순서
들어가며 : 어트리뷰션, 광고 성과 최적화를 구체화 시키는 도구
모바일 앱 분석의 기준 : 광고 식별 값 이해하기
모바일 앱 성과측정 툴의 세가지 기능
1. 광고성과 측정 (Attribution)
# 2 Step Attribution Process (Open & In-App Event)
# Open Attribution Method
# Open Attribution Modeling
# Look-back Window
2. 평가 (Evaluate)
3. 포스트백(Post-back)
나가며
들어가며 : 어트리뷰션, 광고 성과 최적화를 구체화 시키는 도구
애드브릭스가 처음으로 서비스를 시작한 2013년 5월부터 지금까지, 모바일 광고시장의 성장을 바라볼 수 있었습니다. 모바일 광고시장이 양적, 질적으로 크게 성장한 지금은 광고 성과측정을 위한 어트리뷰션 기능이 모든 앱 카테고리 영역에서 필수로 인식되고 있습니다.
모바일 앱 환경 안에서 광고를 운영하는 그로스 마케터분들의 궁극적인 목표는 ‘광고성과 최적화’인데, 모바일 앱에 특화된 애드브릭스의 어트리뷰션 기능은 앱 광고 진행에 따른 효과를 측정 및 분석하여 성과 판단의 근거를 제공하고, 분석 데이터를 매체사에 전달(포스트백)하여 광고 최적화에 활용할 수 있도록 돕는 역할을 하기 때문입니다.
다시 말해, 어트리뷰션 툴은 ‘광고성과 최적화’라는 추상적인 개념을 구체적인 수치와 기능으로 변환시키기 위해 꼭 사용해야 하는 도구입니다. 어트리뷰션 툴을 사용하지 않는다면 앱 광고진행이 불가능하다고 말해도 무리가 없을 것입니다.
하지만 모바일 앱 어트리뷰션을 처음 접하는 분들에게는 어트리뷰션의 개념과 광고 운영을 위한 다양한 기능들이 다소 어렵게 느껴지는 것이 사실입니다. 기능도 모바일 앱 환경에 맞추어 계속 발전하고 있어 많은 담당자들을 곤혹스럽게 합니다.
이번 글에서는 애드브릭스가 제공하는 기능을 중심으로 '모바일 앱 어트리뷰션'을 이해하기 위한 기본 개념을 정리하고 설명합니다.
모바일 앱 분석의 기준 : 광고 식별 값 이해하기
모든 분석에는 고유성을 갖는 최소 단위가 필요합니다. 예를 들어 웹(web)에서 사용되는 쿠키나 이용자의 회원ID, 이메일 주소, 전화번호 등입니다. 모바일에서는 각 OS 사업자(iOS, Android) 별로 디바이스 단위의 고유성을 가지는 ‘광고 식별 값’을 제공합니다. 일반적으로 구글의 Android가 제공하는 광고 식별 값을 ADID, 애플의 iOS가 제공하는 광고 식별 값을 IDFA 라고 부릅니다. 어트리뷰션 툴은 이 값을 이용자들의 스마트폰에서 수집하여 분석의 최소단위로 사용합니다.
모바일 앱 환경에서 신뢰할 수 있는 광고 식별 값의 존재는 매우 중요합니다. 앱 이용자들의 행동을 스마트폰 단위로 분석하고 축적할 수 있는 수단이기 때문입니다. 비록 앱 서비스 이용자가 ‘누구’인지는 모르지만, 앱 이용자의 스마트폰(정확하게는 스마트폰의 광고식별값)이 남긴 기록은 정확히 알 수 있습니다.
따라서 이용자들의 앱 이용 행동을 직접적으로 분석할 수 있습니다. 이 광고 식별 값은 매체사들도 함께 사용하기 때문에 축적된 데이터는 광고 진행에도 필수로 활용됩니다. 따라서 모바일 앱 광고 생태계는 광고 식별 값을 기준으로 운영된다고 볼 수 있습니다.
모바일 앱 성과측정 툴의 세가지 기능
도구가 제공하는 기능을 분명하게 파악하고 이해하는 것이 중요합니다. 어트리뷰션 툴이 제공하는 기능을 광고성과 측정(Attribution), 평가(Evaluate), 포스트백(Post-back)으로 구분하여 살펴보겠습니다.
