마케팅이 눈에 보이게
마케팅을 알아가는 누군가를 위하여
스크롤 압박이 있어 보기 불편한 분들이 있을 듯 하여, 파트를 분리하여서 브런치북으로도 발행해두었습니다.
현재 글과 동일한 내용입니다.
마케팅 세계의 난제 중 난제
그 앞에 붙은 단어가 무엇이든 마케터라는 타이틀을 가지고 일을 하고 있는 사람들에게는 언제나 풀리지 않는 문제가 산더미처럼 쌓여있다. 그 중에 손꼽히는 난제는 바로 ‘성과'에 대한 부분일 것이다. 마케터는 전사적인 관점에서 인적, 물적 자원을 투입해서 더 나은 결과를 만들어 내야하는 상황에 놓여 있기 때문에, 의사결정권을 가지고 있는 사람 뿐 아니라 함께 일을 해야 하는 여러 사람들을 설득해야하는 어려움이 존재한다. 그들을 설득하여 자신이 기획한 마케팅 캠페인이 실제로 세상에 보여지게 하는 것이 마케터가 하는 일 가장 현실적으로 설명한 표현일 것이다.
이를 위해 가장 필요한 것은 바로 자신이 기획하고 실행한 마케팅 활동이 어떠한 성과를 가져왔는지, 가지고 올 것인지에 대한 정량적 지표일 것이다. 불확실성으로 가득 찬 세상에서 눈에 보이는 숫자만큼 사람들을 안심시킬 수 있는 것은 없다. 하지만 안타깝게도 그 동안 아니 지금까지도 대부분의 마케팅 활동들은 그 개별 활동에 대한 정확한 성과 기여도를 파악하는 것이 쉽지 않다. 이는 마케터가 실행한 활동들이 사람들에게 어떻게 도달되고, 그 사람들이 우리가 던진 메시지에 어떻게 반응하고 있는지를 정확하게 파악할 수 있는 데이터가 존재하지 않기 때문이다. 그래서 과거의 우리는 마케팅 활동이 기업의 매출 증가에 기여한 정도를 파악하기 위해 BAU(business as usual) 대비 캠페인 기간 동안의 매출액 증감액을 기준으로 마케팅 ROI(return on investment)를 계산하곤 했다. 그렇다보니 과거에는 보다 정확한 마케팅 활동의 매출액 기여도를 파악하기 위해 BAU를 얼마나 정확하게 추정하는 지가 중요하기도했다. 하지만 특정 상품/서비스의 매출액 추세를 추정하는 일 또한 쉬운 일이 아니다. 따라서, 과거의 마케터들은 하나의 캠페인을 실행하기 위해 굉장히 많은 노력을 했음에도 불구하고 마케팅의 성과를 이야기하는 게 매우 어려웠고, 이는 비용을 중시하는 기업의 관점에서 볼 때, 마케팅 활동에 대한 매출 증가 효과를 과소 추정하게 되어, 종종 마케팅 예산을 축소하는 가슴 아픈 결과를 초래하기도 하였다.
사회생활을 시작하면서, 처음 신입사원으로서 마케팅 업무를 맡아서 진행했던 일은 고객들에게 이벤트 내용이 담긴 우편물을 보내는 일이었다. 어떤 사람들에게 우편물을 보내야할 지, 어떤 메시지의 우편물을 보내야할 지 고민, 고민해서 우편물을 발송했었다. 하지만 그 우편물이 고객들에게 제대로 도착했는 지, 알 방법이 없었다. 집에 도착은 한 것인지, 우편물을 뜯어서 읽어보기는 했을 지 알 수가 없었기 때문에, 우편물을 보내고 난 뒤 답답한 마음이 크게 들었다. 그리고 그 이후에 실제 매출액에 큰 차이가 없자 ‘중간에서 우편물이 다 분실된 것은 아닐까?’ 라는 허망한 생각이 들기도 했다. 다만 우리가 누구에게 우편물을 보냈는 지는 알기 때문에, 그 고객이 일정 기간 동안 서비스를 이용하는 지 안 하는 지로 이 이벤트의 성과를 추정할 뿐 이었다. 그나마 이메일은 상황이 조금 나았다. 사람들에게 메일이 도달했는지, 얼마나 메일을 열어보았는지를 확인할 수 있었기 때문이다. 하지만 그 당시의 경우, 요즘과 달리 해당 기업 내 메일을 발송하는 시스템과 내부 고객의 거래 정보를 분석할 수 있는 시스템 환경이 분리되어 있고, 메일 시스템에서 메일 건별로 클릭 여부에 대한 정보를 포스트백(postback) 받는 것 등이 제대로 고려되어 있지 않았기 때문에, 누가 메일을 클릭했고, 누가 메일을 클릭하지 않았는 지를 알 수는 없었다. 무엇보다 그 당시의 나는 웹 로그 분석에 대한 이해도가 없었기 때문에, 메일에 포함되는 HTML(hypertext markup language)에 무언가를 해볼 생각도 못했다. 10년 전의 일이다.
하지만, 인터넷의 발달을 넘어 스마트폰 시대에 들어오면서 시장 환경이 급격하게 변화하였듯이 마케팅 환경 또한 급속도로 변화하기 시작했다. 스마트폰의 보급과 점령(?)에 따른 마케팅의 환경의 대표적 변화는 크게 2가지로 볼 수 있다. 하나는 ‘마케팅 채널의 변화’이고, 또 다른 하나는 ‘마케팅 데이터의 변화’이다. 물론 그 만큼 마케터가 배우고 알아야할 것들이 급격하게 늘어난 것 또한 사실이다.
마케팅 채널의 변화
우리 모두가 잘 알고 있듯 스마트폰 혁명 이후, 사람들의 일상은 굉장히 많이 변화되었다. 한 사람의 하루 일과의 시작과 끝이 모두 손 안에서 손 끝을 통해 이루어지게 됨에 따라, 그러한 일상의 틈새를 비집고 들어가기 위한 다양한 서비스들의 전쟁이 시작되었다. 고객의 접점에서 고객의 시간을 누가 얼마나 더 점유하느냐에 따라 기업에게 큰 돈을 가져다 주게 됨에 되었고, 고객의 시간을 차지한 승자들은 그렇지 못한 이들에게 고객의 시간을 ‘아주 조금’ 빌려주는 대가로 막대한 돈을 벌기 시작했다. 그들에게 고객의 시간을 빌리기 위해 다가가는 이들이 바로 마케터이다. 결과적으로 특정 서비스의 마케터 입장에서는 자사의 서비스로 고객을 유입시키기 위해, 구글, 페이스북, 카카오, 네이버, 인스타그램, 틱톡 등 고객의 시간을 점유하고, 일상의 길목 곳곳에 자리잡고 있는 다양한 형태의 모바일 서비스에 광고를 집행할 수 있게 되었다. 이는 페이드 미디어(paid media) 관점에서의 미디어 채널이 모바일 내에서 다양화되었음을 의미한다. 기업들은 타 모바일 서비스에 자사의 광고를 집행하는 것과 더불어 자신의 모바일 서비스를 만들어 운영하기 시작했고, 이를 바탕으로 자사 모바일 어플리케이션(이하 앱)을 통해 고객들과 커뮤니케이션을 할 수 있는 수단 또한 마련되었다.
