광고 시장에서 고가치 유저를 찾는 방법

이 유저, 체리피커일까요?

리워드 광고에는 꼬리표처럼 달라붙는 우려가 있습니다. 바로 '체리피커'입니다.

많은 기업들이 체리피커를 '광고 참여 리워드만 받고 서비스를 이탈하는 유저'로 정의합니다. 이 정의를 좀 더 풀어쓰자면, "리워드를 적립하기 위해 광고에는 참여하지만, 리워드를 적립한 후엔 실질적으로 서비스를 이용하지 않은 채로 바로 서비스를 외면해버리는 가치가 낮은 유저"로 해석할 수 있습니다.

리워드 광고를 운영하는 플랫폼들은 이런 우려를 누구보다 잘 알고 있습니다. 리워드라는 귀중한 자산을 가치 있게 써야 하는만큼, 전환 가능성이 높은 유저에게 광고를 노출하고 리워드를 지급하기 위해 다방면으로 고민을 하고 있습니다.

어떤 유저에게 광고를 노출할지 구분하는 과정 속에서 이런 질문을 떠올려 볼 수 있습니다.

'A 기업의 광고는 리워드만 적립하고서 서비스를 이탈했지만, B 기업의 광고는 참여 리워드를 받고서도 서비스 이용은 물론 구매까지 일으킨 유저가 있다면, 이 유저는 체리피커로 볼 수 있을까?'

A 기업 입장에서는 해당 유저를 체리피커라고 생각하겠지만, B 기업 입장에서는 아주 감사한 고객이라고 생각할 것입니다. 또 어쩌면 이 유저는 모든 광고를 진심으로 참여하지만, 광고로 접한 A 기업의 서비스가 별로여서 즉시 이탈했을 수도 있습니다.

이처럼 체리피커는 단순하게 몇 가지의 행동을 기준으로 정의할 수는 없습니다. ‘리워드만 받고 앱 삭제 등 서비스를 이탈하는 유저’, ‘광고주가 정의한 목표를 달성하지 않은 유저’, ‘광고 내용에 관심이 없는 부적절한 유저’를 포함하여 너무나 다양한 행동이 발생할 수 있기 때문입니다. 앞서 언급한 예시처럼, 어떤 광고냐에 따라 참여도의 차이를 보이는 유저도 존재하기 때문에, 단순히 한 명의 유저를 놓고 체리피커라고 단정 지을 수 없는 것이죠.

따라서 체리피커를 필터링할 때에는 개별 상황을 모두 고려해야합니다. 유저가 아닌 각 광고의 특성을 고려해 '광고에 특화된 체리피커 필터링'이 필요합니다.

이번 콘텐츠에서는 버즈빌이 체리피커를 필터링하는 전략이라는 대주제 아래, 개별 광고마다 체리피킹 행태를 방지하기 위한 유저 세그멘테이션 전략에 대해 알아보겠습니다.

광고 특성을 고려한 체리피커 필터링

버즈빌은 광고 특성을 고려한 체리피커 필터링을 위해 광고를 보여주기에 가장 적합한 유저가 누구인지 선별합니다. 광고를 집행할 땐 광고비(예산)와 집행 기간이 존재하기 때문에 광고 노출 기회가 한정되어있습니다. 그렇기 때문에 광고 참여 시 실질적인 성과를 만들어낼 유저에게 이 기회를 제공해야합니다.

그만큼 이 광고에 참여했을 때 유저가 발생시킬 가치를 예측하고, 가치가 가장 높은 유저가 누구인지 찾는 것이 체리피커 필터링에서는 매우 중요한 작업입니다. 유저의 가치를 기준으로 우선 순위가 높은 유저들은 광고 노출 기회를 먼저 부여받고, 순위가 낮을수록 광고 노출 기회를 제공하지 않는 방식인 것이죠. 이 때 유저가 만들어낼 가치의 예측값을 pLTV라고 칭합니다. pLTV를 예측함으로써 광고를 할당할 고가치 유저를 발견하는 것입니다.

pLTV는 어떻게 예측할 수 있을까요?

