DSP와 SSP: 디지털 광고의 중심
디지털 광고의 세계에서는 DSP(Demand-Side Platform)와 SSP(Supply-Side Platform)가 중요한 역할을 합니다. 광고주와 퍼블리셔를 연결하고, 프로그래매틱 광고 및 실시간 경매(RTB)를 가능하게 만드는 기술적 기초입니다. 이 글에서는 DSP와 SSP의 작동 방식, 수익화 전략, 주요 KPI, 그리고 관련된 주요 업체들에 대해 알아보겠습니다.
DSP (Demand-Side Platform): 광고주의 조력자
DSP는 광고주가 광고를 구매하고 관리할 수 있도록 돕는 플랫폼입니다. 광고주는 DSP를 통해 캠페인 목표를 설정하고, DSP는 이를 기반으로 실시간 경매에 참여하여 최적의 광고 공간을 구매합니다. 광고주는 DSP를 통해 타겟 인구통계, 예산, 광고 형식 등을 설정하고, DSP는 이 기준을 따라 실시간으로 가장 적합한 광고 공간을 자동으로 구매합니다. DSP는 광고주가 설정한 타겟팅 옵션에 맞춰 실시간 데이터를 분석합니다. 예를 들어, 사용자의 검색 기록, 위치, 브라우징 패턴을 바탕으로 최적의 타겟을 찾고, 실시간 경매에서 자동으로 입찰을 합니다. 또한, 머신러닝과 AI 기술을 활용해 캠페인의 효율성을 지속적으로 분석하고 조정합니다. DSP는 광고주의 ROI를 극대화할 수 있도록 광고 집행을 최적화합니다. 효율적인 타겟팅, 캠페인 자동화, 다양한 광고 형식 지원을 통해 불필요한 비용을 절감하고 성과를 높입니다.
주요 KPI
CTR (Click-Through Rate): 광고 클릭 비율
CVR (Conversion Rate): 전환율 (클릭 후 구매 등)
CPM (Cost Per Mille): 1000회 노출당 비용
CPA (Cost Per Action): 전환 1회당 비용
ROAS (Return on Ad Spend): 광고비 대비 수익
주요 DSP 업체
Google Display & Video 360 (DV360)
The Trade Desk
MediaMath
Adobe Advertising Cloud
AppNexus (현재 Xandr의 일부)
SSP (Supply-Side Platform): 퍼블리셔의 조력자
SSP는 퍼블리셔가 광고 인벤토리(광고 공간)를 판매하고 관리할 수 있도록 돕는 플랫폼입니다. 퍼블리셔는 SSP를 통해 여러 DSP와 연결하여 실시간 경매에 참여하고, 최적의 입찰자를 선택하여 수익을 극대화합니다. SSP는 광고 공간을 여러 DSP에 연결하여 광고 인벤토리의 판매를 촉진합니다. 퍼블리셔는 SSP를 사용하여 광고 공간의 수익을 최적화하고, SSP는 보통 가장 높은 입찰가를 제시한 광고를 선택합니다. 사용자가 웹사이트를 방문하면, SSP는 해당 광고 공간의 데이터를 수집하고, 이를 기반으로 여러 DSP에 광고 요청을 전달합니다. SSP는 실시간 경매를 통해 가장 높은 입찰가를 제시한 광고를 선택하고, 퍼블리셔에게 최적의 수익을 제공합니다. SSP는 광고 인벤토리의 최대화와 프리미엄 광고 판매를 통해 퍼블리셔의 수익을 증대시킵니다. 다양한 DSP와 연결하여 경쟁을 유도하고, 광고 인벤토리를 채워 퍼블리셔가 놓칠 수 있는 기회를 최소화합니다.
주요 KPI
Fill Rate: 광고 인벤토리 판매 비율
eCPM (Effective Cost Per Mille): 실질적인 1000회 노출당 수익
Viewability Rate: 광고가 실제로 보여진 비율
Ad Request Latency: 광고 요청 처리 속도
Revenue Per Session: 사용자 세션당 수익
주요 SSP 업체
Google Ad Manager
PubMatic
Magnite (구 Rubicon Project)
OpenX
Smaato
DSP와 SSP는 Ad Exchange를 통해 서로 연결되어 광고주와 퍼블리셔 간의 거래를 원활하게 만듭니다. DSP는 광고주를 대표해 광고 입찰에 참여하고, SSP는 퍼블리셔를 대표해 광고 인벤토리를 판매합니다. Ad Exchange는 이들 간의 중개자로서 실시간 경매를 통해 광고가 자동으로 노출됩니다. 이 생태계를 통해 광고주는 효율적인 타겟팅을, 퍼블리셔는 광고 공간의 수익을 극대화할 수 있습니다. AI 기반 예측 모델은 광고 효율성을 극대화할 수 있는 가능성을 제공합니다. 머신러닝을 통한 CTR 및 CVR 예측, 자동 입찰 최적화 등이 그 예입니다. GDPR과 CCPA와 같은 개인정보 보호 규제에 맞춰 새로운 타겟팅 방법을 개발하고, 쿠키 없는 환경에서의 사용자 행동 예측 기술이 발전할 것입니다. 또한, Connected TV(CTV)와 Over-the-Top(OTT) 광고에서 DSP와 SSP의 역할이 점점 중요해지고 있습니다. 특히, TV와 같은 대형 화면을 통해 제공되는 광고가 더 많은 관심을 받게 될 것입니다.
