데이터 사이언스 in 광고 마케팅 1편 : 광고에서의 데이터 애널리틱스

HS애드 블로그는 앞으로 총 3회 간 오클라호마 대학교 윤도일 교수의 칼럼을 게재합니다. 윤도일 교수는 오클라호마 대학교 게일로드 매스커뮤니케이션 칼리지(Gaylord College of JMC) 부교수 및 겔로글리 엔지니어링 칼리지 데이터 사이언스/애널리틱스(Data Science and Analytics in the Gallogly College of Engineering) 과정 겸임 부교수입니다.

이번에 게재되는 윤도일 교수의 칼럼 1편은 데이터 사이언스에 대한 인트로 및 광고에서의 데이터 애널리틱스를 소개합니다. 다음 2편은 머신러닝과 인공지능에 대한 설명 및 광고 마케팅 분야에서의 활용 현황을 소개하며, 마지막 3편은 데이터 사이언스가 가져올 변화에 대한 예측과 광고 마케팅 분야에서의 전략 변화를 소개할 예정입니다.

진화하는 데이터 테크놀로지를 바탕으로 보다 효과적인 기획과 성공적인 집행을 원하는 모든 광고인을 위한 윤도일 교수의 칼럼, 지금부터 시작합니다.

모든 변화의 중심에 자리잡은 데이터

1994년 나이키는 나이키-에어의 쿠셔닝에 더 많은 공기를 주입시키는 새로운 기술로 운동선수들의 향상된 경기력에 도움을 준다는 내용의 나이키 에어맥스 스퀘어 글로벌 캠페인을 집행했습니다. 한국은 박찬호 선수와 유명한 과학자인 고 김정흠 교수님을 모델로 하여 새로운 기술의 발전이 인간의 활동에 도움을 준다는 메시지를 소비자에게 전달했습니다. 고 김정흠 교수님의 육성으로 “기술이란…” 멘트로 시작한 캠페인이 아직도 기억에 남습니다.

20여 년이 지난 지금 발전된 기술은 인간에게 편익을 제공하는 것을 넘어 인간의 역할을 대신하고 이로 인해 인간이 설 자리를 잃을지도 모른다는 예측을 하는 미래학자들도 있습니다. 이 모든 변화의 중심에 데이터가 있습니다.

이에 따라, 데이터 사이언스라는 개념이 주목을 받고 있습니다. 최근에 발표된 자료에 의하면, 미국과 영국에서 일하는 152명의 마케터를 대상으로 한 2018년 4월 조사에서 응답자의 93%가 데이터 사이언스와 애널리틱스를 마케팅 프로세스에 적용하는 것이 중요하다고 응답하였고, 약 45%의 응답자가 실제로 데이터 사이언스를 업무에 적용하여 적극 활용하고 있다고 응답하였습니다 (Ad Age, June 28, 2018).

데이터 사이언스는 특정 분야의 접근법이 아닙니다. 이는 데이터를 모으고 방대한 데이터로부터 의미 있는 정보와 인사이트를 추출해 내기 위해 통계를 포함하는 과학적 방법론 및 컴퓨터 알고리즘 개발과 같은 컴퓨터 공학 등 여러 분야의 학문을 융합해 데이터 분석 모델과 방법을 만들어 내는 새로운 분야입니다.

데이터 사이언스를 광고 마케팅 분야에 적용하고 이해하는 부분에 있어서 먼저 고려해야 할 부분은, 광고 마케팅에서 데이터 사이언스를 어떠한 목적으로 활용할 것인지 생각해 보아야 한다는 점입니다. 예컨대, 최근 중국 알리바바에서 발표한 것처럼 1초에 2만 개의 카피를 써내는 인공지능 카피라이터의 개발을 목표로 하는 접근과 현업 전문가로서 자신의 업무 처리 내용과 결과를 향상시키는 것을 목표로 하는 접근은 다르다고 하겠습니다. 전자의 경우, 전문적인 통계학 지식과 컴퓨터 프로그래밍 지식이 필요하겠지만, 후자의 경우는 광고 마케팅 분야의 전문지식을 바탕으로 기본적인 데이터 사이언스에 대한 이해가 필요할 것입니다.

