2020. 5. 4. 18:15ㆍ카테고리 없음
최근 뉴스를 보다보니 요새는 초등학생을 넘어 유치원에서부터 코팅을 가르친다고 하더라고요. (한 200만원 한다고 합니다. 허허..) 보면서 무척 황당하다라는 생각을 했습니다. 영어 조기 교육은 언어니까 그렇다고해도 코딩은 추상적인 부분에 대한 사고가 불가능하면 제대로 배우기 어렵잖아요. 유치원에 다니는 애들에게 코딩을 가르치는 건 덧셈도 못하는 애들한테 방정식을 풀라는 거랑 같다는 생각을 했습니다. 아니나 다를까, 이런 곳에서는 거의 암기과목처럼 코딩을 시킨다고 하더라고요. 불쌍한 아이들 :(
하지만 아이들만 불쌍하게 여길 일은 아닌 것 같습니다. 위와 비슷한 일들이 사실 정말 비일비재하게 일어나는 곳이 바로 어른들의 세계입니다.
새로운 기술은 계속해서 개발되고 있으며, 이 기술의 발전 속도는 매우 빠릅니다. 하지만 사람이나 조직은 어떤가요? 이 기술의 발전 속도를 따라가기 무척 힘들고, 이미 저만치 발전한 기술을 밑바닥부터 배우면서 시작을 하려고 한다면 당연히 적용이 되는데까지 시간도 걸릴 수 밖에 없습니다. 즉, 단순히 기술만 투자를 해놓는다고 결과가 나오기를 기대하면 안되고 그 이후 지속적으로 사람에 투자하고 교육에 투자하고 새로운 기술에 기반하여 기업의 체질 개선이 일어나도록 노력하여야 합니다. 이러한 노력이 없으면 비싼 돈 들여서 투자한 하드웨어/소프트웨어는 돈낭비일 뿐이죠. (이걸 다들 아시지만 못하시더라고요. 특히 큰 기업일수록.)
당장 올해 여름 정말 핫했던 기상청만 봐도 알텐데요. 기상청은 올해 초인가 작년에 550억원을 들여 슈퍼컴퓨터를 새로 들였다고 합니다. 하지만 그럼 뭐합니까. 올 여름 기상청의 예보력은 체감 상 역대 최악 수준의 예보 정확성을 보이지 않았나 싶습니다. (중간부터는 비 올 확률은 50%입니다 라고 했던 것도 봤던 것 같습니다. 비가 온다는거에요 안온다는 거에요.)
이 기상청의 경우 하드웨어는 업그레이드를 했는데, 그 안의 소프트웨어/조직은 크게 바뀌지 않은 것이 큰 문제가 아니었나 싶습니다. 제가 알고 있는 것이 맞다면 우리나라의 경우 독자적인 기후 예측 알고리즘을 구축한 것이 아니라 영국의 기후 예측 알고리즘을 가지고 와서 스고 있다고 하고, 또 기후 예보관에 대한 처우가 무척 좋지 않아서 2-3년마다 사람이 바뀐다고 합니다. 전문성 향상이 요원한 상황인 거죠. 즉 하드웨어는 최첨단으로 비싼 돈 들여 업그레이드 했는데 안의 소프트웨어/사람/조직은 전혀 바꾸지 않으면서 이 업그레이드 된 하드웨어를 전혀 활용하지 못하고 있는 케이스 인 것 같습니다.
그리고 이런 문제는 기상청 같은 공공기관 뿐만 아니라, 일반 기업에서도 빈번하게 발생하고 있는 문제입니다. 이런 현상이 일으킬 수 있는 가장 큰 문제는 이러한 경험이 쌓이면 쌓일 수록 기업들이 기술에 대한 투자를 멈추고 혁신을 멈추게 됩니다. 그리고 이러한 신기술을 효과적으로 적용하는 신생 경쟁자가 나타나게 되면 코어에서부터 경쟁력이 밀리게 되고, 궁극적으로 도태될 수 밖에 없겠죠. 흔히들 말하는 파괴적 혁신 상황이 이렇게도 나타날 수 있는 겁니다.
즉, 이러한 상황을 피하기 위해서는 1) 신규 기술이 정착될 수 있도록 인적/조직적으로 투자가 이뤄져야만 하고요 2) 기다려줘야 합니다. 절대 조직은 금방 바뀌지 않습니다. 특히 기여와 같은 성과와 직결되어 있는 부분들은요.
그 때문에 만약 기여라는 개념을 마케팅에 제대로 적용해보고 싶으시다면 위의 순서대로 천천히, 매우 천천히 적용을 해보시는 것이 중요할 것 같습니다. 그리고 현재 우리가 어디에 있는지를 위의 그림을 가지고 파악해볼 수도 있겠네요.
