사용자 확보의 미래: 알고리즘을 활용한 자동화

AlgoLift 의 CRO로서 , 그는 팀과 함께 LTV( 활용하여 페이스북, 구글, 애플 검색에서 사용자 확보를 . 이 글은 폴이 작성한 게스트 포스트입니다.

지난 10년간 성과 마케팅의 성공 지표는 극적으로 변화했습니다. CPI, CPC와 ROAS 과 같은 설치 후 단기 지표를 평가하는 시대로 접어들었습니다 . 대부분의 기업에서 7일 수익을 기준으로 사업 계획을 세우지는 않기 때문에, 초기 수익 지표는 마케팅 팀을 비용 센터처럼 보이게 만들 수 있습니다.

하지만 마케터들이 장기적인 수익률을 핵심 지표로 인식하게 되면 상황이 달라집니다. 기업은 성과 마케팅을 비용 센터로만 여기던 시각에서 벗어나, 사용자 확보(UA)를 미래 사업 성과에 대한 투자로 인식하게 됩니다.

AlgoLift는 Facebook, Google, Apple 검색에서 사용자 확보를 자동화합니다. 어떻게 가능할까요? 30일부터 2년까지 다양한 기간의 사용자별 예상 고객 생애 가치(LTV)를 활용하고, 투자 수익률(ROAS)을 극대화하는 설치를 구매하는 포트폴리오 이론을 적용하기 때문입니다. 알고리즘 기반 시장 모델을 사용하여 사용자 확보 캠페인의 미래 성과를 예측함으로써, AlgoLift는 수동 시스템으로는 달성할 수 없는 포트폴리오 접근 방식을 통해 사용자 확보를 자동화합니다. 

알고리즘을 활용한 사용자 확보 자동화 시작하기

우선, 사용자 어트리뷰션(UA) 자동화의 핵심 과제는 정확하고 깨끗한 고품질 데이터에 접근하는 것입니다. 즉, 입력값이 잘못되면 출력값도 잘못됩니다. 대부분의 기업은 어트리뷰션 데이터, 거래 데이터, 앱 내 참여 데이터를 서로 다른 데이터 웨어하우스에 저장합니다. 이로 인해 통합 비용과 복잡성이 크게 증가하고, 완벽한 자동화 솔루션의 범위와 확장성이 제한될 수 있습니다. 

이 문제를 해결하기 위해 Singular 고객이 비용 및 수익 데이터를 통합할 수 있는 효과적인 솔루션을 제공합니다. AlgoLift는 API를 통해 사용자 및 코호트 수준의 데이터에 접근하여 LTV 및 pROAS 모델을 구축할 수 있습니다. 이를 통해 사용자 확보(UA) 캠페인의 미래 성과를 예측할 수 있습니다. AlgoLift는 이러한 데이터를 활용하여 Facebook, Google, Apple 검색의 캠페인 관리 API를 사용하여 장기적인 수익을 최적화하는 방식으로 UA를 자동화합니다. 

UA 자동화를 위해 알고리즘을 사용하는 이점

컴퓨터는 인간만큼 전략적이고 창의적으로 생각할 수는 없을지도 모릅니다. 하지만 오늘날의 기계는 고난이도 수학 문제를 해결하고 힘들고 반복적인 작업을 수행하는 데는 훨씬 뛰어납니다. 이러한 점을 고려할 때, 알고리즘을 활용한 자동화는 수많은 이점을 제공합니다.

ROAS 성능 향상

사용자 확보(UA) 자동화의 핵심 성공 기준은 장기적인 투자 수익률(ROAS) 성과를 향상시키는 것입니다. 알고리즘을 활용한 UA 캠페인 최적화 자동화 비용은 현재의 인력 활용 방식보다 낮아야 합니다. 