빅데이터, 효과적 광고 마케팅의 ‘열쇠’

광고 마케팅 분야에서 데이터 테크놀로지의 활용의 시작은 2005년경부터 회자되기 시작한 빅데이터 때문일 것입니다.

초기의 빅데이터 개념은 ‘5V(Volume-양, Velocity-속도, Variety-다양성, Veracity-정확성, Value-가치)’의 개념에서 알 수 있듯 기존의 장비로는 처리할 수 없는 상당히 큰 양의 데이터를 언급하는 것이었습니다. 기업들은 기존의 서베이와 포커스 그룹 인터뷰 등에 의존한 소비자 데이터 외에 새롭게 온라인상에서 얻어지는 엄청난 양의 다양한 온라인 데이터와 매출, 마켓셰어, 시장동향과 같은 오프라인 데이터들을 활용해서 비즈니스와 마케팅 활동을 해 왔습니다.

보통의 데이터는 숫자의 형태로 보관되는 양적 데이터이므로 분석은 통계기법에 의존하고 있습니다. 빅데이터 역시 거대한 용량의 컴퓨터를 사용해서 분석을 해야 하므로 숫자의 형태로 저장ᆞ분석합니다. 통계의 기본 두가지 분석방법은 기술통계와 추리통계입니다. 기술통계(Descriptive Statistics)는 전체를 대표하는 한 집단에서 수집된 데이터를 이해하기 쉬운 방법으로 데이터를 간소화하는 기법입니다. 전체 데이터의 평균값을 구한다든지, 최소값과 최대값을 구해서 데이터의 분포를 살펴본다든지 하는 방법입니다. 추리통계(Inferential Statistics)는 기술통계를 통해 간소화된 집단에서 수집된 데이터의 값들을 분석하여 전체집단을 예측하고 추정해 보는 기법입니다. 보통의 경우 가설을 수립하고 가설을 검증하는 수단으로 추리통계를 사용합니다.

빅데이터의 분석과 활용 또한 통계분석의 두 분야와 관련이 있습니다.

먼저, 온라인상에서 수집된 소비자의 행동 데이터는 로그파일 분석이나 제3자 서버분석 등의 방법으로 분석되어 웹사이트나 모바일 어플리케이션의 트래픽 정보가 ‘애널리틱스’라는 이름으로 분석 제공되고 있습니다. 이 방법은 데이터를 분석하여 정보(Information)를 만드는 기술통계와 비슷합니다. 데이터 분석을 통해 제공된 각종 지표들이 마케팅 의사결정에 활용되고 있습니다.

두 번째로 추리통계는 소비자의 모델링을 가능하게 함으로써 최근 이슈가 되고 있는 ‘머신러닝’과 관련이 있습니다. 머신러닝은 통계학과 컴퓨터 사이언스가 합쳐진 분야입니다. 수집된 빅데이터는 컴퓨터 프로그래밍을 통해 간소화된 패턴으로 정리가 되고, 그 패턴은 보통 수식으로 표현되는 모델의 형식을 가집니다. 즉 수집된 데이터들을 분석하여 마케팅에 활용이 가능한 모델을 만들어서 예측을 가능하게 해 주는 것입니다. 시장과 소비자에 대한 비교적 정확한 예측을 가능하게 해준다는 점이 빅데이터가 가진 가장 강력한 힘이라고 하겠습니다.

보다 많은 데이터를 일목요연하게 분석

광고를 기획하고 집행하는 과정에 있어서 데이터는 모든 부분에 필요하지만, 특히 소비자의 이해와 미디어 집행의 효과 측정에 필요합니다.