여기에서 각 단계를 건너뛰고 무턱대고 기여 모델로 접어드는 것은 유치원생에게 코딩을 가르치는 것과 같을 수 있습니다. 각 단계를 하나하나씩 적용시키고 사람들을 교육시키며, 조직의 체질을 개선해나가야만 합니다. 일반적으로 일정 규모 이상의 기업들은 기본 기여 모델 / 맞춤 기여 모델로 가는데까지는 기업마다 다르겠지만 한 1년 반은 투자를 해야한다고 하네요.
Macro 전환 / Micro 전환 / 지원 전환은 이전 포스팅들에서 이미 누차 말씀드린만큼 이번에는 크게 다루지는 않겠습니다. 다만 제가 여기서 말씀드리는 다음 단계로 넘어간다는 것은 단순하게 이 기능들을 적용하였다 수준이 아닌, 이러한 개념들을 바탕으로 성과를 분석할 수 있는 사람이 있고, 구조가 갖춰진 후에 넘어갈 수 있다는 것만 유념해주세요.
그럼 4번째 단계인 기여 모델로 넘어가기 전, 몇 가지 중요한 팁을 말씀드리자면,
(1) 타 캠페인의 비용 데이터는 꼭 불러오세요.
> 각 캠페인 별로 ROAS 분석을 위해서는 각 소스/매체 별로 비용 데이터를 구글 애널리틱스로 불러올 필요가 있습니다. 비용 데이터를 하나의 플랫폼으로 모으는 것은 마케터의 업무를 크게 줄여줍니다!
제가 이거 포스팅을 한 줄 알았는데 비용 데이터만 데이터 가져오기 포스팅을 올리지 않았네요. 잘 모르시는 분들은 해당 포스팅을 참고해주세요. 로직은 크게 다르지 않습니다.
(2) 적어도 User-ID를 써서 교차 기기 유저의 행동 흐름을 추적해주세요.
> 오프라인까지는 오랜 시간이 걸릴 수 있지만, User-ID 만큼은 쉽게 적용가능한 만큼 교차 기기 액션을 추적하기 위하여 User-ID 기능은 활성화해주실 것을 권장드립니다.
기여 모델을 올바르게 결정하는 그 근간은 여러 번 방문하는 많은 사람들이 여러 종류의 결과 (구매/회원가입/정보탐색 등)를 이끌어내는 과정을 이해하는데 있습니다. 그렇기 때문에 앞선 포스팅에서 말씀드렸던 것과 같이 여러 번 방문하는 부분에 있어서 유저들의 다양한 터치 포인트를 최대한 많이 포함할 필요가 있으며, Macro 전환과 더불어 Micro Conversion을 함께 보고, 또 이에 기반한 마케팅 캠페인의 ROAS도 함께 볼 수 있어야만 합니다. 그래야 올바른 의사결정을 할 수 있어요.
1. 기본 기여 모델 활용
앞선 세 개를 이미 조직에서 많이 활용하고 있고, 이를 기반으로 의사결정이 이루어지고 있다면 한 단계 더 나아갈 준비가 되었다는 의미입니다. 그리고 앞서 말씀드린 두 가지 데이터도 모두 GA에서 처리를 하고 있다? 그럼 금상첨화이고요 :)
구글 애널리틱스에서는 총 다섯 개의 기본 기여 모델을 제공하고 있습니다. Last Non-Direct 까지 하면 6개이긴 하네요.
구글 애널리틱스에 기본으로 적용이 되어있는 모델은 앞서 말씀드렸다시피 Last Click 모델입니다. 그리고 저를 비롯한 많은 사람들이 이 Last Click에 모든 전환의 공로를 몰빵하는 것은 추천드리지 않고 있습니다.
그러면 어떤 모델이 가장 좋냐라고 많이들 물어보시는데요. 정답은 없지만 저는 개인적으로 Time Decay 방식이 좋은 스타팅 포인트라고 말씀드립니다.
어찌되었든 전환을 일으킨 마지막 전환에 많은 크레딧을 주면서 다른 채널들에도 기여를 일정 부분 할당하는 것이거든요. Linear를 말씀하시는 분들도 많지만 저는 모든 채널이 굳이 공로를 평등하게 인정받을 필요는 없을 것 같습니다. 전환을 일으킨 매체는 이전에 도움은 더 받았겠지만 뭔가 전환을 일으키게끔 하는 다른 무언가가 있었다고 생각하는게 더 맞을 것 같거든요. 만약 유저가 세 번째가 아닌 다섯 번째 방문에서 전환이 일어났다고 하면, 세 번째 방문을 이끌었던 마케팅 캠페인보다 다섯 번째 방문을 이끌어낸 캠페인에서 무언가 더 나은 것이 있었던 거죠. (그게 아니라면 세 번째에서 전환을 일으켰겠죠.)
