멀티터치 어트리뷰션이 죽었나요? 더 나은 성능 측정 솔루션 구축

마케팅 기여의 오랜 목표는 간단해 보입니다. 어떤 접점, 채널 및/또는 캠페인이 고객 전환을 유도하는 데 가장 효과적인지 알아내는 것입니다.

디지털 세계에서 영향을 평가하는 능력은 마케팅 상호 ​​작용을 함께 연결할 수 있는 결정론적 식별자를 기반으로 합니다. 그런 다음 규칙 기반 또는 데이터 기반 모델이 이러한 상호 작용에 적용되어 고객 여정 전반에 걸쳐 각 상호 작용에 할당된 기여도의 가중치를 조정합니다.

따라서 기여는 이론적으로 마케터에게 소비자의 전환 결정에 대한 다양한 종류의 브랜드 상호작용의 가치를 이해하고 평가할 수 있는 권한을 부여합니다. 기여 모델의 플라토닉한 이상은 사용자 여정의 모든 접점에 대한 전체적인 관점을 생성하고 사람들을 최종 목표로 이끄는 데 있어 그 중요성을 정확하게 평가하는 것입니다.

멀티 터치 어트리뷰션과 같은 일부 모델은 더 가까워진 반면, 다른 모델은 마지막 터치와 같이 잘 알려진 맹점을 가지고 있습니다.

그러나 전환 이벤트에 영향을 미쳤을 수 있는 모든 터치포인트를 정확하게 추적하는 것은 불가능합니다. 아마 결코 없을 것입니다. 설령 그렇다 하더라도 귀속은 실제로 우리에게 필요한 전체 그림을 제공하지 못할 수 있습니다.

귀인만으로는 본질적으로 결함이 있는 목표입니다.

완벽한 속성은 오랫동안 마케팅의 꿈이었습니다. John Wanamaker 시절부터 마케터들은 자신이 가치를 창출하고 있음을 입증할 보편적인 측정 프레임워크에 대한 아이디어에 사로잡혀 있었습니다.

하지만 모든 접점을 보고 완벽하게 전체적 기여를 달성할 수 있다고 해도 완벽한 마케팅 전략을 수립하는 데 필요한 모든 정보를 얻을 수 있을까요? 결국, 특성상 귀인은 항상 백미러를 들여다보는 것입니다. 그것은 미래를 내다보거나 앞으로 나아가는 길을 제공하지 않습니다. 또한 수익 감소와 같은 중요한 미디어 투자 신호를 설명하지 않습니다.

성능 측정은 데이터를 사용하여 마지막 달러가 얼마나 갔는지가 아니라 차선책이 어디에 있는지 이해하는 데 초점을 맞춰야 합니다. 데이터를 살펴보고 다음과 같은 미래 지향적인 질문에 답할 수 있어야 합니다.

• 현재 ROAS를 유지하면서 전환을 확장하기 위해 어디에서 예산을 늘릴 수 있습니까?
• 캠페인 성과를 최적화하기 위해 어떤 수단을 사용할 수 있습니까?

불완전한 데이터 세트 위에 소급 크레딧을 할당하는 모델만 보고 있다면 이러한 종류의 질문에 답할 수 없습니다. 차갑고 냉혹한 사실은 결정론적 멀티터치 속성이 만병통치약이 아니라는 것입니다. 결정을 내리기 위해 의존하는 유일한 모델이라면 답을 제공할 수 없습니다.

데이터 지원 중단으로 인해 결정론적 멀티터치 기여가 더 어려워짐

귀인이라는 개념 자체가 궁극적인 측정 대상에 도달하는 과정에 불과하다는 점에 동의하든 그렇지 않든 많은 마케터가 여전히 귀인 모델에 신세를 지고 있다는 데 모두 동의할 수 있습니다. 모든 모델과 마찬가지로 완벽한 것은 없습니다. 수년에 걸쳐 Google의 가치 기반 데이터 기반 기여도와 함께 발전이 있었지만 기여도의 미래에 대해서는 아직 알려지지 않은 부분이 많이 있습니다.