첫 번째로는 시장과 소비자를 이해하고 광고의 컨셉을 잡아내기 위해 데이터를 모으고 분석하는 것이 있습니다. 과거에는 이를 위해 설문조사와 포커스 그룹 인터뷰가 주로 사용되었습니다. 그런데 미디어가 디지털화되면서 소셜미디어 데이터를 포함한 다양한 빅데이터를 모으고 분석하는 것이 가능해지며 보다 정확하게 소비자에 관한 이해를 쌓을 수 있게 되었고, 이를 바탕으로 소비자의 행동을 분석ᆞ예측하여 적절한 마케팅 광고전략을 수립할 수 있게 되었습니다. 트위터, 페이스북과 같은 소셜미디어의 발달은 빅데이터를 광고와 마케팅에서 적극적으로 활용할 수 있는 좋은 기회가 되었습니다.

당시 빅데이터의 개념은 소셜미디어에서 사용자가 올린 글을 내용을 분석해서 사회의 트렌드를 읽어내거나 소비자가 브랜드에 대해 가지고 있는 생각을 가감없이 읽어내는 과정을 통해 기존의 설문조사와 심층면접조사를 대체ᆞ보완할 수 있는 대안으로 부상하기도 했습니다. 현재는 소셜 리스닝 또는 소셜 맨션이라는 개념으로 정리된 부분입니다. 또한 소셜 네트워크 분석과 합쳐져 소셜 미디어 애널리틱스라는 개념으로도 사용되고 있습니다. 소셜미디어의 발달 외에 소비자의 행동에 관한 데이터는 구글과 야후와 같은 서치 엔진을 중심으로 데이터를 저장하고 처리하는 기술의 발전과 함께 본격적으로 활용되기 시작했습니다.

두 번째로는 소비자에게 효과적이고 효율적으로 광고물을 노출시키기 위해 기존 미디어의 효과를 분석하는 것이 있습니다. 과거의 미디어 효과 측정은 신디케이트 리서치 회사의 정기적인 정보에 의존하였습니다. 미디어의 디지털화는 소비자의 미디어 소비 행태 또한 정확하게 이해할 수 있도록 해주었습니다. 기술의 발전은 소비자가 소셜미디어에 표현한 경험과 의견을 분석하는 단계를 넘어서 소비자들의 온라인상 행적에 대해 추적하고 데이터베이스화 하여 분석하는 것을 가능하게 했습니다.

기존의 미디어 접촉은 샘플링을 기반으로 닐슨미디어에서 텔레비전과 라디오 소비를 시청률과 점유율로 분석을 했고, 프린트 미디어는 서베이를 통해 열독률을 예측해왔습니다. 오늘날 온라인 광고가 텔레비전 광고 다음으로 광고비 지출이 많은 매체가 되었고 텔레비전 광고도 온라인으로 소비가 되고 있는 시점에서 소비자의 온라인 매체 접촉행태는 온라인 광고 성공을 결정하는 중요한 요소입니다.

▲구글 애널리틱스 대시보드의 예 (출처 : https://www.klipfolio.com/gallery/dashboards/google-analytics-website-overview )

구글 애널리틱스로 대표되는 웹 애널리틱스는 기존의 광고기획과 매체집행에 많은 변화를 가져왔습니다. 도달률과 빈도로 측정되던 광고효과는 KPI (Key Performance Indicator)라는 단어의 등장과 함께 마케팅과 광고의 목적에 따라 다양한 디지털 매트릭스로 측정이 되고 있습니다.