이렇게 모델을 설정하여 Last Click 모형과 비교를 하게 되면 아래와 같이 데이터가 정리되서 나오게 됩니다.
각 소스/매체 별로 CPA가 Last Click 모형과 대비하여 어떻게 변하는지 나오게 됩니다. 만약 팁에서 말씀드렸던 것과 같이 비용데이터까지 import되어있다면 CPA 값도 함께 나와서 더 정밀한 데이터 분석이 가능해지겠죠.
그럼 이걸 가지고 무얼 할 수 있냐?
이 데이터를 가지고 각 마케팅 캠페인의 예산을 조정해볼 수 있습니다. 이렇게 조정을 한 후에는요?
이 시점부터 각 마케팅 채널 별로의 전환 수치는 크게 중요하지 않습니다.
이렇게 변경을 한 시점에서는 전체 전환의 숫자가 어떻게 바뀌고, 각 채널들이 구매단계에서 미치는 영향이 어떻게 되고, 바뀌고 있는지를 살펴보는 것이 중요해지는 것이죠. 만약 올바른 기여 모델에 기반하여 예산을 배분했다면 전체 전환이 늘 것이고, 또 예산 변동이 되면서 각 마케팅 채널이 미치는 영향도 달라지게 될 것입니다.
이 3단계에서 4단계로 넘어오면서 가장 어려워지는 것은 각 채널 별로 전환율을 관리하고 최적화를 하던 업무의 방향이 상당히 달라져야 한다는데 있습니다. 이러한 업무를 조직에서 가능하게 하고, 내재화 시키는 데에는 더더욱 많은 시간이 들어가게 될 것이고요. 또한 3단계인 지원 전환에 대한 개념이 완전히 조직에 박혀있지 않다면, 이걸 왜 해야하는지부터 많은 조직원들이 의문을 가질 것입니다. 때문에 각 단계를 완벽하게 거치는 것이 중요한 것입니다.
Time Decay가 저는 가장 좋은 스타팅 포인트라고 말씀드렸는데요. 만약 조직에서 생각하는 올바른 기여 모델이 있다고 한다면, 이를 기반으로 예산을 재조정해서 테스트해볼 수 있습니다.
이렇게 다양한 모델들을 테스트하고 결과를 보는데에도 물론 시간이 걸리겠지만, 그보다는 이런 테스트를 할 수 있는 환경을 만들고, 사람들이 이러한 테스트를 올바르게 할 수 있도록 교육하는데 더 많은 자원이 필요하게 됩니다. 큰 기업일 수록 이러한 테스트할 수 있는 환경을 만들어주는게 무척이나 무척이나 힘들죠..
2. 맞춤 기여 모델 활용
만약 기본으로 제공하는 구글 애널리틱스의 기여 모델을 활용하여 그 중 가장 알맞는 기여 모델을 찾으셨고, 또 이를 기반으로 해서 업무를 할 수 있도록 기업의 역량이 갖춰졌다면 이제는 한 단계 더 나아가 맞춤 기여 모델을 활용할 때가 되었습니다.
개인적으로 제가 큰 규모의 기업을 보지 않아서인지는 모르겠지만 국내에서 이 단계까지 온 광고주들은 거의 보지 못하였습니다.
99.9%의 광고주들이 3단계에 머물러 있는 경우가 많고, 아무리 기여를 잘 써도 4단계에서 막혀버리시더라구요. 3단계와 4단계가 기여 모델의 가장 큰 캐즘이 아닐까 생각해봅니다.
4단계인 기본 기여 모델만 제대로 활용하여도 기업의 성과는 훨씬 좋아질 수 있습니다. 하지만 이러한 기본 기여모델은 기성복일 뿐이며, 나에게 딱 맞는 맞춤옷을 만들게 되었을 때 다시 한 번 기업의 성과가 훨씬 나아질 수 있습니다. 셔츠를 많이 입으시는 분들은 맞춤셔츠가 얼마나 편한지 아실 것 같아요.
맞춤 기여 모델은 구글 애널리틱스가 기본으로 제공하는 기여 모델이 아닌, 내 기업에 알맞는 기여 모델을 새로이 만드는 것입니다. 위의 예시는 Avinash가 만든 맞춤 기여 모델인데요. Time Decay 모형을 기반으로 하여 Avinash가 만든 상당히 괜찮은 모형입니다.
그럼 저 모델만 적용하면 끝 아니냐고요? 저 모델이 100% 모든 기업에 적용되는 것이 아닐 뿐더러, 거듭 말씀드리지만 저 모델을 그냥 사용할 줄 아는 것보다는 저런 모델을 기업에 맞게 만들고 적용할 수 있는 역량이 더 중요합니다. 그리고 이러한 역량이 바로 경쟁사는 따라하기 힘든 하나의 전략적 자산이 될 수 있는 것이겠죠.