이제 고객들은 문자, 이메일을 넘어 모바일 앱에서 발송되는 푸시 알림을 통해 광고를 받거나, 어플리케이션 내 각종 영역에 존재하는 팝업, 배너, 알림함, 이벤트 게시판 등을 통해 기업의 마케팅 활동을 접하는 것이 너무나 당연해졌다. 이는 기업이 소유하고 있는 온드 미디어(owned media) 관점에서의 채널이 모바일을 통해 확장되었음을 의미한다. 마케터 입장에서는 너무나 좋아진 세상이다. 고객들에게 우리 서비스를 알릴 수단과 방법이 과거와 다르게 매우 다양해졌고, 이를 복합적으로 운영하는 것 또한 어렵지 않아졌기 때문이다.
그러나 이러한 고객 접점의 다양화는 필연적으로 마케팅 성과 측정의 복잡성을 더욱 더 증대시키는 결과를 낳게 되었다. 고객은 하나의 커뮤니케이션 채널을 통해서만 정보를 습득하고 상품을 구매하고자 하는 마음이 드는 것이 아니기 때문에 다양한 마케팅 채널에 동시 다발적으로 노출이 되고, 하나의 상품을 구매하기 위한 고객의 여정은 매우 복잡해졌다. 마케터는 고객의 마음을 사기 위해 다양한 마케팅 채널을 효과적이고 효율적으로 운영하고자 노력하여야하며, 이를 위해서는 어떤 마케팅 채널이 어떠한 고객들에게 얼마나 어떤 영향을 주고 있는 지를 파악하여야 한다.
당장의 마케터는 어떻게든 단기적 성과를 더 내길 원하기 때문에 ‘비용의 이슈가 없다면' 고객에게 노출될 수 있는 모든 채널을 운영하기를 원할 것이다. 소셜미디어 타겟 맞춤형 광고 운영 뿐 아니라 모바일 앱 푸시 메시지도 보내고, 앱 내에서 해당 이벤트와 관련한 팝업/배너도 띄우고, 이벤트 게시글도 올리고, 자사가 운영하는 소셜미디어 채널이 있다면, 해당 채널에도 이벤트 안내를 진행하게 된다. 그런데 과연 운영할 수 있는 모든 채널을 통해 고객에게 메시지를 전달하는 것이 언제나 효과적이고, 효율적일까는 반드시 생각해봐야하는 문제이다. 1차적으로 당연하게도 마케팅(금전적) 비용의 비효율적인 운영이 발생할 수 있다. 이미 다른 채널을 통해 메시지를 인지할 수 있고, 참여도가 높은 고객일 수 있는데, 불필요하게 비용이 발생하는 문자, 카카오톡 메시지, 소셜미디어타겟광고를 중복적으로 노출할 필요는 없을 수 있기 때문이다. (물론 채널 간 상호 작용을 통한 시너지 효과가 발생할 수 있는 부분도 존재하지만 이는 뒤에서 멀티 터치 어트리뷰션에 대한 이야기를 나눌 때 조금 더 하기로 하자.)
2차적으로는 고객의 마케팅 피로도가 높아질 수 있다. 마케팅 피로도란, 고객이 특정 기업의 반복적이고 잦은 마케팅 메시지에 대해 느끼는 피로감을 의미한다. 고객의 마케팅 피로도가 높아질 수록, 어쩔 수 없이 고객은 해당 기업이 던지는 메시지에 대한 신뢰도가 낮아지게 되고, 반응률이 낮아지게 된다. 푸시 메시지, 이메일 등의 클릭률이 떨어지는 것은 물론, 기업이 나를 잘 모르고, 나에 대해 잘 이해하려고 하지 않는 것 같다는 감정을 받게 된다. 즉, 다수의 채널을 운영하기 위한 전략이 부재한 상태에서 운영할 수 있는 채널이 많아졌다고 하여, 무조건 많이 운영하게되는 경우, 당장의 결과론적 성과는 높게 나타나 보일 수 있지만, 이는 미래의 마케팅 성과를 갉아먹는 행위로 볼 수 있다. 고객의 마케팅 피로도가 높아져 미래의 마케팅 반응률이 낮아질 수록 마케터는 과거와 동일한 수준의 성과를 내기 위해 더 자극적이고, 더 높은 수준의 비용 부담을 하면서 고객들에게 말을 걸어야하게 되고 이는 끊을 수 없는 악순환의 고리를 만들게 된다.
즉, 우리가 마케팅을 위해 메시지를 노출하는 고객의 수도 결국 다른 의미에서 비용이라고 볼 수 있는 것이다. 이러한 악순환의 고리를 만들지 않기 위해서는 현재의 마케팅 채널 운영 방식이 철저하게 전략적인 관점에서 통제되고 절제되어야 한다. 유사한 수준의 마케팅 성과를 내기 위해 최소화된 고객 터치 채널만을 적절히 운영하는 것이 매우 중요한 것이다. 마케터에게 당장의 효과가 매우 중요하지만, 우리가 고객들과 먼 여정을 함께 가기 위해서는, 미래의 달콤한 열매를 위해 당장의 효율을 충분히 고려해야할 필요도 존재한다.
하지만, 앞서 이야기한 것 처럼 복잡성이 매우 증대된 요즘 시대에 각 채널별 효과를 측정하고자 한다면, 막막 하기만 할 것이다. 그렇지만 너무 걱정할 필요는 없다. 우리에게는 두 번째 변화가 남아있기 때문이다.
마케팅 데이터의 변화
마케터 입장에서 모바일 시대가 도래하여 얻은 이점 중 하나는 바로 고객의 모든 행동이 디지털 기반이 되어간다는 점이다. 이는 PC 인터넷 시대에서도 마찬가지였을 수 있지만, 스마트폰이 보급되어 완전한 모바일 시대로 넘어오기 전의 인터넷 서비스 환경은 고객의 모든 일상을 담아내지 못하고 있었다. 하지만 지금은 다르다. 사람들은 스마트폰과 한시라도 떨어져 생활할 수 없을 만큼 삶에 밀접하게 녹아들어가 있고, 그러한 일상의 정보들은 모두 데이터로 기록되고 있고, 기록될 수 있다. 일반 사람들 관점에서는 이러한 내용이 다소 무섭게 느껴질 수도 있겠으나, 마케터의 입장에서는 매우 큰 기회임에 틀림없다. 고객이 어떠한 경로로 우리의 상품을 발견하고, 이해하고, 구매하게 되었지는지를 법적 문제가 없는 선에서 과거에 비해 보다 뚜렷하게 파악할 수 있게 되었기 때문이다. 그 동안 상대적으로 감과 경험에 의존해오던 마케팅 전략과 실행 계획들이 비로서 보다 정확하게 눈에 숫자로 보여지게 된 것이다.
모바일 서비스를 운영하는 기업의 입장에서 고객의 여정을 파악하기 위해서는 일반적으로 2가지 관점에서의 데이터가 요구된다. 외부 광고(미디어) 채널에서의 고객 행동 정보와 자사 모바일 웹/앱 서비스 내에서의 고객 행동 정보가 바로 그것이다. 하지만 이 2가지 관점에서의 데이터는 아쉽게도 어떠한 노력없이 쉽게 얻어지지 않는다는 문제가 존재한다. (물론 그렇기 때문에 이러한 과정을 대신 해주기 위한 다양한 솔루션들이 등장하고 있기는 하다.) 마케터가 마치 자신이 개발자가 된 것 처럼 일을 하게 되는 이유가 여기서 발생하며 (개발자의 입장에서 보면, 실제로 개발을 하는 수준에 비할 바가 아니지만, 마케터들은 대부분 제반지식이 적기 때문에 파라메터를 정의하고, 몇 줄의 코드를 삽입하는 것만으로도 충분히 그렇게 느낄 만하다.) 데이터에 대한 집요함이 마케터의 핵심 역량 중 하나로 꼽히게 되는 계기가 되었다.
