모비데이즈의 Tech 부문을 총괄하고 있는 기술연구소 모비랩에 게재된 글을 모비인사이드에서 소개합니다.

by 유지찬 모비데이즈 매니저

최근 전세계 광고시장 흐름이 PC에서 모바일로 넘어오면서 가장 많이 들리는 단어 중 하나가 바로 ‘퍼포먼스 마케팅’입니다. 과거 PC 시절에는 쿠키에 의존해 단편적인 정보를 얻었지만, 모바일에서는 트래킹툴을 이용해 좀 더 다양한 종류의 입체적 정보를 얻을 수 있습니다. 이렇게 얻은 데이터를 지속적으로 모니터링하고, 피드백을 통해 성과를 높이는 ‘퍼포먼스 마케팅’이 성장한 것입니다.

퍼포먼스 마케팅은 결국 투자대비 효율을 높이는 것이 본질이기 때문에 시장 내 여러 플레이어들이 효율 극대화에 힘을 쏟고 있는 추세입니다. 광고주(Advertiser)부터 매체(Publisher)까지 각자의 효율 극대화를 위해 등장한 대표적 기술들을 알아보겠습니다.

 

 #광고주 효율을 위한 데이터, 그리고 머신러닝 

미국의 마케팅 대행사 Adlucent의 연구조사에 따르면 소비자들은 개인화된 광고 경험을 긍정적으로 보는 경향이 있고, 이는 소비자가 처음 보는 브랜드 광고일지라도 클릭할 확률을 두 배 이상 높인다고 합니다.

즉, 오디언스 타겟팅 고도화가 광고주의 효율 최적화에 큰 기여를 한다는 이야기입니다. 이런 타겟팅 고도화에서 빠질 수 없는 기술이 바로 머신러닝입니다. 머신러닝의 정의를 찾아보면, 다음과 같습니다.

기계 학습(機械學習) 또는 머신 러닝(영어: machine learning)은 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 가령, 기계 학습을 통해서 수신한 이메일이 스팸인지 아닌지를 구분할 수 있도록 훈련할 수 있다. (위키백과)

즉 컴퓨터에 대량의 데이터를 입력하고, 알고리즘을 통해 목표에 가까운 값을 예측해내는 것이라 할 수 있습니다. 광고로 돌아와 보면, 해당 광고에 가장 적합한 고객군을 예측해주는 일을 인공지능이 대신 하고 있는 것입니다. 단순한 마케팅 자동화가 아닌, 광고 효율을 극대화 시키는 기술인 것이죠. 우리가 알고 있는 구글 UAC (Universal App Campaign)이 대표적인 머신러닝기술을 이용한 상품이라 할 수 있습니다. 실제 구글에서 효율을 실험해 본 결과 일반 캠페인에 비해 UAC의 ROAS(Return On Ads Spending, 광고수익률)가 압도적으로 좋았다는 발표가 있었습니다.

출처: Google

사실 머신러닝은 타겟팅 고도화가 필요한 모든 분야에 활용이 가능합니다. DMP(Data Management Platform), DSP(Demand Side Platform), 애드네트워크 등 이미 여러 플랫폼에서 머신러닝이 활용되고 있고, 그 효율을 입증하고 있습니다.

결국 얼마나 많은 데이터를 확보하고(빅데이터), 그 데이터를 어떻게 분류해 낼 것인가(머신러닝)가 프로그래매틱 광고의 핵심이라는 말처럼 머신러닝 기술은 광고주의 효율을 높이기 위한 핵심 기술임은 분명한 것으로 보입니다.

 

 #매체 수익 극대화를 위한 헤더비딩 

헤더비딩은 Advanced Bidding, 또는 Pre-Bidding이라고도 불리우는 기술입니다. 기존 RTB(Real Time Bidding)방식의 프로그래매틱 바잉에선 워터폴방식의 비딩이 지배적이었습니다.

워터폴 방식은 우선 순위의 애드익스체인지가 경매를 진행하고, 낙찰되지 못한 인벤토리는 차순위 애드익스체인지에게 넘어가는 방식입니다. 하지만 워터폴 방식은 특정 애드익스체인지가 우선순위를 가지고 있기 때문에, 다른 애드익스체인지에서 더 높은 가격의 Demand(수요)가 있더라도 더 싼 가격의 우선순위 애드익스체인지를 선택해야하는 수익 효율성의 문제가 있습니다.

