?
페이스북의 예측 모델에 대해 살펴보기 위해 두가지 가상의 케이스를 생각해 보겠습니다.
1. 매체의 예측 모델이 전혀 작동하지 않을 때
첫번째 살펴볼 케이스는 매체의 예측 모델이 전혀 작동하지 않는 경우입니다. 이 케이스에는 예측 모델을 광고에 제대로 활용하지 않는 경우도 포함되는데요. 국내 포털의 배너광고 같은 경우가 예측 모델을 광고에 제대로 활용하지 않는 사례 중 하나입니다.
이 케이스는 광고를 운영할 때 광고 타겟에 대한 분석을 광고에서 활용하지 않기 때문에 성별/연령/지역/관심사 등을 광고주가 분석하여 매체 운영에 활용해야만 광고 효율을 높일 수 있습니다. 그래서 이 케이스는 광고 운영 시 광고주의 적절한 개입이 반드시 필요하게 됩니다.
2. 매체의 예측 모델이 완벽하게 작동할 때
두번째 살펴볼 케이스는 매체의 예측 모델이 완벽하게 작동하는 경우입니다.
이 케이스에서는 광고주는 광고 타게팅과 관련하여 원칙적으로 아무것도 하지 않는 것이 최선입니다. 광고 매체를 직접 운영하는 플랫폼 사업자보다 내부 데이터 분석 및 유저 반응 확률을 더 정확하게 계산할 수는 없으니까요.
이때 광고주가 수동으로 운영 개입을 하게 되면 어떠한 상황이 발생하게 될까요?
광고주가 “우리 상품 구매자의 90%는 남성이니까 남성에게만 광고 노출”이라는 조건으로 광고를 운영하고, 매체는 “성별 구분 없이 구매 가능성 높은 그룹에 광고 노출”이라는 조건으로 광고를 운영하는 경우를 비교해 보죠. 상품의 총 기대수익을 100으로 잡았을 때 매체의 예측 모델이 완벽하게 작동한다고 하면 매체의 운영 방식은 광고주의 운영 방식보다 최대 10%의 기대 수익을 더 올릴 수 있습니다. 광고주는 상품 구매자 중 10%에 해당하는 여성 타겟을 노출 대상으로 선택하지 않았기 때문이죠. 광고주는 아무리 (사실상 불가능하지만) 완벽하게 광고 운영을 한다고 해도 총 기대수익의 90% 이상 수익은 올리지 못합니다.
물론 매체의 예측 모델이 완벽하게 작동한다고 해도 예외적으로 광고주가 타겟 조건을 지정해야 하는 경우들은 존재합니다.
- 19세 이상 이용 가능한 모바일 앱의 경우 18세 이하에 미노출
- 예산 제약 하에서 빠른 최적화가 필요한 경우 -> 이러한 경우는 알고리즘이 정확한 예측을 하기 위해 학습 데이터가 필요한데요. 학습 과정에서 어느 정도는 광고비가 낭비될 수 있습니다. 최적화 과정을 단축하기 위해 즉, 낭비되는 광고비를 줄이기 위해서 타겟 범위를 인위적으로 제한하는 과정이 필요할 수 있습니다.
현실에서는 첫번째 케이스와 두번째 케이스 중간 어디쯤……
그렇다면 과연 현실의 경우는 어떨까요?
2~3년 전 페이스북 광고는 첫번째 케이스에 가까웠습니다. 그 당시에는 국내 환경상황(픽셀을 거의 설치하지 않았고 모바일앱에 페이스북 SDK가 없어서 분석 데이터를 수집하기 어려웠던 시절)으로 인해 페이스북이 국내 유저에 대한 충분한 데이터를 갖고 있지 않았고 매체의 예측 모델 역시 정확하게 작동하지 않던 상황에서는 아래와 같은 광고 운영 방식이 높은 광고 효율을 가져왔었습니다.
- 성별/연령별/관심사별/소재별 A/B 테스트 후 효율이 나쁜 조건에 대한 빠른 OFF가 핵심 운영 방식
- 남들은 잘 모르는 관심사 키워드의 적용, 유사타겟 활용이 경쟁 우위가 될 수 있었음
하지만 최근의 페이스북 광고는 두번째 케이스에 가까워지고 있습니다. 물론 100% 완벽한 예측 모델이란 현시점에서는 가능하지 않지만 그래도 매우 정교하게 바뀌고 있죠. 예를 들어, 광고주가 연령 범위를 잘게 나누고 범위별로 예산 비중을 빠르게 조절하는 것보다 페이스북 시스템에 맡길 때 광고 성과가 더 좋은 경우가 대부분입니다.
이러한 상황에서 페이스북 광고주/광고 운영자는 어떻게 캠페인 운영을 해야 할까요?
광고 운영자에게 익숙한 기존 운영 사례들을 모아서 OX로 분류를 해보았습니다.
페이스북 광고 집행의 통찰력을 얻기 위해서는 아래 사항들을 유의깊게 살펴보면서 광고 캠페인 운영을 하는 것이 좋습니다.
- 예산 규모에 비해 소재의 개수가 적절한지
- 예산 규모에 비해 타겟의 범위가 적절한지
- 광고 노출이 Local Optimum에 빠지지 않았는지
- 타겟들끼리 서로 경쟁하지 않는지 (광고세트의 개수는 적절한지)
페이스북이 유저의 반응 확률을 분석하여 광고 효율을 최적화하기 때문에 위와 같은 경우라면 페이스북이 30대 후반에 대한 노출 비율을 높이게 될 것입니다.
그래서 결론은요
페이스북 광고 플랫폼은 수집하고 분석하는 데이터의 양이 늘어나고 있고 데이터 분석 기술 역시 빠른 속도로 발전하고 있습니다. 이러한 상황에서 초창기 페이스북 광고 플랫폼의 모습만을 기억하면서 예전의 방식대로 사람이 계속 개입하는 형태로 광고를 운영한다면 더 높은 광고 효율은 기대하기 어렵다는 것이 바뀌고 있는 페이스북 광고 플랫폼이 우리에게 전하는 메시지입니다. 물론 페이스북 광고 플랫폼이 모든 광고 캠페인에 대해 완벽하게 시스템적으로 해결책을 제시하는 것은 아닙니다. 하지만 이미 상당수의 광고 캠페인에서는 변화의 모습이 뚜렷하게 나타나고 있습니다.
그렇다면 광고 운영자는 앞으로 어떻게 해야할까요?
- 페이스북 광고 플랫폼의 변화를 주목하면서 기존의 광고 운영 경험을 내려놓고 새롭게 바뀌는 광고 플랫폼의 현상을 이해하고 인식해야 합니다.
- “일반적인 광고”와 “나의 광고” 사이의 차이점을 파악하여 페이스북 알고리즘이 놓치는 부분을 광고에 반영하는 작업이 필요합니다.
이번 이야기에서는 페이스북 광고 플랫폼의 발전과 변화된 모습에 따라 어떻게 광고 캠페인을 운영해야 효율적인지 살펴봤습니다. 세번째 이야기는 더 흥미롭고 재미있는 내용으로 찾아올게요~!
최신 댓글