나 또한 기존에 다니던 회사를 퇴사하고, 인터넷전문은행이 오픈 하기 1년 전 쯤 합류하여, 사내에 아무것도 정의된 것이 없을 때 가장 많은 고민의 시간을 투자한 부분이 바로 마케팅 데이터 분석을 위해 사내외 여러 서비스들의 데이터를 어떻게 수집하고, 통합할 것인가에 대한 것이다. 그리고 실제로 지금까지도 계속 적지 않은 리소스를 투자하고 있는 일 중에 하나가 마케팅 접점 요소 요소 마다 그리고 자사 서비스 요소 요소 마다 어떤 흔적을 어떻게 남길지를 고민하고, 남겨지고 있을 지를 확인하는 일이다. ‘서말의 구슬꿰기’라고 표현하기도 하고, 어떤 개발자는 ‘제이든(현재 다니는 회사에서는 영문 닉네임을 사용한다.)의 빵부스러기 줍기'라고도 말하는 일이 그렇게 시작되었다.
서비스 오픈 전 가장 먼저 했던 일은 모바일 앱 내에서 어떠한 고객 행동이 발생하였을 때, 어떠한 기록들을 남길 것인지에 대한 것인지 대한 로그를 하나하나 정의하고 개발자와 상의하여 태깅하고 테스트하는 일이었다. 고객이 우리의 앱에 들어와 어떠한 탐색과 경험을 한 뒤에 상품/서비스를 이용하게 되는 지를 자세히 알아야 마케팅을 좀 더 효과적으로 진행할 수 있기 때문이다. 고객이 실제로 상품을 구매하거나, 정보를 변경한 거래가 아닌, 모바일 앱 상에서만 발생하는 화면 클릭이라든지, 스크롤링, 화면노출, 페이징 등에 대한 정보는 따로 개발자와 함께 정의해두지 않으면 데이터가 자동으로 쌓이지 않는다. 쌓인다 하더라도 마케터라는 엔드 유저가 접근하여, 사용하기 용이한 형태로 수집되어 있지 않다.
그 다음으로 진행한 일은 실제 상품/서비스의 거래 이력 데이터와 앱 로그 데이터를 서로 연결하여 한 고객의 여정을 추적하기 용이하도록 작업한 일이다. 이 과정을 통해 한 고객이 앱에 들어와 어떠한 단계를 거쳐 최종적으로 우리가 원하는 특정 거래를 일으켰는 지를 쉽게 파악할 수 있게 되었다. 이후에는 고객들과 맞닿게 되는 다양한 채널에 대한 접촉 정보를 수집하여 연결하면서 어떤 고객들에게 어떠한 목적으로 어떠한 메시지를 어떠한 채널을 통해 언제 발송했고, 고객들은 그 메시지를 언제 확인하여, 앱에 언제 들어와, 실제로 언제 원하는 목표 행동을 완료하였는 지도 파악할 수 있게 되었다.
고객들이 고객센터와 상담톡을 통해 문의하는 접점도 빠뜨릴 순 없다. 이렇게 모바일 앱 내 고객의 활동들과 서비스와 관련한 거래/접촉 채널들의 정보들을 하나로 모은 뒤 진행한 것은 마케팅 이벤트 웹 페이지에서의 고객 행동 및 유입 경로를 파악하기 위해 웹 로그 트래킹 코드 삽입 작업과 외부 광고 매체들에 집행하는 광고 채널에서의 고객 유입을 파악하기 위해 도입한 모바일 어트리뷰션(attribution) 솔루션의 데이터를 앞서 진행한 채널 접촉 정보들과 통합하는 작업이었다. 때로는 고통을 수반하기도 하였지만, 이러한 작업의 결과물을 바탕으로 우리는 우리가 기획하여 실행한 마케팅, 서비스의 성과를 최대한 정확히 측정하고 분석할 수 있는 환경을 마련할 수 있었다. 다양한 채널에서의 고객 데이터를 수집하고 분석할 수 있게 된 환경의 변화는 마케터에게 그 동안의 난제를 풀 수 있을 커다란 실마리를 제공하게 된 것이다.
어트리뷰션(attribution)의 세계
앞서 마케팅 데이터 분석을 위한 구슬 꿰기 작업에 어트리뷰션이라는 단어가 언급되었다. 어트리뷰션(attribution) 이란 단어는 흔히 우리말로 ‘기여’라고 번역하고 있으며, ‘무언가가 어떤 사람이나 사물로 인해 발생했다고 간주하는 행위'라고 정의되고는 한다(주1). 흔히 마케팅 관점에서 우리는 1) 우리의 어떠한 개별 마케팅 행위로 인해 (채널) 2) 우리가 목표로 하는 특정한 결과가 발생하였을 때 (전환), ‘특정 채널이 전환에 기여했다'고 표현하게 된다. 기여도를 측정하고자하는 노력은 ‘사람은 행동과 행위의 원인을 찾고자 자연스러운 욕구에 이끌린다'는 ‘Attribution Theory’라고 하는 사회 심리학 이론(주2)에 바탕을 두고 있으며, 모바일 시대 이전 부터 매우 오래전부터 시도되어 왔다. 하지만 오프라인 시대에서는 개별의 활동이 어떠한 결과를 만들어 내는데 인과관계를 형성했다는 것을 입증할 만한 충분한 데이터가 존재하지 않았다. 따라서 고객 조사를 수행하거나, 특정 쿠폰코드를 제시하도록 하거나, 마케팅 캠페인별 특정된 전화번호 등을 사용하는 방식들을 통해 대략적으로 마케팅 활동과 결과의 인과관계를 추정할 뿐이었다. 당연히 설명력이 떨어졌고, 신뢰하기 어려웠다.
물론 아직까지도 오프라인 기반의 서비스를 운영하고 있는 사업주, 기업들은 위에 언급된 예의 어트리뷰션 파악 노력을 계속하고 있다. 대표적인 케이스가 전단지이다. 보통의 전단지의 경우, 일괄적으로 동일한 홍보 메시지와 할인 혜택 내용을 담아 길거리에서 사람들에게 뿌리지만, 어떠한 전단지들의 경우에는 전단지를 돌리는 지역과 시기와 사람에 따라서, 가지고 오면 할인해준다는 전단지 혹은 전단지 혹 쿠폰의 내용이 다르게 명시되어 있는 경우들이 존재한다. 어떤 채널을 통해 전단지를 받은 사람들이 실제 가게로 더 많이 방문하는 지를 파악할 수 있는 것이다.