이를 해결하기 위해 헤더비딩이 탄생했다고 볼 수 있습니다. 헤더비딩은 퍼블리셔(애드네트워크)가 다수의 애드익스체인지에 연결되어 동시에 입찰을 받는 기술로, 쉽게 말해 애드네트워크가 여러 개의 애드익스체인지에 동일하게 경매를 진행하여, 가장 높은 가격의 광고를 선택하는 방식입니다.

헤더비딩기술을 이용하면 퍼블리셔들은 자신의 인벤토리를 더욱 높은 가격에 판매할 수 있고, 또한 인벤토리 필레이트(Fill rate, 광고 요청 중에서 성공적으로 광고를 수행한 비율)를 높일 수 있습니다.

PubMatic의 조사에 의하면 실제 퍼블리셔들은 헤더비딩을 통해 평균 53%의 CPM가격 상승의 효과를 보았으며, 헤더비딩의 효율이 증명된 탓인지, 헤더비딩시장은 2016년 꾸준한 상승세를 보였습니다.

출처: Pubmatic

 

여러 애드익스체인지가 동시에 경매를 진행하기 때문에 Latency(속도지연)에 대한 문제가 여전히 남아 있긴하지만, 웹쪽은 서버사이드 헤더비딩을 통해 이 문제를 어느 정도 극복을 하는 분위기입니다. 반면, 인앱 해더비딩은 API, 미디에이션을 통한 헤더비딩 등 몇몇 방식이 나오긴 했지만 아직까진 완전하지 못한 단계입니다.

헤더비딩 기술은 더 많은 매체를 끌어들이기 위해 퍼블리셔 뿐만 아니라 다양한 플레이어들이 채택해야 하는 기술입니다. 결국 어떤 방식으로든 시장에 안착할 확률이 높다는 말이기도 합니다. 글로벌 시장에서 어느 정도 효율이 증명된 만큼, 국내에서도 관련 기술에 대한 접근이 이루어져야 할 시기라고 생각합니다.

 

 #광고주와 퍼블리셔 모두의 과제, Ad Fraud Detecting 

Ad Fraud는 광고주와 매체 모두의 효율을 저하시키는 큰 문제거리입니다. 하지만, 반대로 생각해보면 이 Ad Fraud를 걸러 낼 수 있다면 양 측 모두의 효율을 개선시킬 수 있다는 말이기도 합니다.

Fraud는 크게 두가지로 분류해 볼 수 있습니다.

– Compliance Fraud (플랫폼의 규율을 어기는 Fraud)
-Technical Fraud (기술을 이용하여 과금 이벤트를 인위적으로 생성하는 Fraud)

이 중 Compliance Fraud는 국내에서 어뷰징으로도 잘 알려져 있는 방식입니다. Technical Fraud는 최근 그 방식이 다양해지고 고도화되고 있습니다. 특히 Fraud App을 통해 클릭 기여도를 가로채는 Click Injection은 2017년 가장 많이 발생할 것으로 추정되고 있는 Technical Fraud 유형이기도 합니다.

Ad Fraud 수법이 다양해지는 만큼 이를 예방하고 대응하는 방법 또한 다양해졌습니다. 특히 모바일 쪽에선 3rd party 트래킹툴 업체들이 다양한 Prevent/Detect(예방/감지) 기술들을 내놓고 있습니다.

Appsflyer 경우에는 Device ID를 기반으로한 필터링을 거치기도 하고, Kochava는 자체 Fraud Console을 이용해 사전에 예방하고 있습니다. 일부 업체들은 머신러닝을 기반으로 알고리즘을 만들어 Fraud를 사전에 예방하기도 합니다. 하지만, 특정 패턴을 기반으로 Fraud를 감지하는 방식들이기 때문에 한계가 존재하는 건 사실입니다. 결국 AD Fraud Detecting 기술은 광고주와 퍼블리셔 양측의 상호협력이 필수적인 부분이라고 생각됩니다.

 

 

[fbcomments url=”http://ec2-13-125-22-250.ap-northeast-2.compute.amazonaws.com/2017/09/06/mobilab-adtech-trend/” width=”100%” count=”off” num=”5″ countmsg=”wonderful comments!”]