AlgoLift는 1억 달러 이상의 사용자 확보(UA) 지출을 최적화함으로써 5개월 동안 d365 ROAS 예측치를 최대 45%포인트까지 향상시킬 수 있음을 발견했습니다. 이러한 개선은 장기간에 걸쳐 매일 조금씩 이루어지는 변화를 통해 확인할 수 있었습니다.

복잡한 수학 문제 풀기

대부분의 퍼포먼스 마케터는 캠페인을 위해 다음과 같은 사용자 확보 전략 중 하나를 시도합니다. 

S1은 강력한 예측 ROAS 모델을 통해 비교적 쉽게 구현할 수 있지만, 지출 규모 확장에 최적화된 방식은 아닙니다. 

S2/S3 전략은 지출 또는 ROAS 최적화에 더 효과적이지만, 캠페인 전반에 걸쳐 최적의 예산 배분을 파악하기 위해 복잡한 수학적 모델을 매일 실행해야 합니다.

알고리즘은 소규모 코호트를 효과적으로 공략하는 방법을 이해하는 데에도 유용합니다. 캠페인 수준의 예측은 불확실성이 높을 수 있습니다. 최근 확보한 소수의 고객 행동을 기반으로 미래 사용자의 고객 생애 가치(LTV)를 예측하는 것은 추정치에 상당한 불확실성을 초래하기 쉽습니다. 자동화 자체에 대한 모호한 시각을 갖기보다는, 보다 유용한 관점을 고려함으로써 이러한 우려를 해소할 수 있습니다.

인간 작업자는 이러한 불확실성에 직면하여 의사 결정을 내리는 데 어려움을 겪을 수 있습니다. 심지어 세부적인 데이터를 아예 사용하지 않는 것이 좋겠다고 (잘못) 결론 내릴 수도 있습니다. 그러나 이 알고리즘은 불확실성을 염두에 두고 설계되었으며, 시간이 지남에 따라 일련의 올바른 방향으로의 변화를 통해 성능을 향상시킵니다.

반복적인 작업의 자동화

AlgoLift는 10개월 동안 15개 고객사를 대상으로 Facebook, Google, Apple 검색 광고에 걸쳐 약 5만 건의 자동 입찰가 및 예산 조정 작업을 진행했습니다. 이러한 조정은 고객사가 정의한 KPI(S2/S3) 달성을 목표로 캠페인을 최적화하기 위해 이루어졌습니다. 또한, 전체 캠페인 포트폴리오 내에서 각 캠페인의 상대적 성과를 기반으로 예측된 ​​장기적인 수익률을 고려하여 조정 작업을 수행했습니다.  

업무량 감소

UA 팀이 캠페인을 매일 수정하는 작업에서 벗어나면 팀은 더욱 전략적이고 창의적인 사고를 할 수 있게 되며, 궁극적으로 기계가 아직 완전히 자동화할 수 없는 더 광범위한 작업에 집중할 수 있습니다

• 캠페인 아이디어 구상 및 제작
• 크리에이티브 및 광고 카피 제작 및 반복 작업
• 새로운 국가 또는 마케팅 소스 탐색
• 이벤트 또는 제품 중심의 마케팅 결정

사용자 확보의 미래

사용자 확보를 위한 알고리즘 자동화는 수동 캠페인 분석 및 최적화에 수학적으로 타당한 기술적 진보를 가져옵니다. 제대로 실행될 경우, 사용자 확보(UA) 팀의 업무 부담을 크게 줄여주고, 힘들고 반복적이며 비효율적인 작업에서 벗어나 창의적이고 전략적인 활동에 집중할 수 있도록 해줍니다.  

무엇보다 중요한 것은, 이를 통해 조직은 명확하게 이해되고 잘 정의된 장기 목표에 맞춰 재정비된다는 점입니다. 이는 ROAS(투자 수익률)를 크게 향상시켜, 사용자 확보(UA)를 비용 센터에서 미래 사업 수익성 확보를 위한 핵심 요소로 전환시킵니다.