웹이 등장하면서 부터 그 과정이 획기적으로 변화되기 시작했다. 하이퍼링크(hyperlink)와 쿠키(cookie)를 이용한 방식을 통해 마케터는 보다 쉽게 사용자의 유입 경로를 파악할 수 있게 되었으며, 이를 바탕으로 다양한 웹 기반의 마케팅 채널 성과를 측정할 수 있게 되었다. 그 당시 대부분의 채널은 웹이라는 형태로 단일화되었기 때문에 적어도 온라인 채널에 한해서는 대부분의 고객 여정을 추적하고 분석하는 것이 상대적으로 용이했다. 마케터는 개별 채널의 전환율을 모니터링하며, 광고를 최적화하는 업무를 수행할 수 있게 되었고, 이는 매우 파워풀했다. 구글 애널리틱스(google analytics)라는 웹 로그 분석 도구가 마케팅 활동에 매우 중요한 역할을 수행하게 되고, 가히 마케팅의 전성기가 시작되었다고 볼 수 있지 않았을까.
그러던 중 또 다른 커다란 변곡점이 등장하게 된다. 모두가 잘 알다시피 스마트폰의 등장이 그것이다. 웹 기반이 아닌 네이티브(native) 형태의 모바일 앱이라는 새로운 개념이 등장하면서, 기존의 방식에 문제가 발생하기 시작했다. 고객을 자사의 서비스로 유입시키기 위해서는 iOS 앱스토어와 구글 플레이스토어 등의 앱 마켓을 통해 앱을 설치하는 작업을 거쳐야만 한다.
문제는 스토어를 통하는 과정에서 마케터가 유입 경로를 파악하기 위해 열심히 달아둔 꼬리표들이 흔적도 없이 사라져버린다는 점이다. (생각만큼 애플과 구글은 그렇게 친절하지 않다.) 즉 우리는 우리의 웹사이트에 접속한 고객이 어디로부터 유입된 것인지 쿠키, URL 파라메터 등을 통해 온전히 파악하던 때와 달리 (물론 그 당시에도 여러 사유로 데이터가 유실되는 경우가 존재하기는 했지만), 우리의 앱을 설치한 고객이 어디로 부터 유입된 것인지 파악할 수 없게 된 것이다.
모바일 앱이 서비스의 전부라고 할 정도로 중요해진 시기에 얼마나 큰 일이 발생한 것인지 쉽게 상상할 수 있을 것이다. 마케터 관점에서는 어디에 돈을 써야할 지 막막해지는 과거로 회귀해버린 격이다. 이러한 문제를 해결하기 위해 모바일 어트리뷰션이라는 새로운 개념이 등장하게 된다.
일단, 웹 어트리뷰션(web attribution)
모바일 어트리뷰션은 특히 모바일 앱 사용 환경에서의 각종 고객 접촉 채널에 대한 추적하고 연결하여 그 인과관계를 판단하려 하는 것을 의미한다. 모바일 앱 어트리뷰션에 대해 이해하기 위해서는 먼저 기존 웹 어트리뷰션의 방식에 대해 짚고 넘어갈 필요가 있다.
웹 기반에서 고객의 채널 접촉 및 이동 경로를 파악하기 위해 대표적으로 3가지 방식을 사용한다. URL 쿼리스트링(querystring) 방식을 통한 파라메터 전송방식, HTTP 리퍼러(referer)를 활용한 방식 그리고 쿠키(cookie)를 활용한 방식이다.
먼저, 쿼리스트링(querystring)은 사람들이 웹 프로그램 상에서 데이터를 전달하는 가장 단순하고 일반적인 방법이다. 우리는 웹 개발자가 아니라할지라도 흔히 웹 서비스를 이용하면서 하이퍼링크를 따라 웹서칭을 하다보면, URL 주소 뒤에 붙어있는 알 수 없는 긴 문자들을 보게 된다. utm_source, utm_channel 같은 단어가 그런 것들이다. https://www.example.com?key1=value1&key2=value2 라는 URL 주소를 예를 든다고 하였을 때, ‘?’ 뒤에 작성된 부분이 바로 쿼리스트링이다. URL 주소와 쿼리스트링은 ‘?’로 구분되며, 변수와 값이 하나의 세트로 구성되고, 변수와 값의 세트는 ‘&’로 구분한다. 만일 어떤 사람이 URL 쿼리스트링이 작성되어 있는 링크를 클릭하게 되는 경우, 해당 웹 서버에서는 자신의 페이지에 인입된 사람이 어떤 변수와 값이 저장된 링크를 통해 접속하였는지를 알 수 있게 되고, 이를 바탕으로 고객이 어떤 채널에 노출된 컨텐츠에 담긴 웹사이트 주소 혹은 버튼 등을 클릭하였는 지를 파악할 수 있게 된다.
쿼리스트링 방식은 웹 서버로 데이터의 전달이 확실하게 보장되어 이루어지기 때문에 여러 마케팅 캠페인에 일반적으로 사용되어진다. 다만 쿼리스트링 방식은 2가지 이슈가 존재하는데, 하나는 어떠한 이유로든 외부 사용자가 쿼리스트링을 조작하는 것이 매우 용이하다는 것이고 또 하나는 단순한 형태의 기법이기 때문에, 마케터가 직접 한땀 한땀 수작업을 통해 쿼리스트링 내 파라메터를 정의해야하는 경우가 대부분이라는 것이다. 쿼리스트링이 조작되어 클릭되었을 경우, 안타깝게도 우리는 고객이 어떤 채널에 노출된 정보를 통해 인입하게 된 것인지를 정확하게 파악할 수 없게 된다. 나 또한 각종 웹 기반 채널을 통해 유입되는 고객의 유입 경로를 파악하기 위해, 서비스 오픈 초기 부터 추적이 필요한 각종 웹 페이지 마다 쿼리스트링을 정의하고 관리하는 작업을 진행했다. 가장 먼저 진행한 일은 어떠한 변수명으로 어떠한 값을 저장할 지를 표준화하여 정의하는 일이었고, 그 다음에 진행한 일은 여러 마케터, 서비스 기획자가 서로 다른 형태로 중구난방 쿼리스트링을 작성하는 일이 없도록, 엑셀 함수 등을 통해 쿼리스트링 작성을 자동화하여 이용할 수 있도록 한 것이었다. 이벤트 하나를 진행하더라도 운영되는 매체와 채널이 다양하기 때문에 이를 모두 분리하여 관리하는 것은 쉽지 않은 일이었으나, 세세하게 정의하여 나누면 나눌 수록 (마케터가 고통스러울 수록) 더 디테일하게 마케팅의 성과를 파악하고 고객을 이해할 수 있게 되었다.
HTTP 리퍼러(referer)는 하이퍼링크를 통해 각각의 사이트로 이동할 시에 남는 흔적을 의미한다. 예를 들어 A라는 웹 페이지에 B 사이트로 이동하는 하이퍼링크가 존재한다고 하자.이 때 웹 사이트 이용자가 이 하이퍼링크를 클릭하게 되면 웹 브라우저에서 B 사이트로 참조 주소(리퍼러)를 전송하게 된다. B 사이트의 관리자는 이 전송된 리퍼러를 보고 방문객이 A 사이트를 통해 자신의 사이트에 방문한 사실을 알 수 있다.