DSP와 SSP의 기술적 설계
디지털 광고의 두 핵심 기술인 DSP와 SSP는 고급 분산 시스템, 데이터 처리, AI 및 머신러닝 기술을 바탕으로 설계됩니다. 이들은 초당 수백만 건의 광고 요청을 처리해야 하므로, 성능 최적화와 안정성, 확장성 고려가 필수적입니다. 실시간 경매에서 빠른 응답 시간을 요구하는 초저지연 시스템 설계가 관건이며, 이벤트별 트래픽 변화에 맞춰 리소스를 확장성 있게 관리해야 합니다. DSP와 SSP는 주로 마이크로서비스 아키텍처와 이벤트 기반 시스템을 채택합니다. 이를 통해 광고 요청 처리, 데이터 수집, 입찰 최적화 등 기능을 독립적으로 관리할 수 있습니다. 시즌별, 이벤트별 트래픽 변화에 맞춰 리소스를 유연하게 관리해야 합니다. 또한, GDPR과 CCPA에 대응하는 방식으로 데이터를 보호해야 합니다.
핵심 기술 스택
실시간 처리 기술: Kafka, Apache Flink, Redis
대용량 데이터 처리: Snowflake, Cassandra, Hadoop
AI와 머신러닝: TensorFlow, PyTorch
네트워크 기술: RESTful API, gRPC
데이터 흐름: 실시간 처리와 예측 모델링
먼저, (1) DSP에서는 SSP로부터 광고 요청(bid request)이 들어옵니다. 요청에는 사용자 ID, 위치, 디바이스 정보, 타겟팅 정보 등이 포함됩니다. (2) 이를 기반으로 광고주 데이터베이스에서 관련 사용자 정보를 실시간으로 조회합니다. (3) 그 다음에는 위에서 언급한 DSP의 주요 KPI 중 사용자와 광고 간의 상호작용 확률을 알 수 있는 CTR(Click-Through Rate)를 예측합니다. 더불어 클릭 이후 구매 또는 전환 확률을 대변하는 CVR(Conversion Rate)도 예측합니다. (4) 이를 기반으로 ROI를 극대화하도록 입찰가를 산출하며 (5) 50ms 내에 SSP에 응답을 전달합니다.
SSP에서는 (1) 사용자가 웹페이지에 방문하면 광고 요청(impression)을 생성합니다. (2) 다음 해당 SSP에 연결되어 있는 여러 DSP에 광고 요청을 전송하고 (3) 가장 높은 입찰가를 제시한 DSP를 선택하고 광고를 노출합니다. (4) 이후 위에서 언급한 광고 노출, 클릭, 전환 데이터를 수집하여 퍼블리셔의 수익을 분석합니다.
DSP의 머신러닝 모델
DSP는 광고 성과를 극대화하기 위해 최첨단 예측 모델과 최적화 알고리즘을 활용하며, 이에 관한 논문들이 매우 많습니다. CTR 예측은 DSP에서 가장 중요한 모델 중 하나로, 사용자가 광고를 클릭할 확률을 예측합니다. 데이터에는 사용자 정보(연령, 위치, 브라우징 기록), 광고 정보(카테고리, 크기, 시간대), 맥락 정보(페이지 콘텐츠, 디바이스..) 등이 다양하게 포함되어 있어 이를 기반으로 feature engineering을 진행합니다. 특정 광고가 클릭되었는지 여부를 binary variable로 만들고, 사용자의 관심사와 광고 속성을 벡터화하는 embedding을 하거나 시간대, 요일 등의 시간 특성 관련 다양한 파생 변수를 만들기도 합니다. 이후 다양한 모델들을 이용하여 AUC_score과 같은 metrics 결과들을 비교하여 챔피언 모델을 선정합니다.
DSP는 ROI를 극대화하기 위해 입찰가 최적화 알고리즘을 사용합니다. 아래는 간단한 예시입니다.
V (가치) = 예측 클릭 확률 x 클릭으로 얻는 예상 수익 (=입찰가) - 광고비용
SSP의 경매 알고리즘
SSP는 실시간 경매(RTB)를 통해 광고 인벤토리를 판매합니다. 경매 방식은 주로 2nd-price auction을 사용하며, 두 번째로 높은 입찰가에 약간의 마진을 더한 금액으로 낙찰되는 이 옥션 방법은 최적의 입찰가를 유도하는 데 효과적입니다. 1st-price auction과 2nd-price auction에 관한 자세한 이야기는 다음 포스팅에서 다루도록 하겠습니다.
결론
DSP와 SSP는 데이터 과학과 엔지니어링 기술이 결합된 복잡한 플랫폼입니다. CTR 예측, 입찰 최적화, 실시간 데이터 스트리밍 등 다양한 기술이 사용되며, 이는 모두 효율적인 광고 배치와 수익 극대화를 목표로 합니다. 앞으로는 강화 학습, 프라이버시 보호 AI, 쿠키 없는 타겟팅 기술 등이 이 분야의 중요한 발전 방향이 될 것입니다. 다음 포스팅들에서는 실시간 경매(RTB) 기술 및 경매 방식을 좀 더 깊게 알아보고, 실시간 데이터 처리를 위한 이벤트 스트리밍 및 저지연 데이터 조회 등의 기술적 측면을 더 자세히 알아보도록 하겠습니다.
[참고]
https://github.com/wnzhang/rtb-papers
