Attribution – View Through vs. Click Through

DSP 에서 광고 성과에 대한 기여를 논의할 때 가장 처음 논의되는 Click Through Attribution과 View-Through Attribution이 어떤 의미를 가지는지 이야기해보려 합니다. 우선, 아래처럼 특정 광고 노출, 혹은 클릭을 통해 이루어진 앱 설치에 대해서 특정 광고 노출, 혹은 클릭은 그 광고 기여 성과를 Attribution 받습니다. (통상적으로 쓰이고 있는 Last attribution으로 생각해보겠습니다.)

그러나, Lookback window 밖에 기록된 광고 노출과 광고 클릭은 설령 발생했다고 하더라도 해당 설치에 대한 기여로 인정받지 못합니다.

따라서, DSP 에게는 적절한 Lookback window를 가진 CT와 VT를 설정하는 것이 필요하며, 지나치게 짧은, 혹은 지나치게 긴 CT와 VT를 설정할 경우 발생하는 문제점에 대해서 알아보도록 하겠습니다.

적절한 CT / VT의 기여기간 (룩백윈도우 Lookback Window) 은 무엇인가?

사실 적절한 룩백 윈도우를 이야기하기 위해 가장 먼저 이야기해야 하는 것이 있습니다. 바로, marketing funnel 입니다. 유저에게 해당 브랜드가 있는 것을 알리는 (Awareness) 부터 실제적인 앱 설치나 구매등의 전환 (Conversion) 까지 유저는 여러 터치 포인트를 지나며 광고를 보거나 클릭합니다.

그런데 이러한 funnel을 어떻게 optimize할 것인가는 또다른 이야기 입니다. 특히, 검색광고(SA)와 디스플레이 광고(DA)의 경우 다른 목적을 가지고 움직이기 때문에, 최근의 전환 성과 위주의 DA 퍼포먼스 평가는 아쉬운 점이 있습니다. 결국 SA와 DA가 광고의 목적과 방법이 다른데, DA를 SA처럼 사용하고 평가한다면 좋은 마케팅 전략은 아닐 것이라 생각됩니다.

예를 들어, 만약 시장에 출시되지 얼마 되지 않은 서비스/제품이어서 awareness 측면에 조금 더 초점을 맞춰야 한다거나, 혹은 출시된지 오래되었다고 하더라도 고객이 해당 서비스/제품을 사기 위해 오랜 기간 상품을 브라우징하는 단계가 필요하다면 단순히 전환만을 중심으로 보는 룩백윈도우를 설정하는 것은 마케팅 전략상 바람직하지 않습니다.

또한, 서비스의 성격상 광고하려는 상품이 해당 상품의 필요보다는 소비자의 욕망에 호소하는 상품이라면 VT에 더 많은 가중치를 줘야한다는 생각이 듭니다. 예를 들어, 향수 광고를 한다고 하면  많이 노출될 수록 해당 상품의 전환에 대한 기여를 더 인정해줘야 하지 않을까 하는 생각이 듭니다.

하지만 무엇보다도 VT를 설정하지 않거나 너무 짧게 룩백윈도우를 설정할 시에 가장 문제가 되는 것은 위의 Marketing funnel에서 볼 수 있는 일부 low hanging fruit 들을 programmatic DSP에서 최적화하는 대상으로 포함시키는 기회를 상실하기 때문입니다. 이는 아래의 3가지 이유로 설명할 수 있습니다.

  • VT 컨버전을 보는 이유는 통상적인 upper 또는 middle funnel 에서의 퍼포먼스를 더 잘 수집하고 반영할 수 있기 때문입니다. CT만을 적용하게 된다면 고객 행동데이터 중 view – click – install에 이르는 과정 중에서 앞단에서의 missing funnel이 발생하게 되며, 전환 직전의 데이터만을 통해 머신을 학습하게 되므로, 궁극적으로 upper funnel 확보를 위한 최적화를 통해 전체 볼륨 증대를 방해하는 요소로 작용합니다. 다시 말해, view > install 전환되는 유저 풀도 저희 upper funnel에 포함시킬 수 있게 됩니다.
  • 적절한 VT 컨버전의 경우 Search lift의 효율 향상을 위해 꼭 필요합니다. VT의 경우, 광고주 쪽에서도 앞단의 view를 통해 얻을 수 있는, 뒷단의 효율을 높일 수 있는 기회를 상실하게 되기도 합니다. VT가 설정되어 VT 설치가 카운트 될 경우, 저희 쪽에서는 머신이, 광고를 ‘보기만 해도’ 들어와서 설치할 수 있는 유저를 학습하여 Search lift 효율 증대를 노릴 수 있습니다.
  • 또한 VT 컨버전은 전체적인 최적화 과정 단축을 위해 꼭 필요한 데이터입니다. CT 이외에 광고를 보고 (view) 인스톨을 일으킨 고객의 행동을 파악하여야 upper funnel의 볼륨 확장을 위한 최적화 과정을 단축시킬 수 있습니다.