1. 광고성과 측정 (Attribution)
성과측정 툴의 첫번째 기능은 어느 매체가 광고 성과에 기여했는지 판단하는 것입니다.
성과측정 툴을 흔히 어트리뷰션 툴이라고 부릅니다. Attribution(귀인, 歸因)은 심리학에서 많이 사용하는 개념입니다. ‘특정 결과 혹은 행동에 대한 원인을 찾는 과정’으로 정의합니다. 예를 들어 내가 치른 시험성적이 좋지 못했다면(결과) 시험문제가 어려웠는지, 스스로 공부가 부족했는지 등의 ‘원인’을 탐색하는 것이 인간의 자연스러운 사고 과정입니다. 이것이 어트리뷰션 과정입니다.
어트리뷰션을 광고성과 측정 관점에 대입 해보면, “특정 성과에 기여한 광고 매체를 결정하기 위한 기준 설정 및 평가 과정”으로 정의할 수 있습니다. 이 과정에서 제공되는 기능과 주요 개념을 애드브릭스 중심으로 자세히 살펴보겠습니다.
# 2 Step Attribution Process (Open & In-App Event)
어트리뷰션 툴이 제공하는 기능의 첫 단계는 어떠한 매체로부터 이용자가 유입(App open) 되었는지 판단하는 것입니다. 이해하기 가장 쉬위 예시는 신규 이용자 중복제거 입니다. 즉, 광고를 통해 유입된 이용자가 신규실행 이용자인지 아닌지를 판단하는 것입니다.
어트리뷰션 툴을 이용하지 않은 상태에서 매체 A, 매체 B, 매체 C에 각각 광고를 진행한다고 가정 해봅니다. 각 매체는 각자의 룰에 따라 광고성과를 측정할 것이고, 서로 광고참여를 완료한 광고 식별 값을 공유하지 않기 때문에 중복된 광고 참여자가 발생하게 됩니다. 결과적으로 마케터는 같은 이용자에게 두 번 이상의 광고비를 지불하게 됩니다.
하지만 어트리뷰션 툴을 사용하면 이런 상황을 막을 수 있습니다. 어트리뷰션 툴은 앞서 살펴보았던 광고 식별 값을 기준으로 매체별 중복 광고 참여자를 모두 필터링 할 수 있습니다. 즉, 성과측정 툴이 일종의 데이터 집합소이자 중계소 역할을 하면서 신규 실행자 중복제거 기능을 제공합니다. 예를 들어 특정 매체에서 신규 실행을 발생시킨 ‘axg01bf…’ 라는 광고 식별 값이 애드브릭스의 SDK를 통해 한번 수집되어 저장 되었다면, 애드브릭스는 해당 광고 식별 값을 어떠한 매체에서도 신규 실행자(New Install)로 인정하지 않습니다.
애드브릭스는 이렇게 광고를 통해 앱이 실행되는 과정의 어트리뷰션을 "Open Attribution"으로 구분합니다. 이 과정에는 Ad-Touch와 App Open이 포함됩니다. 먼저 애드터치는 클릭, 노출, 플레이, 비디오로 구분하고, 각 애드터치 방식에 따른 앱 오픈 결과는 New Install, Re-Install, Deeplink Open으로 구분합니다.
여기서 New Install은 신규 설치실행, Re-Install은 삭제 후 재설치 실행, Deeplink Open은 앱이 설치되어 있는 상태에서 딥링크를 통해 앱이 오픈된 경우를 의미합니다. 광고를 통해 앱이 오픈되는 경우의 수는 이렇게 3가지가 전부입니다. 애드브릭스를 이용하는 마케터는 특정 매체를 통한 앱 오픈이 New Install, 혹은 Re-Install인지 구분하거나, 특정 Re-Install이 클릭에 의한 것인지 아니면 노출에 의한 것인지 구분하여 측정할 수 있게 됩니다.
Open Attribution을 통해 애드터치와 앱 오픈을 구분 했다면, 이제 앱 오픈 이후에 어떠한 이벤트가 발생했는지 측정해야 합니다. 애드브릭스는 이 과정을 In-App Event Attributoin으로 구분합니다. 이 과정에는 App Open과 In-App Event가 포함됩니다. 예를 들어, 구매라는 광고 전환이 New Install에 의한 것인지, 아니면 Re-Install에 의한 것인지를 구분하거나 통합하여 볼 수 있습니다.