하지만 이 방식 또한 쿼리스트링방식 처럼 사용자가 위조하거나 조작할 수 있고 참조 웹 페이지에서 의도적으로 차단할 수도 있기에 URL 쿼리스트링보다는 상대적으로 불안정하다고 여겨진다. 하지만 쿼리스트링과 달리 HTTP 리퍼러 방식의 장점은 마케터가 손으로 한땀한땀 수작업을 하지 않아도 서버 간에 자동으로 정보를 주고 받는다는 점이다. 따라서 HTTP 리퍼러 방식은 세세한 개별 캠페인 채널을 추적하기 보다는 어떤 페이스북, 인스타그램, 네이버 등 특정 소셜미디어나 포털사이트에서의 유입이 많은 지 등을 파악할 때 용이한 방식으로 볼 수 있다.
URL 쿼리스트링 방식과 HTTP 리퍼러 방식은 가장 큰 문제는 사용자가 해당 링크를 클릭한 그 순간, 그 첫 유입에만 그 정보를 가지고 있고 전달할 수 있다는 점이다. 예컨대 A 사용자가 특정 쿼리스트링이 된 URL을 통해 B 사이트에 접속한다음, 별도의 경로로 다시 B 사이트에 접속한 경우, 다시 B 사이트에 접속 시 A 사용자가 과거에 어떤 쿼리스트링으로 들어왔던 사용자인지를 파악할 수 없다. 이를 위해 사용되는 것이 바로 쿠키(cookie)이다.
쿠키란 사용자가 어떠한 웹사이트를 방문할 경우, 그 사이트가 사용하고 있는 서버를 통해 사용자의 로컬 컴퓨터에 설치되는 작은 기록 정보 파일을 일컫는다. 이 기록 파일에 담긴 정보는 사용자가 같은 웹사이트를 방문할 때마다 읽히고 수시로 새로운 정보로 바뀐다. 마케팅 어트리뷰션 관점에서 이 쿠키의 개념을 적용한다면, 우리는 고객의 기록 파일에 해당 유저를 추적할 수 있는 고유의 값을 저장할 수 있다. 이 고유값을 통해 우리는 고객이 다양한 채널을 통해 웹사이트에 진입하였을 때, 어떠한 채널들을 거쳐왔는지를 판단하고 각 채널의 마케팅 캠페인 성과에 대한 기여도를 분석할 수 있다. 하지만 쿠키 기반의 방식은 전세계적으로 개인정보보호에 대한 법률이 강화됨에 따라 이용에 대한 제한이 많아지고 있다.
이제, 앱 어트리뷰션(mobile application attribution)
모바일 앱 환경에서도 고객의 채널 접촉 및 이동 경로를 파악하기 위해서 크게 2가지 방식이 주로 이용된다. ADFA, GAID와 같은 광고식별자를 이용하는 방식과 사용자의 여러 정보들을 조합하여 확률적으로 사용자를 매칭하는 핑거프린팅(finger printing) 방식이 그것이다. 스마트폰이 보급던 초기에는 개발자들이 자사의 어플리케이션을 이용하는 사용자의 모바일기기정보에 접근하여, 개별 모바일기기를 식별할 수 있는 디바이스ID를 알아내고 사용하는 것이 문제가 되지 않았다. 그렇기 때문에 마케팅 어트리뷰션 관점에서 A 앱을 이용하는 고객이 B 앱을 이용하는 고객과 같은 사람인지를 파악하기 위해 가장 쉽게 활용될 수 있었다.
하지만 이는 당연하게도 개인정보보호와 관련한 문제를 야기하였고, 애플과 구글은 이러한 이슈에 대응하기 위해 광고를 위한 별도의 식별값인 IDFA(Apple, Identifier for Advertisers), GAID(Google, Google Advertising ID)을 제공하게 되었다. 이 식별값은 고객이 원하면 언제든지 모바일에서 해당 정보를 초기화하여 새로 생성하거나, 사용을 차단할 수 있다. 광고식별자는 사용자별로 1:N 으로 매핑되기 때문에, 특정 광고식별자로는 특정 모바일기기를 식별할 수 있어 정확한 매칭이 가능하다. 따라서 앱 상에서의 마케팅 성과 추적을 위해 가장 활발하게 이용되던 방식이다. (물론 사용자가 그 값을 변경하거나, 이용을 제한하였을 경우에는 활용할 수 없긴 하지만 현실 세계에서 그러한 사용자는 많지 않다는 게 이 세계의 아이러니다.)
하지만 이 방식 또한 개인정보보호와 관련된 규제가 점차 강화되고 있음에 따라, 쿠키 때와 마찬가지로 전세계적으로 이슈가 되고 있으며, 최근 애플의 경우, iOS 14.0 버전 출시를 안내하며, 광고식별자 사용에 대해 옵트아웃(Opt-out, 선사용 후배제) 방식이 아닌 옵트인(Opt-In, 선동의 후 사용) 방식으로 전환할 것을 예고하였었다.
이와 달리, 핑거프린팅(finger printing) 방식은 확률적 매칭 방식이다. 핑거프린팅은 특정 사용자를 쿠키 없이 추적하는 기술로, 사용자가 웹/앱 서비스를 이용할 때 남긴 흔적을 기반으로 특정 개개인을 추정하는 것을 의미한다. 일반적으로 어트리뷰션 서비스를 제공하는 기업들은 사용자가 특정 채널을 통해 웹에 접근 시, 고객의 디바이스로 부터 일정 정보를 수집하고, 고객이 앱스토어를 통해 앱을 설치한 후 앱을 실행하였을 시, 동일한 정보를 수집함으로써, 그 정보를 비교하게 된다.
하지만 이 방식은 고객의 정확한 정보값을 기반으로 하는 것이 아니고, 언제든 변경될 수 있는 정보(IP, 해상도 등등)를 사용하기 때문에 잘못된 매칭이 일어날 수 있다는 한계가 존재한다. (빌어먹을 '하지만'들...)
각 방식에 따라 한계가 일부 존재함에도 이렇게 다양한 방식들로 우리의 서비스 외부에서 일어나는 고객의 복잡한 마케팅 경험 여정을 추적하고 파악할 수 있다는 점에서, 마케팅 관점에서 이러한 시도들은 매우 중요하다. 그렇기 때문에 해당 영역은 지금도 계속 고도화되고 있고, 우리 마케터들은 모바일 어플리케이션 환경에서 보다 더 정확한 마케팅 성과를 추적할 수 있게 되고 있다. 현재 몸 담고 있는 조직에서도 내부 서비스 개발 혹은 특정 어트리뷰션 기능을 제공하는 솔루션 계약을 통해 위에 언급된 여러 방식을 모두 활용하여, 흐릿하게 알 수 없었던 고객 한 사람의 마케팅 여정을 하나 둘 보다 뚜렷하게 보여지도록 하고 있다.
물론 이를 위해서는 마케터가 적극적으로 마케팅 데이터의 추적에 대한 의지를 가지고 여러 개발부서와 긴밀하게 협의하고 협업할 필요가 있다. 그렇기 때문에 초기 관련 사항들을 셋업하는 단계에서 한 동안 우리는 마케팅 조직임에도 불구하고, 개발팀 바로 옆자리로 모두 자리를 옮겨 한 몸 처럼 수시로 의견을 주고 받으며 일을 하기도 하였다.