즉, 저 모델을 그냥 가져다 쓰면, 영국의 기후예측모형을 가져다쓰는 기상청과 크게 다를게 없어요.
그럼 이 단계의 가장 큰 어려움은 무엇일까요?
첫 번째는 기업에 올바른 모형을 만드는데 많은 지식과 경험이 필요하다는 점이죠. 앞선 단계에서 다양한 테스트를 하면서 각 마케팅 매체가 유저의 전환에 있어서 어떤 역할을 하는지 완벽하게 이해하고 있지 않다면, 이런 모형을 만드는 것은 거의 불가능합니다. 따라서 이 맞춤 기여 모델을 만드는 것이 4단계를 완벽하게 이해하고 집행한 다음에야 가능하다고 말씀드리는 것이고요.
하지만 이 부분보다 더 어려운 것은, 사람의 주관이 들어갈 수 밖에 없다는 것입니다. 사람의 주관이 들어가게 되면, 특히 이렇게 다양한 부서의 성과와 직결되는 부분에 대하여 사람의 주관이 들어가게 되면, 내부적으로 다양한 목소리가 나올 수 밖에 없습니다. 이 모델을 짜는 것도 어렵지만 더 많은 리소스는 이러한 다양한 목소리들을 정리하는데 들어가게 됩니다. 이 부분이 정말 피곤하고 긴 여정이 될 것을 다들 아실 것 같습니다. 하지만 그럼에도 불구하고 자신있게 말씀드릴 수 있는 부분은 이러한 리소스를 들여서라도 충분히 할 가치가 있는 일이라는 것입니다.
3. Data Driven 기여 모델의 활용
마지막은 Data Driven 기여 모델에 대하여 다뤄보고자 하는데요. 이 Data Driven 모형은 아쉽게도 구글 애널리틱스 360 (유료)을 통해서만 가능합니다.
최대한 비슷한 구현을 R을 통하여도 가능하기는 한데요. 이 부분은 기회가 된다면 한 번 다뤄보기는 하겠습니다. (언제가 될지는 몰라요. 이건 블로그로는 어떻게 적어야 할 지 감도 안오네요.)
이 Data Driven 모형은 구글의 머신 러닝 알고리즘을 이용하여 유저의 전환에 있어서 각 터치 포인트가 가지는 적합한 기여를 계산합니다. 즉, 앞선 5단계에서 인간이 열심히 경험과 지식을 바탕으로 계산되었던 내용들을 컴퓨터가 대신 해주는 것이죠. (무섭네요. 앞으로의 미래가..)
아직까지 한계가 없는 것은 아니지만, 그래도 빠른 속도로 발전하고 있는 프로그램입니다. 구글 애널리틱스 360이 엄청 비싼 상품이지만 그 가치는 하는 상품이다 라고 말씀드릴 수 있습니다.
가장 큰 메리트는 결국 두 가지 일 것 같습니다.
1) 정확성 : 유저의 전체 로그를 분석하여 데이터를 뽑아주는 만큼 인간이 단순하게 계산하는 것보다 더욱 정확한 기여모델을 뽑아줍니다.
2) 주관 배제 : 앞선 맞춤 기여 모델과는 다르게 인간의 주관이 배제된 상태에서 모델이 나오기 때문에 내부의 반발이 적어질 수 밖에 없습니다. 순전히 '알고리즘'의 정확성을 가지고 태글을 걸 수 밖에 없는 상황이기에 기여 모델 적용에 대한 내부 갈등이 적을 수 밖에 없습니다.
이 두 가지만 놓고 보더라도 Data Driven 기여모델을 적용하는 것으로 어마어마한 인적 자원과 시간을 세이브해주게 되고, 이를 금전적으로 환산하면 구글 애널리틱스 360 가격은 나온다고 하네요. (그럴 것 같습니다.) 내부 애널리스트들은 이에 내부 설득과 같은 작업이 아닌 다른 더 코어한 데이터 분석에 집중할 수 있고요.
4. 마무리
기여에 대한 포스팅은 이 정도로 마무리해볼 수 있을 것 같습니다. 꽤나 긴 포스팅이었고, 쓰다가 중간에 한 번 날라가면서 자신과의 싸움으로 썼던 포스팅인 것 같네요.
이 포스팅을 통하여 한 가지 말씀드리고 싶은 것은 기여 모델에서 가장 중요한 것은 단순히 이러한 기능들을 적용시키는데 있지 않다는 것입니다.
각 단계에 대하여 충분히 시간과 자원을 투자하여야만 다음 레벨로 넘어갈 수 있는 힘이 길러지는만큼 인내심을 가지고 꾸준히 투자를 진행하면서 Measurement에 대한 역량을 갖춰야만 올바른 의사 결정을 바탕으로 기업이 지속적으로 성장할 수 있습니다.
긴 포스팅 읽어주셔서 감사합니다. :)