마케팅 전환율(CVR, Conversion Rate)
실리콘밸리에서 쓰는 이커머스 전환율 최적화 방법
부제를 조금 자극적으로 적어 보았다.
실제로 이 방법은 외국계 이커머스 팀에서 일할 때 접했던 접근 방식이고,
그 방식에 개인적인 경험을 담아 추가했다.
본론(전환율 최적화 방법)으로 바로 들어가고 싶지만,
내 브런치에 방문하는 사람들은 마케팅을 처음 접하는 분들의 비중이 더 많다고 생각되어
전환율의 정의부터 짚고 넘어간다.
마케팅 전환율
CVR, Conversion Rate
마케팅에서의 전환율이란,
우리가 정의한 '전환'이 몇 퍼센트의 비율로 발생했는지를 파악하는 지표다.
보통 이커머스에서는 '구매'를 가장 중요한 전환으로 간주한다.
따라서 '구매'가 몇 퍼센트의 비율로 발생했는지를 알아보면 되겠다.
이것을 계산하려면 '방문 트래픽'이 얼마인지를 먼저 알아야 한다.
그러니까 A라는 제품 페이지에 10건의 트래픽이 발생했고,
그중 1개 트래픽에서 제품이 구입되었다고 하면 전환율은 "1/10=10%"가 된다.
트래픽은 방문하는 사람의 수와 관련이 있다고 생각하면 된다.
트래픽을 계산하는 방식은 여러가지가 있는데,
내가 굳이 하나의 지표로 이야기하지 않는 이유는 트래픽이라는 단어로 설명되는 지점들이 많기 때문이다. (상황에 따라서 다양한 트래픽 정의가 사용될 수 있고, 마케터는 그것을 유동적으로 꺼내쓸 수 있어야 한다)
*GA4에서는 Sessions, User, View 등의 다양한 트래픽 관련 지표가 기록된다. 구체적으로는 이 3가지의 지표는 같은 트래픽 관련 지표지만, 이를 집계하는 방식에 약간씩 차이를 보인다. 이에 대해서는 '용어' 아티클에 보다 자세히 서술해놓았으니 그쪽에서 참고해주길 바란다.
들어
가기 전에
마케팅을 조금이라도 접해본 사람들은 전환율에 대해서 대부분 알고 있을 거라고 생각한다.
이커머스에서는 스토어 방문 트래픽 대비 구매 건수를 계산하면 전환율이 쉽게 측정된다.
이번 아티클에서 설명하려는 전환율 최적화 방법을 소개하기 전에
기초적인 지식이 부족하지는 않은지 점검부터 해보자.
1. 본인이 운영하는 이커머스 스토어 전환율의 평균값과 최저값, 최대값에 대한 감이 있다.
전환율을 파악하는 것은 기본 중의 기본이다.
더 나아가서 전환율을 제대로 안다는 것은
하루에 어느정도 트래픽이 발생한다는 것을 알고 있다는 뜻이고
구매 건수는 얼마나 발생하는지 역시 안다는 뜻이다.
2. 전환율 개선 경험이 있다.
우리가 흔히 알고 있는 퍼포먼스 마케팅, 그로스 마케팅 사이클은 위 이미지와 같다.
더 저렴한 비용으로 트래픽을 가져오고,
후킹할만한 랜딩 페이지에서 사람들의 지갑을 열게 만든다.
CPC를 낮추면서(광고 소재 개선) CVR(랜딩페이지 개선)까지 올리는 가설-실행 사이클을 반복한다.
전환율 최적화
전환율에 따른 배팅
여기서 이야기하는 전환율 최적화는 전환율 자체를 개선시키는 기존의 방법과는 차이가 있다.
전환율이 낮은 랜딩페이지의 전환율을 끌어올려 성과를 개선하는 것이 아니라,
애초에 전환율이 높은 제품에 더 많은 예산을 배팅하는 쪽에 가깝다.