기여도 측정 범위의 확장
이러한 개별 마케팅 채널의 기여도를 파악하고자 하는 시도는 광고 시장에서 매우 급속도로 발전하였고 활성화되기 시작했다. 그렇기 때문에 지금도 대부분의 어트리뷰션 솔루션들은 다수의 광고 매체들과 서비스가 연결되어 있고 그 매체들로부터 고객의 마케팅 반응 정보를 확인하여 리워드를 지급하거나, 성과를 측정할 수 있다고 이야기하고 있고, 해당 기능이 어트리뷰션 솔루션이라고 하는 서비스들의 핵심 기능으로 자리잡고 있다.
즉, 페이드 미디어 시장에서 돈을 가장 효과적이고 효율적으로 활용하기 위한 도구로서의 기능에 굉장히 집중되어 있는 것이다. 하지만 앞서 잠시 언급했듯이 마케팅 관점에서 실제 고객 보상 및 채널 집행으로 발생된 금전적 비용만이 비용이 아니고, 고객의 마케팅 피로도를 관리하기 위한 고객과의 접촉 횟수 또한 비용으로 고려될 수 있다는 점을 고려할 때, 현재 어트리뷰션 솔루션들이 제공해주는 데이터만으로는 한계가 존재한다. 또한 자사 서비스 앱에 대한 고객들의 리텐션이 매우 중요해지고, 고객들 입장에서도 O/B(out-bound) 형태로의 정보 습득보다 I/B(in-bound) 형태로의 정보 습득이 보다 더 적극적인 정보 탐색의 형태로 높은 반응을 확보할 수 있기 때문에, 결국 페이드 미디어 채널을 통해 확보한 고객을 온드 미디어 채널로 얼마나 잘 운영하느냐하는 문제도 매우 중요한 부분이다.
이러한 채널 운영 컨셉을 일반적으로 컨버지드(converged) 미디어 채널이라고 부른다. 고객들과 접촉할 수 있는 채널이 다양해지고 복잡해짐에 따라, 하나의 미디어 채널만을 가지고 고객들과 교감할 수 없기 때문에 여러 미디어 채널이 복합적으로 운영되어 서로 영향을 주고 받게 된다. 따라서 어트리뷰션 관점에서도 기존 페이드 미디어 채널의 어트리뷰션 정보만을 가지고 마케팅의 성과를 측정하는 것은 장님이 코끼리 다리를 더듬는 것과 같은 모양새일 수 있다. 자사 서비스의 영향력이 크고, 리텐션이 높은 서비스일 수록 고객이 자사 서비스 내의 채널을 통해 마케팅 정보를 소비하는 비율이 높을 것이기 때문에, 컨버지드 미디어 채널 환경에서의 마케팅 기여도 평가에 대한 노력이 더욱 중요할 것이다.
그렇다면 우리는 이런 복잡한 고객의 여정 속에서 어떻게 우리가 기획하고 실행한 마케팅 활동에 대한 성과를 제대로 파악할 수 있을까?
멀티 터치 어트리뷰션(multi-touch attribution)
페이드 미디어를 통한 마케팅 접촉 이력과 온드 미디어를 통한 마케팅 접촉 이력 각기 수집되어 통합되는 작업이 선행적으로 완료되었다고 볼 때, 우리는 한 명의 고객에 대해 시간 순서대로 어떤 채널에 접촉했는지를 굴비처럼 엮어서 쓰윽 끄집어낼 수 있게 된다. 예를 들면 다음의 그림과 같이 말이다.
그림 1. Multi-Touch Attribution Case Study
[그림1]에서 우리는 어떠한 마케팅 활동이 고객이 A 상품을 가입/구매하는데 주요한 영향을 주었다고 판단할 수 있을까? 이러한 정보들이 집계되어 보여졌을 때 우리는 어떠한 마케팅 채널이 효과가 적으니 활동을 줄이고, 어떠한 마케팅 채널이 효과가 높으니 활동을 늘려야한다고 이야기할 수 있을까? 실무적으로 보았을 때, 일반적으로 다음의 5가지의 방법이 존재하고, 상황에 따라 서로 다른 방법이 선택되어 활용되기도 한다.
먼저 ‘Last Interaction Model’ 은 고객이 전환 목표 달성 이전에 마지막으로 접촉한 채널이 전체 전환에 대한 기여도를 100% 가져가는 방식이다. 즉, 앞에 어떠한 채널에 대한 접촉이 있었다 하더라도 고객이 최종적으로 상품을 가입/구매하기로 마음을 먹도록 한 채널이 해당 상품 가입에 전적으로 기여했다고 판단하는 것이다. 다소 터프하게 보일 수도 있으나, 측정과 관리의 용이성 때문에 실제 현장에서는 많이 쓰여지고 있는 방식이기도 하다. 앞서 설명한 여러 한계로 고객의 여정의 중간 과정들은 일부 손실될 수 있으나, 마지막 기록에 대해서는 수집이 매우 용이하기 때문이다. 이러한 측정 모델은 구매주기가 짧아 전환이 이루어지기까지 고객이 터치하는 포인트가 많지 않거나 구매 퍼널 관점에서 구매 직전 단계의 아래쪽 깔대기가 좁은 서비스일수록 적합할 수 있다.
'First Interaction Model’은 이와 반대로 가장 먼저 고객이 해당 상품/서비스/캠페인을 인지하게 된 채널에 대해 기여도 100%를 부여하는 방식을 의미한다. 이 측정 방식은 ‘Last Interaction Model’과 마찬가지로 측정의 용이성 때문에 자주 활용되는 방법이나, 고객이 최초 상품/서비스/캠페인 등에 대해 인지 한 후 추가적으로 발생되는 리타겟팅 광고나 보조 채널에 대한 기여 효과가 무시된다는 단점이 존재한다. 하지만 상품 구매까지의 전환 퍼널이 짧은 경우나 해당 마케팅 활동의 목표가 상위 퍼널 단계로의 유입이라면 유용하게 활용될 수 있다.
‘Linear Model’은 고객이 최종 목표 전환에 이르는데 까지 발생한 모든 접점에 대해 기여도를 인정하려는 시도가 적용된 방식이다. 각 접점별로 균등하게 기여도를 배분하기 때문에, ‘Last Interaction’이나 ‘First Interaction’ 모델 보다 마케팅 흐름을 보다 객관적으로 균형있게 판단할 수 있다는 장점이 존재한다. 다만, 모든 채널에 대한 기여도를 균등하게 N분하여 배분하기 때문에, 단일 채널 평가 방식보다 핵심적인 역할을 한 채널에 대한 기여도가 상대적으로 낮게 평가될 수도 있다는 단점이 존재하기도 한다.
‘Time Decay’ 모델은 선형 모델 방식의 단점을 보완하기 위한 여러 시도 중 하나이다. 이 방식은 마케팅 목표 전환에 가까이 발생한 시간의 순서대로 더 높은 기여 가중치를 부여한다. 예를 들어 구매 전환까지 4개의 채널 접촉이 이루어졌다면, 각 채널에 대해 10%, 20%, 30%, 40%의 기여도를 배분하는 것이다. 접촉 채널의 수와 가까이 발생한 시간의 순서에 따라 각 채널에 기여도를 배분하는 방식은 서비스의 특수성을 고려하여 다양하게 설계될 수 있으나, 가장 손쉬운 논리적인 배분방식으로 다음의 수식을 적용해 볼 수 있다.
이 방식을 사용하여 마케팅 성과를 측정하게 될 경우, 오래된 혹은 최초의 접촉 채널에 대한 기여 효과가 최소화된다는 특성이 존재한다. 따라서 구매 전환까지의 호흡이 긴 서비스에 보다 적합하다.