애드브릭스는 이처럼 Attribution 단계를 Ad-Touch - App Open, App Open - In-App Event로 구분하여 그로스 마케터가 운영된 광고 특성에 알맞은 세부 분석 결과를 도출할 수 있도록 합니다.
# Open Attribution Method
애드브릭스를 포함한 어트리뷰션 툴이 Ad-Touch로부터의 앱 실행(new install 혹은 re-install)을 판단할 때 구글 레퍼러, 광고 식별 값 매칭, 핑거 프린팅 방식 세가지 방식 중 하나를 이용합니다. 특정매체의 성과를 잡기 위한(즉, 어트리뷰션을 위한) 방법론이기 때문에 각 특성을 이해하고, 매체 운영 전략과 방침의 필요에 따라 조정하는 과정은 매우 중요합니다.
구글 레퍼러 방식은 Google Play로 바로 랜딩되어 앱이 설치/실행 되었을 때, Google Play가 제공하는 레퍼러를 이용하여 유입경로를 결정하는 방식입니다. 정확도는 100%에 가까우나 Google Play 에서만 사용할 수 있으며, 광고 참여자가 구글플레이 스토어를 이탈할 경우 추적이 단절될 수 있습니다.
광고식별자 매칭 방식은 매체가 성과측정 툴에 광고식별자(ADID/IDFA)를 직접 제공하는 방식입니다. 구글 레퍼러 방식과 마찬가지로 정확도가 100%에 가까우나 매체가 광고 식별 값을 제공할 수 있는 경우에만 사용될 수 있습니다.
핑거프린팅 방식은 구글 레퍼러 방식과 광고 식별 값 매칭 방식을 사용하지 못하는 경우에 적용됩니다. 이용자의 앱 사용환경 중 수집이 가능한 정보를 이용하여 유입경로를 결정하는 방식입니다. 사용하는 정보는 IP주소, 디바이스 환경 등으로 다양합니다. 구글 레퍼러와 광고 식별자 매칭 방식을 사용할 수 없는 경우에도 성과측정을 할 수 있다는 장점이 있습니다. 하지만 사용되는 정보가 간접적이기 때문에 아주 낮은 확률이라도 1종 혹은 2종 오류가 발생할 가능성이 있습니다.
따라서 필요할 경우 핑거프린팅 방식의 오픈 어트리뷰션 우선순위를 낮추거나, 룩백윈도우를 24시간으로 비교적 짧게 적용할 수 있습니다.
# Open Attribution Modeling
광고매체를 운영할 때 2~3개 이상, 많으면 10개가 넘는 매체를 동시에 운영하는 것이 일반적입니다. 이런 상황에서는 이용자가 여러 개의 광고에 반응할 수 있습니다. 예를 들어 이용자가 매체 A에서 클릭하고, 얼마 후에 노출된 매체 B에서도 클릭한 후 앱을 신규 실행 했다면, 어떤 매체에 신규 실행이라는 광고 성과를 인정해주어야 할까요?
신규 실행의 기여를 A에게 줄 수도 있고, B에게 줄 수도 있고, 모두에게 균등하게 줄 수도 있습니다. 각각을 First, Last, Linear 어트리뷰션 모델이라고 부릅니다. First Ad-Touch Attribution 모델은 첫번째 클릭이 발생한 매체에 성과를 인정합니다. 여러번의 클릭을 거쳐 신규실행이 발생했다면 첫번째 클릭을 일으킨 매체의 성과로 인정합니다. Last Ad-Touch Attribution모델에서는 반대로 마지막 클릭이 발생한 매체에 성과를 인정하고, Linear Attribution 모델에서는 클릭을 발생시킨 각 매체에 동일 비율의 성과를 인정합니다. 물론 더 많은 어트리뷰션 모델이 존재합니다.
애드브릭스를 포함한 모든 어트리뷰션 툴은 이러한 어트리뷰션 방법 중 Last Ad-Touch Attribution모델을 사용합니다. 가장 마지막에 광고 반응을 일으킨 광고매체에 성과를 인정해주는 것입니다. 애드브릭스 또한 마찬가지 입니다.