즉 여러 제품을 판매하고 있는 이커머스 서비스에 적합하며,
아쉽지만 단일 제품을 판매하는 비즈니스의 경우
전통적인 방법인 랜딩페이지 변경을 통한 전환율 개선에 초점을 두어야 한다.
머신러닝
그런데, 위에서 이야기한 핵심을 자세히 들여다보자.
'전환율이 높은 제품에 더 많은 예산을 배팅한다.'
대부분 이것을 당연히 지키면서 페이드 마케팅을 진행하고 있지 않은가?
수많은 광고 매체에서 제공하는 전환 최적화, 즉 머신러닝의 방법이 이를 따라간다.
'전환 수 최적화'
메타(페이스북)만 보아도, 전환을 '구매'로 잡고 움직였을 때 전환이 많이 집계되는
Ads(광고 소재)에 대부분의 예산이 사용된다.
광고 세트에 여러 개의 제품을 던져 놓고,
그 광고 세트의 비용만 증액해줘도 알아서 머신이 판단하여 구매가 많은 제품에 비용이 태워지니,
마케터로서는 이토록 편할 수 없다.
전환율에 따른 배팅을 광고 미디어가 대신해주는 것이다.
전환 수
극대화의 함정
하지만 이 방식에는 치명적인 단점이 존재한다.
하나의 광고 세트에서 하나의 광고 소재가 잘 작동하기 시작하면
다른 광고 소재는 노출 기회를 극단적으로 받지 못하게 된다.
드라이기와 선풍기를 판매하는 브랜드가 있다고 해보자.
드라이기 광고 소재와 선풍기 광고 소재를 하나의 광고 세트에서 운영할 때
드라이기 광고 소재에서 전환이 붙기 시작하면
안타깝게도 선풍기 광고 소재는 노출되지 못할 가능성이 높다.
그래서 마케터들은
'광고 세트'를 카테고리(제품) 별로 나누어서 셋팅하고, 그 안에서 소재를 최적화하는 방식을 사용한다.
제품당 전환율
이것을 디테일하게 분석한 방식이 바로 여기서 이름을 붙인 '실리콘밸리 식 전환율 최적화'다.
요약하자면 내용은 이러하다.
1. 각 제품 전환율을 구해주고, 전환율이 높은 제품은 더 많은 트래픽을 넣어준다.
2. 각 제품의 공헌이익 타겟을 만들어서 한계 지점이 올때까지 마케팅 비용을 푸시해준다.
제품 전환율을 구하려면 2가지 데이터가 필요하다.
1. 제품에 따른 트래픽
2. 제품의 판매 주문 수
제품에 따른 트래픽은 GA4에서도 제공(전자상거래 구매: 항목 이름)하고,
각자가 쓰고 있는 쇼핑몰 호스트 사에서도 대부분 제공할 것이다.
만약 Page 단위로만 제공된다면, 이를 모두 합치는 작업이 따로 필요하다.
무슨 말이냐면, 같은 드라이기 제품이라도
A컬러 B컬러 등 제품의 컬러에 따라서 별도의 페이지로 랜딩되는 경우가 있다.
이런 경우에는 Color 단위로 전환율을 트래킹하는 것보다는 '제품' 단위로 전환율을 묶어보는 것이 더 좋다.
제품으로 한 번보고, 더 자세히 보기 위해 컬러로 드릴다운하는 것이 이상적이다.
프로세스
이런 지표들을 살펴볼 때는 항상 시계열 분석이 수반되어야 한다.
배팅을 하는 일은 결국 마케팅 예산을 조정하는 일이고,
이것이 데일리로 액션되는 것이 적합한지 혹은 위클리로 액션되는 것이 맞는지 판단해야 한다.
개인적으로는 데일리보다는 위클리로 움직이는 것이 더 괜찮다고 생각한다.
후자쪽이 광고 미디어에서 제공하는 머신러닝을 망가뜨리지 않을 가능성이 높으며,
일주일동안 더 풍부한 데이터가 쌓여 유의미한 의사결정을 할 수 있도록 도와준다.