마지막으로 ‘Position Based Model’은 ‘Time Decay Model’을 조금 더 보완하여 가장 강한 임펙트를 줄 것으로 판단할 수 있는 첫번째 접촉 채널과 마지막 접촉 채널에 각각 동일하게 높은 가중치를 부여하는 방식이다. 위와 같이 4개의 채널 접촉이 발생했다고 가정 시, 각 채널에 40%, 20%, 20%, 40%의 가중치를 부여하는 식이 그것이다.
나의 경우에도 앞선 5가지 방법을 통해 컨버지드 미디어 관점에서의 개별 채널들의 전환 기여도를 측정하여 보다 정확한 마케팅 성과를 측정하고자하는 시도를 하였고, 각 마케터, 기획자들에게는 모든 방식으로 산출된 기여도 정보를 제공하여, 서비스와 분석 목적에 맞게 선택하여 수치를 참고할 수 있도록 하였다.
하지만 이러면 방식들은 단순히 산술적으로 임의의 비율을 지정하여 개별 채널의 성격을 고려하지 못 한 채 기여도를 동일하게 단순 배분한다는 한계를 지닌다. 동일한 순번으로 채널 접촉이 일어났으면, 그 채널이 이벤트에 대한 정보를 많이 담고 있어 고객의 이해도를 높일 수 있다는 것인지, 아니면 단순히 실수로 링크를 클릭해서 고객이 내용을 제대로 보지 않고 이탈한 것인지 등에 구분을 두지 않고, 동일한 점수를 부여하는 것이다.
이러한 한계를 조금 더 보완하기 위해 나는 좀 더 정교한 알고리즘을 적용하기 위해 노력하였고, 사용 가능한 모든 경로의 데이터를 분석하여 보다 정확하게 각 채널의 기여도를 분석할 수 있게 되었다.
그 과정에서 시도한 대표적인 방법으로는 1) 마르코프(markov) 모델 2) 생존 분석(survival analysis) 모델 3) 게임 이론(game theory) 모델 등이 존재하며 이에 대해 간단히 설명해보면 다음과 같다.
알고리즘 기반 어트리뷰션 모델
마르코프 모델은 시간에 따른 상태의 변화를 나타내는 마르코프 연쇄(markov chain)를 기반으로 각 마케팅 채널에 대한 기여도를 계산하는 방식으로 2014년 Eva Anderl 등에 의해 고안(주3)되었다. 이는 과거와 현재 상태가 주어졌을 때 미래 상태에 대한 조건부 확률 분포가 과거 상태와 독립적으로 현재 상태에 의해서만 결정된다는 가정에 기반한다. 마르코프 모델 방식을 보다 쉽게 이해하기 위해 어떠한 마케팅 목표를 달성하기 위해 페이스북, 카카오, 네이버 채널을 운영하였다고 가정해보자. 고객들이 개별 채널들을 복합적으로 경험하고 최종 마케팅 목표 전환에 성공한 것을 확률로 계산하면 마르코프 그래프로 다음과 같이 표현할 수 있다.
그림 2. 마르코프 그래프 예시카카오의 기여도는 3개의 채널의 확률론적 상호 작용을 통해 이루어진 마르코프 그래프에서 카카오가 전환에 아무것도 기여하지 못하게 제거된 상황을 가정하여 계산하게 된다. 만약 기존 상태에서의 전체 전환율이 20%였는데, 카카오로 상태가 이동된 경우 무조건 100% 전환에 실패한다고 할 때, 전체 전환율을 얼마로 줄어들게 혹은 늘어나게 될까? 만약 전환율이 20%에서 15%로 줄어들게 계산된다면 카카오의 기여 효과는 70%라고 판단할 수 있다. 이를 제거 효과(Removal Effect)라고 부른다.
생존 분석 모델은 2014년 IEEE International Conference on Data Mining 에서 공개된 Ya Zhang 등에 의해 제안된 방식(주4)으로 어떠한 현상이 발생하기까지에 걸리는 시간에 대해 분석하는 생존 분석의 방법론을 마케팅 활동에 대한 특정 전환이 발생하는 데 까지 걸리는 시간을 분석을 하는 것으로 대입하여 문제를 풀어 나간다. 이 방식은 조건부 확률 방식을 적용한 마르코프 모델과 마찬가지로 확률적으로 고객에게 특정 채널 접촉이 이루어졌을 때, 전환까지 그 효과가 유지되어 영향을 미치는 지에 대한 확률 모형을 계산하게 된다.
마지막으로 게임 이론 모델(주5)은 가장 최근에 주목받고 있는 방식으로, 내가 멀티 채널에 대한 마케팅 성과 분석을 진행할 때 실제로 주로 적용하는 방식이기도 하다. 게임 이론이(game theory)란 상호 의존적인 의사 결정에 관한 이론으로 개인 또는 기업이 어떠한 행위를 했을 때, 그 결과가 게임에서와 같이 자신 뿐만 아니라 다른 참가자의 행동에 의해서도 결정되는 상황에서 자신의 최대 이익에 부합하는 행동을 추구한다는 수학적 이론이다.
따라서 게임 이론은 참가자들이 상호 작용하면서 변화해가는 상황을 이해하는 데 도움을 주고, 그 상호작용이 어떻게 전개될 것인지, 매 순간 어떻게 행동하는 것이 더 이득이 되는지를 수학적으로 분석해 준다. 게임 이론 모델은 샤플리 값(Shapley Value)라고 하는 협조적 게임 이론 개념에 기반을 둔 알고리즘을 기반으로 마케팅 어트리뷰션 문제를 해결한다.
샤플리 값이란 노벨 경제상 수상자 Lloyd S. Shapley가 개발한 것(주6)으로 팀의 성과를 팀 구성원 간에 공정하게 배분하는 접근 방법이다. 개별 마케팅 접촉 채널/활동들은 고객을 상품 구매 전환이라는 목표를 달성하기 위해 모인 팀원들이라고 보고, 특정 팀원(마케팅 채널)이 팀에 포함되었을 때와 팀에 포함되지 않았을 때 팀의 성과를 비교, 분석하여 해당 팀원(마케팅 채널)이 성과에 얼마나 기여를 하는 지를 파악하는 방식이다. 이는 구글에서 제공하는 웹 로그 데이터 분석 도구인 구글애널리틱스에서 데이터 기반 기여 모델이라는 명칭으로 어트리뷰션을 제공할 때, 적용된 방법론이기도 하다. 샤플리 값 계산을 직관적으로 이해하기 위해 어떠한 목표를 달성하기 위해 마르코프 모델 예시 와 마찬가지로 페이스북 광고, 카카오 광고, 네이버 광고 3개의 마케팅 채널이 운영되고 가정해보자. 샤플리 밸류를 활용한 방식은 고객 접촉의 발생 순서를 고려하지 않고, 각 채널의 포함여부에 따른 영향도에 집중하기 때문에 이 3가지 마케팅 채널로 발생될 수 있는 고객 여정은 다음의 표에서와 같이 총 7가지이다.