그런데 만약 앞서 살펴보았던 핑거프린팅 방식이 Last Ad-Touch로 인정되는 것을 피하고 싶다면, 혹은 클릭이 아닌 노출이 Last Ad-Touch로 인정되지 않게 조정해야 하는 경우가 생긴다면 어떻게 해야 할까요? 애드브릭스의 어트리뷰션 모델링(Attribution Modeling)은 Last Ad-Touch라는 기본 룰은 유지하되, 애드 터치(Ad Touch)와 어트리뷰션 방식(Attribution Method)이 조합된 어트리뷰션 유닛(Attribution Unit) 별로 Last Ad-Touch를 인정하는 우선순위(Tier)와 애드터치-오픈 룩백윈도우(Ad Touch ~ Open Look-back window)를 조정할 수 있도록 지원합니다.
예를 들어, 정확도가 높거나 앱 인스톨에 강력한 영향을 준다고 판단되는 어트리뷰션 유닛에는 높은 우선순위를 배정하거나 룩백윈도우를 길게 설정하고, 정확도가 비교적 낮거나 앱 인스톨에 약한 영향을 준다고 판단되는 어트리뷰션 유닛에는 낮은 우선순위를 배정하고 룩백윈도우를 짧게 설정할 수 있습니다.
Tier 1에 Click-Identifier unit와 Click-Referrer unit이 배정되고, Tier 2에 Click-Fingerprint unit이 배정되었다고 가정합니다. 이 때 애드브릭스는 Tier 1의 Click-Identifier unit와 Click-Referrer unit에 부합하는 라스트 애드 터치가 있는지 우선 탐색합니다. Tier 1에 배정된 어트리뷰션 유닛에 부합하는 Attribution Unit이 없을 경우, 다음 순서로 Tier 2에 배정된 Attribution Unit에서 라스트 터치를 탐색합니다.
어트리뷰션 모델링이 의미하는 바는 단순하면서도 강력합니다. 애드브릭스가 제공하는 어트리뷰션 모델링을 이용하면 Last Ad-Touch Attribution 모델에 완전하게 종속될 필요가 없습니다. 예를 들어, 핑거프린팅을 계속 사용하고 싶으나 그 영향력을 낮추고 싶다면 기능을 끄거나 룩백윈도우를 극단적으로 줄이는 대신 핑거프린팅을 Tier 2나 Tier 3에 배정하면 됩니다.
# Look-back Window
성과측정에서 사용하는 또 하나의 주요한 개념은 룩백윈도우(Lookback Window) 입니다. 룩백윈도우는 ‘광고성과를 어느 기간까지 인정할 것인가?’에 대한 물음과 관련됩니다. 애드브릭스는 룩백윈도우 설정을 Ad-Touch ~ App Open, App Open ~ In-App Event로 구분하여 설정할 수 있도록 지원합니다.
Ad-Touch ~ App Open 룩백윈도우
먼저 Ad-Touch ~ App Open 룩백윈도우부터 살펴보겠습니다.
매체 A에서 마지막 클릭이 발생한 이후 얼마만큼의 시간 안에 신규실행이 발생해야 매체 A의 성과로 인정할 수 있을까요? 24시간? 7일?, 15일? 기간을 정함에 있어 정답은 없겠지만, 우선순위(Tier) 설정과 마찬가지로 매체 운영 전략과 방침에 따라 적절하게 조정하는 과정이 필요합니다.
룩백윈도우가 7일(168시간)로 설정된 광고가 있다고 가정 해보겠습니다. 매체 A에서 2월 8일에 발생한 클릭 이후 10일에 신규실행(new install)이 발생했다면, 룩백윈도우 7일 내에 포함되기 때문에 매체 A의 성과로 인정됩니다. 하지만 17일에 신규실행이 발생했다면, 룩백윈도우 7일에서 벗어나기 때문에 매체 A의 성과가 아니라 자연유입(Organic) 신규실행으로 판단합니다.