 

물론  VT를 길게 설정할 경우, 가장 많이 우려하는 부분은 ‘오가닉 잠식’인 것 같습니다. 오가닉 유저 (organic install)을 어떻게 정의하느냐 달라질 수 있겠지만, ‘광고를 보지 않았어도 들어와서 구매를 할 수 있는, 혹은 설치를 할 수 있는 유저’로 보는 정의하도록 하겠습니다.

VT를 길게 설정하다보면, 이러한 오가닉 유저의 경우 광고를 보지 않았어도 구매할 유저였지만, 해당 광고를 통해 구매한 상황이 됩니다. 그러나, 이렇게 정의를 한다면, 사실상 CT도 자유롭지는 않습니다. 광고를 굳이 보여줬기 때문에, 클릭이 일어나고, 인스톨을 하였고, 구매가 일어났다고 볼 수도 있으니까요.

이는 Click을 오가닉과 큰 연관이 없다고 보는 것은 광고 클릭이라는 행위가 광고에 반응하는 가장 straightforward한 메트릭이라고 생각하기 때문입니다. 하지만 실제로 과연 click이라는 행위가 가장 광고에 반응했다는 메트릭일까요?

단순한 fat finger 문제 (모바일 지면 상에서 의도치 않게 클릭되어 광고로 넘어가는 문제)를 제외하고서도 만약에 ‘가습기’를 사려고 여기 저기 돌아다니면서 가격 비교를 하고 A사이트가 아닌 동일 제품을 B사이트에 샀다면 해당 click을 통해 해당 상품을 산 유저는 해당 광고 때문이 아닌, B사이트의 가격, 쿠폰, 혹은 다른 이유 때문일 가능성이 큽니다. 엄밀하게 해당 제품의 매출은 마케팅의 영역이 아닌 서비스/제품의 본질적인 우위에서 온 것이고, 광고는 많은 클릭을 보냈다고 하더라도 그 기여가 그만큼 크지 않습니다. 다시말해, Click을 꼭 가장 straightforward한 광고 성과의 precursor로 보는 로직도 완전하진 않습니다.

사실 오가닉 잠식의 더 큰 문제 제기는, DA가 아닌 SA에게 지워져야 한다고 생각됩니다. SA는 검색쿼리라는 가장 강력한 intent를 보유한 유저에게 광고를 보여주지만 그것을 누구도 오가닉 잠식이라고 생각하지 않습니다. 다시말해, 가장 많은 오가닉 잠식은 SA에서 일어납니다만, 최근의 광고의 오가닉 잠식 이야기는 DA에만 한정되어 있습니다. 이는 CT를 광고 효과로만 인정하는 최근의 마케터들의 인식과도 일맥상통하며, 결국 SA적인 메트릭을 DA로 옮겨와 광고효과를 측정하려는 시도에 지나지 않는다 생각됩니다.

 

Outro

결국 이 모든 것들은 현재의 last click attribution 때문에 생기는 이슈들입니다. 하지만 last click attribution의 문제는 단기간에 해결되기 어려운 문제입니다. 이러한 상황에서는 광고주는 SA가 DA 를 어떤 식으로든 해당 광고에 정확한 credit 주기 어려움을 느낄 것이고, 그렇기에 더 직관적으로 광고 interaction한 것이라 여겨질 수 있는 click에 더 후한 점수를 줄 수 밖에 없습니다. 하지만, 위에서 fat finger 사례에서 보듯이 60%의 클릭이 실수로 이루어진 것이라면 궁극적으로는 view나 click은 동일선상에서 이해될 수 밖에 없습니다.

오히려 이러한 광고주의 click에 대한 과도한 favor, 혹은 DA 퍼포먼스 메트릭에 대한 bias는, 그게 맞춰서 click에 대한 Fraud (광고사기)가 발전되어 오는 초석이 되고 있습니다. 이러한 Click 중심의 Fraud에 대해서는 다음 포스팅에 설명드리도록 하며, 이번 포스팅을 마치도록 하겠습니다.

왜 내 앱의 설치(Install) 숫자는 정확하게 집계되지 않나요?

숫자를 보면서 마케팅 성과측정을 하는 마케터 분들에게 가끔씩 이런 질문을 받습니다.

앱 스토어에 가서 우리 앱의 설치수를 보았는데, Attribution Analytics에서 집계한 우리 앱의 설치 숫자와 차이가 나요. 도대체 왜 그런거죠?

전통적인 웹 환경에서는 보통 브라우저에 저장되는 ‘쿠키’를 통해 사용자의 어마무시한 정보를 전달받습니다. 그리고 이러한 쿠키들을 광고 사업자들은, 이러한 쿠키를 수집해서 이용자에 맞는 타겟팅 광고를 한다고 이야기하고 있습니다.