표 1. 샤플리 값 계산 예시
페이스북과 카카오 채널을 경험한 후 전환된 케이스를 보면, 총 30의 전환이 발생한 것을 볼 수 있다. 페이스북만으로 전환된 결과가 10이기 때문에서 페이스북과 카카오 채널을 경험한 케이스에 대해 카카오가 페이스북과 함께 고객에게 노출됨으로써 이 경우 카카오의 기여도는 20이라고 인정할 수 있다. 페이스북만으로는 10의 성과밖에 내지 못했을 것이기 때문이다. 같은 방식으로 페이스북의 기여도를 계산하면 30 (페이스북, 카카오) - 12 (카카오) = 8 (페이스북의 기여도) 이 나옴을 확인할 수 있다. 각 마케팅 여정 케이스별로 개별 채널별 기여도를 계산하고 이에 대한 최종 샤플리 값는 참여자 인원수에 따라 얼마나 기여했는지에 대한 평균값을 통해 산출할 수 있다. 페이스북 단일 케이스에 대해서는 10의 기여를 했고, 페이스북이 다른 1개 채널과 함께 상호작용이 일어났을 경우에는 (18+17)/2 = 17.5 만큼의 기여를, 페이스북이 다른 2개 채널과 함께 상호작용이 일어났을 경우에는 16 만큼의 기여를 했기 때문에 이 값의 평균을 구하면 (10+17.5+16)/3 = 14.5 가 나온다. 해당 예시에서 같은 방식으로 카카오, 네이버의 샤플리 밸류를 구해 비교해보면, 우리는 카카오가 가장 높은 전환 기여를 한 것을 확인할 수 있고, 이러한 결과에 따라 카카오 채널에 대한 마케팅 집행을 좀 더 높이는 의사결정을 진행할 수도 있을 것이다.
이렇듯 다양한 연구와 시도를 통해 마케터는 보다 정확한 고객 여정과 각 여정의 기여도를 파악할 수 있고, 이를 바탕으로 마케팅 여정을 최적화하는 작업을 보다 효과적이고 효율적으로 진행할 수 있게 된다.
난제를 풀기위해,
데이터 마케팅팀 조직하기
여기까지 보면, ‘마케터가 이런 것 까지 생각하고 관련된 공부를 해야하나?’ 라는 생각이 들 수도 있다. 더욱이 초기 스타트업이라면 이런 것들을 모두 고려하여 일을 진행하기는 더 어려운게 사실이다. 실제 마케팅을 기획하고 운영하는 일만으로도 일손이 빠듯할테니 말이다.
그럼에도, 이러한 배경 지식과 방향성에 대해 인지를 하고 있어야만 마케터가 본인이 이루어낸 성과에 대해 보다 명확하게 설명하고 객관적으로 판단하여, 잘못된 의사 결정을 내릴 리스크를 조금이라도 더 줄일 수 있을 것이다.
더욱이 이러한 분석 작업을 위해 너무 많은 시간을 들이게 될 경우, 실제 고객들과 커뮤니케이션하는 마케팅 캠페인을 기획하고 운영하는 시간이 줄어들게되어 주객이 전도될 수 있다. 따라서, 이러한 마케팅 데이터 추적 및 분석 작업은 마케터의 업무 효율성 증대를 위해 최대한 자동화되어야하며, 마케팅 조직은 이러한 복잡도 높은 마케팅 업무들을 서로 나누어 수행할 수 있는 형태로 팀 구성이 될 필요가 있다.
이에 대한 가장 이상적인 형태는 개인적으로 7가지 유형의 역할을 수행하는 멤버를 하나의 조직으로 구성하는 것이라고 생각한다.
고객 행동 데이터 분석을 기반으로 마케팅 인사이트를 발굴하고 캠페인을 기획, 실행하는 1) 캠페인 기획자 campaing manager
고객 커뮤니케이션 메시지와 방식을 종합적으로 관리하는 2) 컨텐츠 기획자 contents/communication manager
예측/판단이 필요한 마케팅 문제를 정의하고 고객의 행동/니즈 예측 모형을 개발하는 3) 데이터 과학자 data scientist
효율적인 데이터 수집, 분석 및 활용을 위한 데이터 파이프라인을 설계/관리하고 데이터 처리 성능 최적화 및 자동화를 고민하는 4) 데이터 엔지니어 data engineer
새로운 기술과 데이터를 기반으로 마케팅 효과 및 효율을 증대시키는 방안을 연구하고 마케팅 데이터 수집 전략 및 자동화 관련 기술, 도구를 연구, 적용하는 5) 마케팅 과학 기술자(또는 그로스해커) marketing technologist(or growth hacker)
A/B 테스트 등 각종 마케팅 실험을 설계하고, 관련 플랫폼을 구축하는 6) 실험 과학자 experiment scientist
마지막으로 마케팅 전략을 수립하고 인적/물적 자원을 관리하며 성과를 측정, 가이드하는 7) 마케팅 관리자marketing operator가 바로 그 역할들(주7)이다.
조직이 처해있는 상황에 따라 대부분의 경우, 두,세 가지 이상의 역할을 한 명의 사람이 수행할 수도 있겠으나, 중요한 점은 이제 더 이상 마케팅이 기존 처럼 마케터 한 사람의 창의력과 노동력만으로만 더 뛰어난 성과를 내는데 한계가 존재한다는 것을 인지하는 것이다.
맨 처음 이야기했듯이 마케팅의 세계에는 너무나 많은 난제들이 존재한다. 이를 해결하기 위해서는 다양한 데이터를 모으고, 모은 데이터를 바탕으로 여러 사람들이 모여 머리를 맞대며 해결책을 마련해 나가야할 것이다.
주1) 어트리뷰션의 사전적 정의 (출처: https://www.lexico.com/definition/attribution )
주2) 어트리뷰션에 대한 심리학적 연구는 20세기 초 Fritz Heider 의 연구로 시작되었으며 Harold Kelley와 Bernard Weiner에 의해 발전되었다.
(출처: https://en.wikipedia.org/wiki/Attribution_%28psychology%29 )
주3) Mapping the Customer Journey: A Graph-Based Framework for Online Attribution Modeling (출처: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2343077 )
주4) Multi-touch Attribution in Online Advertising with Survival Theory (출처: https://ieeexplore.ieee.org/document/7023386 )
주5) Attribution models and the Cooperative Game Theory (출처: https://econpapers.repec.org/paper/urvwpaper/2072_2f290758.htm )
주6) Notes on the n-Person Game -- II: The Value of an n-Person Game (출처: https://www.rand.org/content/dam/rand/pubs/research_memoranda/2008/RM670.pdf )
주7) 데이터 마케팅팀 구성에 필요한 7가지 유형에 대해, 각각의 역할 및 필요 역량에 대한 조금 더 자세한 설명은 https://brunch.co.kr/@jayden-factory/31 에서 확인할 수 있다.
스크롤 압박이 있어 보기 불편한 분들이 있을 듯 하여, 파트를 분리하여서 브런치북으로도 발행해두었습니다.
현재 글과 동일한 내용입니다.
제이든입니다.
고객관계관리(CRM) 관련 업무를 해오고 있습니다. 현재는 카카오뱅크에서 데이터 분석을 기반으로 고객의 경험을 효과적으로 증대시키는 방법을 찾기 위해 고민하고 있습니다.
라이킷, 댓글, 공유하기 그리고 구독하기는 제가 이런 저런 글을 쓰는 데 큰 동기 부여가 됩니다.