데이터 애널리틱스의 활용

온라인 광고가 활성화되면서 부각된 개념이 소비자 경로 (Consumer Journey)입니다. 데이터를 바탕으로 한 애널리틱스 개념이 도입되기 전까지는 소비자가 어떤 경로로 미디어를 소비하는지, 그리고 어떤 경로로 제품구매의 결정을 내리는지에 대한 과정이 명확히 밝혀지지 않았습니다. 소비자 경로의 개념은 본래 온라인 구매사이트나 소비자가 방문하는 웹사이트에서 방문자가 도메인 상의 여러 웹사이트를 클릭하며 네비게이팅하는 흐름을 파악하여 소비자가 최종 구매결정을 하는 패턴을 찾아내는 개념입니다. 그 결과에 따라 최적화(Optimization)를 통해 소비자에게 최상의 사용자 경험(UX)을 제공하여 구매결정을 유도할 수 있게 되었습니다.

▲구글 애널리틱스 플로우 분석의 예 (출처 : https://www.techwyse.com/blog/website-analytics/a-beginners-guide-to-google-analytics-users-flow/)

구글 애널리틱스의 경우 소비자 경로를 분석할 수 있는 플로우 분석을 결과로 제공하고 있습니다. 구글 애널리틱스 플로우 분석은 더블클릭 쿠키로 수집한 방대한 데이터를 바탕으로 방문자의 인구통계학적 정보와 관심분야 데이터를 분석하여 향후 보다 정확한 타겟팅을 할 수 있는 장점이 있습니다. 또한 엔트리 페이지부터 엑시트 페이지 사이의 플로우(방문 후 도메인내의 각 사이트의 방문순서와 방문기간)를 파악함으로써 각 페이지의 장점과 단점을 파악하여 단점을 보완하는 웹페이지 최적화(Optimization)에도 기여를 하고 있습니다. 이 분석을 통해 특정 페이지가 제대로 기능을 하지 않거나 제공되는 내용 및 서비스의 질이 떨어져서 해당 페이지에서의 엑시트(이탈)가 높다든지 방문시간이 짧다든지 하는 문제를 발견해 낼 수 있고, 문제가 발견되면 즉각적인 조치와 수정을 시행해 불필요한 마케팅 누수를 줄이고 방지할 수 있습니다. 이러한 소비자 경로의 개념을 단순히 웹사이트나 앱과 같은 한 플랫폼에 적용시키지 않고 다양한 미디어의 접촉으로 확대시킨 개념이 기여도(Attribution)입니다. 소비자의 온라인 구매는 단순히 한 번의 방문으로 이뤄지는 것이 아니고 다양한 소스에서 정보를 습득하는 일련의 과정을 거치게 됩니다. 그런 과정 중에 구매결정에 가장 큰 영향을 미친 소스를 찾아내고 일련의 과정을 패턴화하는 것이 기여도의 개념입니다. 배너광고나 서치광고처럼 이미 집행된 온라인 광고의 효과를 소비자의 구매결정과 관련해서 분석해내는 방법입니다. 이 부분은 앞서 말씀드렸던 추리통계의 기법으로 빅데이터를 바탕으로 경우의 수에 따라 머신러닝을 통해 가장 효과적인 온라인 광고의 형태를 예측할 수 있습니다. 이렇게 예측된 결과로 구매결정에 가장 높은 기여를 보인 광고는 향후 미디어 집행에 적극적인 고려대상이 될 것입니다.

IBM 고객분석팀의 비즈니스 리더인 켄 비스콘티(Ken Bisconti)는 2016년 5월 10일 ‘애드 에이지’에 기고한 글에서 소비자의 경험을 브랜드 성공의 중요한 요소로 설명했습니다. 그는 브랜드가 제공하는 다양한 브랜드 컨택트 포인트에서 소비자의 경험 데이터들을 분석해야 소비자 경로와 관련된 의미 있는 데이터를 얻을 수 있다고 말했습니다.