설정은 Open Attribution Modeling메뉴에서 진행합니다. 각 Attribution Unit 별로 룩백윈도우를 설정할 수 있습니다. 아래 예시화면에서는 Click-Referrer unit에는 7day (즉, 168시간), Click-Fingerprint unit에는 1day(즉, 24시간)의 룩백윈도우가 설정되어 있습니다.
App Open ~In-App Event 룩백윈도우
광고를 통해 앱이 실행된 이후, 얼마만큼의 시간 안에 광고 KPI를 달성해야 특정 광고의 성과로 인정할 수 있을까요? Ad-Touch ~ App Open 룩백윈도우와 마찬가지로 정답은 없겠지만 내부 기준을 정하는 것이 중요하겠습니다.
아래 예시처럼 설정을 하면, 광고를 통한 New Install 이후 발생한 구매(Purchase) 결과를 룩백윈도우 24시간 내에서만 인정하여 분석하겠다는 의미가 됩니다. 만약 New Install과 Re-Install 이후에 발생한 구매 결과를 함께 보고싶다면 Open Attribution Type에 Re-Install을 추가하면 됩니다.
애드브릭스에서는 App Open ~ In-App Event 룩백윈도우를 1시간~31일 까지 조정하여 결과를 확인할 수 있습니다. 예를 들어, App Open ~ In-App Event 룩백윈도우가 1day(24시간)인 룩백윈도우의 ROAS와 7day(168시간), ROAS, 15day(360시간) ROAS를 각각 비교하며 우리 앱만의 기준을 세울 수 있습니다.
2. 평가 (Evaluate)
성과측정 솔루션의 두 번째 기능은 운영된 광고의 평가(Evaluate) 입니다. 측정된 광고성과를 다양한 기준에서 평가할 수 있도록 분석지표를 제공하고 리포팅하는 것입니다. 애드브릭스는 평가와 분석을 위한 4가지 리포트 타입과 6가지 분석 세분화 기준을 제공합니다. 분석지표는 캠페인별, 매체별, 소재별, 유입 키워드 별 등으로 다양하게 구분되어 세부 분석이 가능하도록 되어 있습니다.
광고성과 분석은 유입 관점과 유입 이후 앱 내 활동 관점으로 구분하는 것이 가장 명확합니다. 유입 관점에서는 신규 이용자(New Install)와 재실행 이용자(Re-Install, Re-Open)를 구분하고, 활동 관점에서는 신규 이용자의 활동(Engagement)과 재실행 이용자의 활동(Re-Engagement)으로 구분할 수 있습니다. 앱을 런칭하는 단계에서는 신규 이용자(New Install)를 확보하고 이 이용자들이 앱 내에서 얼마나 유의미한 활동을 하는지(Engagement)가 핵심일 것입니다. 반면 장기간 서비스되고 있거나, 라타게팅 광고를 진행중인 앱이라면 광고를 통한 재실행 중심의 지표를 활용 해야만 정확한 성과분석이 가능할 것입니다.
최근에는 성과측정 툴이 제공하는 In-App Event 연동을 통해 실행 이후 특정 이용자 활동까지 측정하는 것이 일반적입니다. 기본 SDK연동만으로도 신규실행(New Install), 재방문 비율(Retention rate) 같은 기본지표를 확인할 수 있으나 In-App Event를 사용하면 회원가입, 캐릭터 생성, 장바구니, 구매와 같은 앱 내 특정 이용자 행동까지 분석하는 것이 가능하기 때문입니다. 앱 내 주요 KPI로 판단할 수 있는 지점을 연동하는 것으로 생각해도 무방합니다. 즉, 신규유입된 이용자가 우리 앱의 KPI 지점까지 도달 했는가(Engagement)? 혹은 재유입 된 이용자가 KPI 지점까지 도달했는가(Re-Engagement)?를 구분하는 것이 핵심입니다.
만약 내 앱의 주요 시작점이 로그인 혹은 캐릭터 생성임에도 불구하고, 해당 In-App Event가 연동되어 있지 않다면 신규실행 수치만으로 광고성과를 판단해야 합니다. 따라서 성과 판단의 기준이 제한적입니다. 하지만 커스텀 이벤트를 연동하면 더 다양한 이용자 행동을 파악할 수 있어 판단 기준이 확장됩니다.