하지만 모바일 환경에서는 더이상 이러한 방법이 먹히지 않습니다. 이는 모바일 환경에서는 웹에 대응되는 ‘쿠키’가 없기 때문에 한번에 정확하게 추적하기가 (해당 광고를 보고, 광고를 클릭했는지, 내 앱을 설치했는지, 실행했는지 등 모든 앱 실행자 추적 – Attribution) 쉽지 않기 때문입니다. 그럼에도 불구하고, 모바일 환경에서도 우리 앱의 사용자가 어떤 경로를 통해 우리 앱을 설치하고 사용하게 되었는지는 중요한 정보입니다. 따라서 모바일 환경에서는 크게 6가지의 방법으로 Attribution을 측정합니다.

Attribution 측정 방식

 1. Google Referrer 방식

가장 신뢰도가 높은 방법입니다. 이론상으로는 100% Attribution 가능합니다. 다만, Google play를 통해서만 100%로 Attribution 할 수 있습니다. 트래킹할 수 있는 파라메터를 스토어로 보내서 앱이 다운로드 되었을 시에 다시 스토어로 정보를 보내는 방식입니다. 이를 셋업하는 방법에 대해서는 ab180 블로그에 더 자세히 나와 있습니다.

2. ID Matching: Google Advertising ID(GAID)

위의 Google referrer 방식과는 달리, Google Play 이외에 안드로이드 앱 스토어 밖에서 설치된 것도 측정 가능합니다. 그러나, 모바일 웹에서는 가능하지 않으며, 앱 설치시 사용자의 동의를 얻어야 하고 해당 정보를 전달해주는 Ad Network이 이러한 시스템을 서포트 해줘야 합니다

3. ID Matching: Apple’s IDFA

GAID와 같은 방식으로, 역시 Apple Store 밖에서 설치된 앱에 대해서 추적합니다. 다만, 역시 모바일 웹에서는 가능하지 않으며, 앱 설치시 사용자의 동의를 얻고, 해당 유료광고를 보여준 AD Network가 이러한 시스템을 서포트 해줘야 합니다.

4. Fingerprinting

디바이스 이름, OS 버전, IP 주소, 통신사 등의 공개적으로 접근 가능한 파라미터를 통해 통계적으로 사용자를 매칭하는 방법입니다. 다만, 확률적 매칭 방법이기 때문에 위의 Google referrer방식이나 ID Matching같은 확정적인 방식이 가능하지 않은 경우에만 사용합니다. 다만, iOS에서는 1개의 확정적 방식 (IDFA 방식)밖에 없기 때문에 주로 iOS에서 많이 쓰입니다.

클릭과 인스톨 사이에 시간이 길어지면 길어질수록 사용자의 디바이스 정보가 변경될 확률이 크기 때문에 짧은 window안에서만 추정하기 적합한 방법이기도 합니다. 특히, 모바일의 경우 사용자가 계속 움직이면서 IP 주소가 변경될 가능성이 크기 때문에 해당 디바이스의 정보는 계속 변화하게 됩니다. 그러므로 1-2시간 안에 이루어지는 Attribution은 상당히 정확합니다.

5. Open URL with Click ID

딥링크 방식이기 때문에 설치후 첫 연결에는 딥링크에 접근할 수 없으므로, Install Attribution이 아닌 Event Attribution에 쓰입니다. 앱-앱간, 혹은 웹-앱 간에서 딥링크 클릭시 실행을 바탕으로 측정합니다.

6. Safari View Controller

앱 설치 및 실행시, 사파리 브라우저에 쿠키를 남기고 그것을 수집해서 Attribution을 측정합니다. 사파리가 기본 브라우저로 정해져있는 iOS에서는 사용도가 높지만, 사용자가 임의로 다른 브라우저에서 접속하는 경우 Attribution할 수 없다는 단점이 있습니다.

 

Attribution의 한계와 발전 방향

다시 위의 방식을 정리하면 아래와 같습니다. (단순해보이지만..)

 

스크린샷 2016-06-05 오후 5.13.44

이야기된 것과 같이, 확정적인 식별방법은 구동의 한계들이 있고, 그렇기 때문에 식별하지 못하는 경우는 Fingerprint방식의 확률적 매칭 방법으로 넘어오게 됩니다. 그런데, 이러한 확률적 매칭방식은 모바일 디바이스의 특성상 디바이스의 고유값이 계속 변경된다는 한계가 있습니다. 따라서, 아무리 고도화되어있고 가장 정확한 트래킹을 한다고 하는 Attribution Analytics라고 하더라도 Install을 백퍼센트 정확하게 트래킹을 할 수 없습니다.