▲선버스트(sunburst) 그래프의 예 (출처 : https://www.kaushik.net/avinash/data-visualization-inspiration-analysis-insights-action-faster/)

애널리틱스의 또 다른 장점은 데이터 프레젠테이션에 있습니다. 방대한 데이터에서 추출된 정보와 인사이트를 효과적인 방법으로 보여주는 데이터 시각화 (Visualization)란 개념 또한 중요하기 때문입니다. X축과 Y축을 이용한 2차원 그래프를 활용한 데이터 프레젠테이션에서 벗어나 3차원으로 복잡한 데이터 분석의 결과를 효과적으로 보여줄 수도 있습니다. 또한, 위에서 언급한 구매나 컨버전에 영향을 미치는 미디어 기여도(Attribution)과 같은 계층적 정보(Hierarchical Information)는 선버스트(Sunburst)와 같은 그래프를 사용하여 효과적으로 보여줄 수 있습니다.

데이터 시각화는 광고 프레젠테이션과 같은 최종적인 데이터 프레젠테이션입니다. 프레젠테이션이 아무리 화려하고 멋있어도 중요한 것은 프레젠테이션을 구성하는 내용입니다. 데이터 시각화 역시 데이터에서 추출된 정보와 인사이트를 효과적으로 전달하는 도구입니다. 데이터 사이언스에서 중요한 것은 데이터의 퀄리티와 효과적인 분석방법입니다. 데이터 시각화를 위한 도구로는 구글 데이터 스튜디오, 태블로, 그리고 R의 ggplot2와 shiny등이 있습니다.

데이터 애널리틱스, 정확한 방향성 필요

마지막으로 2018년 5월 30일자 ‘하버드 비즈니스 리뷰’에 실린 듀크대학교 마케팅 교수 2인 멜라 앤 무어맨(Mela and Mooreman)이 제안하는 마케팅 애널리틱스 성공에 대한 팁을 소개하고자 합니다.

기업의 성공적인 애널리틱스를 위해서는 데이터의 퀼리티와 데이터를 분석하는 사람들의 능력이 중요합니다. 무분별한 데이터의 수집은 데이터 간의 조화와 일치가 어려운 경우가 많습니다. 기업의 각 분야별로 필요한 데이터가 다르고 수집되는 데이터의 양과 질도 다릅니다. 수집되는 모든 정보가 다 유의미한 정보는 아닙니다. 따라서 데이터 수집 이전에 분석과 애널리틱스에 불필요한 노력울 줄이려는 전략이 필요합니다. 꼭 필요한 인사이트와 가치가 무엇인가를 정하는 목표설정을 한 후에 그에 맞는 데이터를 수집하는 것이 현명하다고 하겠습니다.

데이터 분석가가 가져야 하는 능력 중 가장 중요한 부분은 비즈니스의 문제점을 먼저 파악해야 한다는 점입니다. 비즈니스 문제점 파악 후 비즈니스의 속성을 이해하는 과정이 필요하고 그 이해를 바탕으로 정확한 데이터 애널리틱스의 방향을 수립할 수 있습니다. 구체화된 방향성이 수립되었을 때 비로소 데이터 분석가는 자신이 가진 전문성을 활용하여 비즈니스 문제해결을 위한 적절한 애널리틱스 툴을 선정하고 개발할 수 있을 것입니다.

개인에게 데이터 사이언스의 영역은 서두에서 언급했던 것처럼 개발자와 사용자의 역할에 따라 습득해야 하는 지식의 정도에 따라 달라질 것입니다. 멜라 앤 무어맨의 이야기처럼 통계와 프로그래밍 능력을 지닌 개발자는 비즈니스가 가진 속성과 문제점을 파악해야 할 것이고, 광고 마케팅 전문가인 사용자는 프로그래밍의 수준이 아니더라도 자신들이 지닌 문제점을 해결할 수 있는 데이터 사이언스에 대한 기본적인 지식을 갖추고 있어야 데이터를 바탕으로 한 마케팅과 광고활동에 도움이 되리라고 생각합니다.

오늘 준비한 데이터 애널리틱스에 대한 이야기는 여기까지입니다. 다음 글에서는 머신러닝과 인공지능의 기본적인 작동원리와 광고 마케팅의 적용에 대해 이야기를 나누겠습니다. 감사합니다.