In-App Event까지 분석하기 위해서는 애드브릭스가 제공하는 이벤트 api를 원하는 지점에 연동하는 작업이 필요합니다. 이 과정에서 중요한 것은 In-App Event에 대한 정의(definition) 입니다. 내 앱에서 분석하길 원하는 지점을 구체화하는 과정으로 볼 수 있습니다. 앱 내에 주요 지점이 정의되었다면, 앱에서 연동이 가능한지 논의 후 연동작업에 들어가면 됩니다.
In-App Event 연동이 중요한 또 하나의 이유는 성과측정이나 분석 뿐 만 아니라, 포스트백을 통해 광고성과를 최적화하거나 리타게팅을 하는 활용 측면에서도 필수 요소이기 때문입니다. 이 부분은 3. 포스트백(Post-back)에서 더 자세히 살펴보겠습니다.
3. 포스트백(Post-back)
반복해서 언급하지만 측정되고 분석된 데이터는 모두 광고 식별 값을 기준으로 축적됩니다. 앞서 살펴본 In-App Event 또한 마찬가지 입니다. 성과측정 툴의 세 번째 기능은 이렇게 분석되어 축적된 데이터를 광고 관점에서 적극 활용할 수 있도록 지원하는 것입니다. 즉, 성과측정 툴은 단순히 수치를 분석하고 리포팅하는 역할에만 머물지 않습니다.
데이터 활용에서의 핵심 개념은 ‘포스트백(Post-back)’ 입니다. 포스트백이란 성과측정 툴을 통해 수집된 데이터를 매체사에 전달(즉, 포스트백)하는 것을 의미합니다. 매체사에서는 성과측정 툴과의 포스트백 연동을 통해 성과를 최적화하거나 리타게팅 진행에 필요한 데이터를 전달 받습니다. 이 포스트백 범위에는 단순 실행여부 뿐 만 아니라 In-App Event로 연동된 이용자 행동이 포함됩니다. 따라서 로그인, 캐릭터 생성, 구매 등을 기준으로 광고를 최적화 한다거나 리타게팅을 진행하는 것이 목적이라면 In-App Event 설정이 필수입니다.
예를 들어, 신규실행이 아닌 로그인을 기반으로 광고성과를 최적화 하거나, 로그인 완료형 광고를 진행하고자 한다면 ‘로그인’ In-App Event를 포스트백해야 할 것입니다. 예를 들어 구글의 경우 애드브릭스로부터 전달된 In-App Event 포스트백을 활용하여 U.A.C In-App Action 최적화를 활성화 할 수 있습니다. 혹은 리타게팅을 지원하는 매체를 통해 신규실행 후 회원가입까지 완료하지 않은 이용자나 앱에 매일 접속하지만 정작 구매이력은 없는 이용자 그룹을 광고 노출 대상으로 지정할 수 있습니다. 이처럼 앱 내에 연동된 In-App Event는 앱 이용자를 구분하는 기준점이 되기 때문에, 내 앱에 알맞은 In-App Event를 정의하고 연동하는 과정은 필수입니다.
한편 광고 목적에 따라 어떠한 In-App Event를 기준으로 포스트백 할 것인지 설정하는 과정이 필요합니다. 만약 리타게팅이 목적이라면 원하는 타게팅 이용자 그룹를 구분하기 위해 다수의 In-App Event를 설정하고, 충분한 타게팅 모수 확보를 위해 매체 특정 매체로부터의 유입에 제한받지 않는 독립적(All) 포스트백을 사용하게 됩니다. 혹은 단순히 로그인 달성만을 대상으로 최적화하는 광고라면, 해당 매체로부터 유입된 이용자의 로그인 도달 데이터만 필요하기 때문에 매체 종속적(Only) 포스트백을 사용하면 됩니다.
나가며
지금까지 어트트리뷰션 툴이 제공하는 세 가지 기능에 대해 알아보았습니다. 이 세 가지 기능을 통해 달성 할 수 있는 궁극적인 목적은 “광고성과 최적화” 입니다. 광고 성과를 설정된 기준에 따라 측정하고, 다양한 관점에서 분석하고, 축적된 데이터를 효과적으로 사용함으로써 모호하게 떠도는 광고성과 최적화를 구체화할 수 있게 됩니다.