소비자들은 매일 매순간 온라인 광고를 접하고 있습니다.
이러한 점에서 기업에서는 소비자에게 자사의 브랜드를 인지시키고자,
또는 상품을 판매하고자 많은 광고 예산을 들여 온라인 광고를 집행하고 있습니다.
그렇다면 소비자는 그 많은 광고 중 어떤 광고에 긍정의 인식을 갖고, 부정적 인식을 갖게 될까요?
신뢰를 쌓았다면 소비자는 언제 우리에게 매출을 발생시켜줄까요?
우리는 계속 많은 광고 매체를 모두 운영하면서 광고비를 써야 할까요?
이러한 질문에 정답을 찾는 것은 쉬운일이 아님을 알고 있습니다.
도움이 될 수 있는 방법들을 찾아보고자, 머신러닝 및 데이터 기반 의사결정과 마케팅 실행에 지원하는 방법을 제언드리고자 합니다.
우리는 흩어져 있는 고객-광고 데이터를 통합하고,
광고에 대한 성과를 머신러닝을 이용하여 예측해보았습니다.
데이터를 수집하는 단계에서는 2가지가 필요합니다.
(1) 로거, GA 등 웹로그 분석 솔루션에서 수집되는 광고 성과 전환 데이터
(2) 광고 매체 집행 데이터
광고를 집행하는 기업이라면, 1과 2의 데이터들은 쉽게 구할 수 있습니다.
다만 통합되어 있지 않고 각기 다른 솔루션 또는 엑셀에 보관과 같이 흩어져 있을 수 있습니다.
그래서 이렇게 흩어져 있는 데이터를 2단계에서 고객을 기준으로 결합하고 통합하는 과정을 진행합니다.
데이터가 흩어져 있다면, 통합하는 단계는 아래 2단계로 진행하게 됩니다.
① 광고 매체 집행 데이터 + 매체 성과 수집 데이터
② 데이터의 통합은 우리 사이트(채널)을 방문하는 고객을 기준으로 결합하는 작업을 먼저 합니다.
③ 여기서 고객이란 쿠키, ad-id, 암호화된 회원 id등과 같은 비식별 키를 유니크하게 갖는 방문자를 말합니다.
데이터를 결합했다면 이제 비식별 키를 기준으로 통합하는 작업을 하게 됩니다.
이 과정을 진행하고 나면, 우리가 가진 모든 데이터를 고객(방문자)의 기준으로 재생성하게 됩니다.
예를 들면, 데이터의 형태는 아래와 같습니다.
① 고객(비식별 키) – 방문 일시 – 방문 매체 – 매체/소재 – 체류시간 – 상품 1 – 상품 2- 회원가입 – 매출액
② 고객(비식별 키) – 방문 일시 – 관심 페이지 1 – 1의 체류시간 – 관심 페이지 2 – 2의 체류시간 – 이탈
위에 든 예시 이외에도 고객의 행동데이터를 기준으로 데이터는 재정비되었으니,
고객 행동 데이터 중 궁금한 것이 있다면 관찰할 수 있게 됩니다.
다음 단계로 통합된 데이터를 기반으로 머신 러닝을 돌려 광고 성과 예측을 해보겠습니다.
매체 성과 예측을 위한 머신러닝을 돌리는 단계는 아래 3단계로 진행됩니다.
비즈니스 환경과 목표에 맞는 변수들을 선택하고, 성과 예측할 수 있는 머신러닝 알고리즘을 선택하는 과정으로, 우리는 로지스틱 회귀 분석 알고리즘을 선택하여 돌려봤습니다.
1에서 만들어진 모델이 얼마나 잘 맞추는지를 판단할 수 있는지 확인하는 단계로,
주요 성능지표들은 정확도, 정밀도, 재현율을 선택하여 성능을 해석해보았습니다.
모델 검증에서 현업에서 사용할 만한 성능이 나왔다고 판단하면, 만든 모델을 기반으로 매일 성과를 예측해보는 것입니다.
이제 분석-예측된 데이터에서 인사이트를 찾으셨다면, 광고 채널을 적극 활용하여 고객 전환률을 높여볼까요? 여기서 예상되는 활용 포인트는 아래와 같습니다.
A. 매체 예측 전환율 – 현재 집행중인 광고 매체들의 전환을 예측할 수 있습니다. 낮다면, 집행 매체 또는 광고 기간/비용등의 계획을 수정할 수 있습니다.
B. 전환 예측 고객 : 미전환 예측 고객을 선별하여, 고객들에게 푸쉬/쿠폰 지급 또는 리타겟팅 광고를 실행할 수 있습니다.
여기까지 머신러닝을 이용한 광고 성과 예측하기에 대한 방법을 설명 드렸습니다.
비즈스프링은 흩어진 데이터를 통합하고자 하거나,
보유한 데이터를 토대로 머신러닝/인공지능을 실행하여 인사이트를 찾고자 하는 기업과 협업 프로젝트를 진행하고자 합니다. 연락 기다리겠습니다.
문의 ad@bizspring.co.kr | 02-6919-5516