버즈빌은 개별 유저의 pLTV를 예측하기 위해 추론형 AI 모델을 활용합니다. 버즈빌의 가치 추론형 AI 모델 퍼포먼스 맥시마이저는 여러 유형의 데이터를 학습하고, 학습값을 기반으로 해당 광고에서의 유저별 pLTV를 도출합니다.

이때 퍼포먼스 맥시마이저가 학습하는 데이터는 광고주가 제공하는 퍼스트파티데이터, 유저의 데모그래픽 데이터(통계학적), 기존 광고 참여 데이터, 유사 산업군에서의 참여 데이터까지 다양합니다. 데이터가 풍부할수록 추론 모델이 더 깊이 있게 데이터를 학습하고, 유저 가치를 더욱 정확하게 예측할 수 있습니다.

학습할 유저 데이터가 충분치 않은 경우, 확보한 데이터 중 가장 유사한 특성의 유저의 데이터를 학습하는 Lookalike 모델링을 활용하는 데이터 증강 시스템을 운영합니다. 신규 유저의 광고 참여 데이터가 아예 없을 경우엔, 해당 유저와 가장 비슷한 데모그래픽 특성이나 퍼스트파티 데이터를 활용해 비슷한 유저를 찾고 해당 유저의 LTV를 활용하는 방식이라고 할 수 있습니다.

또한 서비스 신규 런칭 등의 이유로 광고주가 활용할 수 있는 데이터가 없는 경우엔, 광고주의 특성을 분석한 후 매체가 자체 보유한 광고 데이터를 활용해 고가치 유저를 판단할 수 있습니다. 예를 들어 신규 게임을 런칭한 광고주라면 게임 관심사 유저, 과금 경험이 있는 유저 등 자체적으로 보유한 유저 데이터를 AI 모델 학습에 활용합니다. AI가 학습할 수 있는 다양한 데이터들을 활용해 추론 모델의 정확도를 높여, 유저 가치를 예측하는 것이 pLTV 예측 과정이라고 할 수 있습니다.

이렇게 결정된 유저의 pLTV는 예측 시점 이후 유저의 행동에 따라 더 높아지기도, 낮아지기도 합니다. 버즈빌의 한 게임 광고주의 경우, 앱 설치 이전 시점의 pLTV가 상위 50% 였던 유저가, 앱 설치 이후 상위 30%로 상승한 후 결제 시점 직전엔 상위 1%를 기록하기도 하였습니다.

pLTV 예측을 활용한 광고 노출 방식의 성과

퍼포먼스 맥시마이저로 pLTV를 예측해 고가치 유저에게 광고를 노출했을 때, 실제로 전환 성과가 개선되었을까요? 정답은 그렇다입니다.

한 게임 광고주는 퍼포먼스 맥시마이저 활용 이전 대비 ROAS가 2.3배 증가하였고, 한 커머스 기업은 ROAS가 4배, 노출 대비 구매전환율이 2.7배 증가하였습니다. 유저 pLTV 예측을 활용한 타겟팅은 구매 성과 뿐만 아니라 전환 성과에도 큰 개선을 보였습니다. 한 게임 광고주는 노출 대비 설치 전환율이 이전 대비 3.7배, 노출 대비 Lv5 달성 유저 비율이 1.5배까지 증가하였습니다.

광고를 노출할 고가치 유저를 찾기 위해, 버즈빌은 가치 추론형 AI 모델을 활용해 개별 유저의 pLTV를 예측하고, 예측값이 높은 유저에게 광고를 우선 노출하는 방식을 사용하고 있습니다. 그러나 체리피커 필터링은 이 방법만으로는 충분하지 않습니다. 고가치 유저만을 대상으로 광고를 노출하게 되면 유저 모수가 충분하지 않을 수 있기 때문에, 중가치 유저 및 저가치 유저를 활용하는 필터링 방법까지 함께 활용합니다.

다음 편에서 중가치 유저와 저가치 유저를 대상으로 체리피커 필터링을 어떻게 진행하는지 알아보겠습니다.

🍀 고가치 유저를 대상으로 리워드 광고를 운영하고 싶다면?

>> 버즈빌 리워드 광고 문의하기 (클릭)

🍀 더 많은 버즈빌의 AI 기술이 궁금하다면?

>> '리워드 광고가 AI를 만났을 때 생기는 변화' 콘텐츠 보러 가기 (클릭)