즉, 일련의 분석과정을 요약하자면 아래와 같다.
1. 구글 시트, 엑셀, 루커스튜디오 등 본인이 사용하는 데이터 분석 툴 준비
2. Raw 데이터 적재: 데일리 단위 트래픽, 제품 실제 판매 수 (여기서 데이터 전처리 과정이 수반될 수 있다. 전체 값을 통으로 가져오는 것이 아니라 제품 별로 트래픽을 나눠서 가져와야하고, 제품 판매 데이터 또한 전체 값이 아닌 제품 단위로 적재되어야 한다)
3. 최근 5주차와 가능하다면 작년 동일 주차를 '열'로 만들어놓고, 제품 이름을 '행'으로 만들어서 전환율과 트래픽을 파악해준다.
4. 작년 전환율 트렌드가 올해랑 비슷하게 유지되는지 확인한다.
5. 전환율이 높은데 트래픽은 낮은 제품이 있는지 확인한다.
6. 전환율이 낮은데 트래픽은 높은 제품이 있는지 확인한다.
7. 5번과 6번 과정에서 필터링 된 제품의 예산을 증액/감액 한다.
*위 경우에는 제품 B에 지출되는 마케팅 비용은 감액하고, 제품 C에 지출되는 마케팅 비용은 늘려야한다.
여기서부터는 옵션이다.
8. 제품 별 마케팅 실제 소진액, 실 판매 ROAS를 행으로 넣어주고 위와 같은 양식으로 파악해준다.
9. 제품 별 마진을 낼 수 있는 공헌이익, 그리고 그 공헌이익에 따른 최소 ROAS를 파악해준다.
10. 실제 소진액과 ROAS를 보면서 ROAS가 목표보다 높은 제품의 예산을 더 증액해준다.
11. ROAS가 목표보다 낮은 제품의 예산은 감액해준다.
부록: 뻔한 변인 통제
이야기는 그만
평균적으로 형성되는 전환율을 인지하고 있고,
A/B 테스트 등을 통해서 전환율을 개선 시킨 경험도 있는가?
어느 아티클이나 읽으면 시종일관 똑같은 이야기를 한다.
A/B 테스트에서 가장 중요한 것은 변인을 통제하는 일이라고.
하루에 몇 만의 트래픽을 소화해야 하는 대형 커머스들은
변인 통제로 정확한 테스트 환경을 구축하는 것이 중요하다.
그리고 그 기술조차 구현하기 쉬운 환경에 있다. (테스트 환경을 만들 수 있는 조력자가 많다)
그러나 일반적인 브랜드들은 그렇지 못하다.
같은 시간에, 같은 유형의 고객에게
다른 소구점이나 구조를 가진 랜딩페이지를 구현하여
A/B 테스트를 마치고 이를 인사이트로 소화한다?
우리는 그럴 여유가 없다.
하루에 써야하는 마케팅 비용이 50만원밖에 없다고 가정한다면,
평균 CPC 500원을 잡아도 이는 총 1천 트래픽밖에 가져오지 못한다.
기적적으로 1천 트래픽의 5%가 전환한다고 가정한다면 50건의 전환밖에 확보할 수 없다.
그런데 이는 50만원을 총 1개의 랜딩페이지에만 태운다는 가정이며,
테스트 환경을 반으로 나누면 하나의 테스트 셋에는 25만원밖에 사용하지 못한다.
유의미한 결과가 나오기 어렵다.
하루에 500만원의 자금을 운용하는 브랜드라고 다를까?
500만원이면 CPC 500원 기준 1만 트래픽을 확보할 수 있기 때문에
좀더 A/B 테스트에 집중해야 하지 않을까?
뭐, 맞을 수도 있긴한데 적어도 이 아티클에서 권장하지는 않는다.
그거 환경 셋팅하는 리소스가 더 낭비라고 생각한다.
지금 최고의 효율을 만들어내려면, 지금 가장 리턴 기대값이 높은 제품에 배팅하는 것이 더 쉽다.