마케팅 데이터의 현재 상태가 상황을 더 어렵게 만들고 있기 때문입니다. Meta, Google 및 Snap과 같은 플랫폼이 Apple의 ATT(App Tracking Transparency)에 대처하기 위해 고군분투함에 따라 해당 회사의 CFO는 데이터 지원 중단이 가장 큰 문제임을 인정하는 첫 번째 사람이 될 것입니다.

귀인과 관련된 실질적인 문제 중 적어도 일부는 인간적인 문제입니다. 사람들은 실제로 존재하는지 여부에 관계없이 점을 연결하고 패턴을 찾는 데 집착합니다. 다른 데이터 세트와의 불일치로 인해 Google 애널리틱스 내에서 기여가 어떻게 작동하는지에 대해 마케터로부터 자주 질문을 받습니다.

이 문제에 대해 잘 알고 계실 것입니다. Facebook Business Manager UI는 플랫폼이 Google 애널리틱스에 보고된 것보다 10배 더 많은 전환을 유도했다고 주장합니다. 그래서 어느 것이 맞습니까?

대답은 둘 다 틀렸다는 것입니다. 단지 다른 방식으로 말입니다. 아무리 재미있는 수학(예: 시간 경과에 따라 두 데이터 포인트 사이의 델타를 보는 프록시 계산)도 방정식을 풀고 Facebook 광고가 받아야 할 정확한 크레딧을 완벽하게 계산하는 데 도움이 되지 않습니다.

결국 이것은 데이터 관찰 가능성 문제입니다. 데이터가 불완전하지만 어쨌든 답을 찾습니다.

이것이 혼란스럽다면 다음과 같이 생각해 보십시오. 수신이 고르지 못한 전화 통화를 하고 있다고 가정해 봅시다. 10단어당 1단어를 놓치게 됩니다. 다른 맥락이 너무 많기 때문에 여전히 대화의 요지를 이해할 수 있을 가능성이 있습니다.

그러나 전체 문장 또는 다른 모든 단어를 잃기 시작하면 곤경에 처하게 될 것입니다. 정확한 결론을 도출하기에는 입력이 너무 제한적이고 파편화되어 있기 때문입니다. 이것이 바로 현재 모든 광고 플랫폼에서 결정론적 속성에서 발생하고 있는 일이며 아무리 많은 모델링으로도 완전히 해결할 수 없는 문제입니다.

Rob Gronkowski가 플로리다에서 은퇴하도록 Tom Brady를 초대하지만 Brady는 다른 모든 말을들을 수 있고 Gronk가 Tampa Bay에 가라고 말하고 있다고 생각하는 Super Bowl T-Mobile 광고를 기억하십니까? 그것이 오늘의 귀속입니다. 이것이 브랜드가 데이터 손실에 직면한 현실입니다.

플랫폼은 간극을 메우기 위해 모델로 전환하고 있습니다. 본질적으로 그들은 Gronk가 광고에서 Tom이 말하는 것을 들을 수 있는 몇 마디와 같이 그들이 가지고 있는 제한된 데이터를 취하고 기술을 사용하여 나머지 대화를 모델링합니다.

이것은 ChatGPT가 응답을 컴파일할 때 가장 가능성이 높은 다음 단어를 예측하는 방법과 유사합니다. 종종 그것은 말이 되지만 때로는 환각을 일으키고 Elon Musk가 미국의 차기 대통령이 될 것이라고 말합니다.

물론 모델링에는 항상 오차 범위가 있지만 데이터 손실이 심하면 정확한 모델을 구축할 수 없습니다. 그런 다음 실제 질문이 구체화되기 시작합니다. 광고 플랫폼이 제대로 작동하기 위해 얼마나 신뢰할 수 있습니까?

그렇기 때문에 측정 툴킷을 확장해야 합니다.

미디어 믹스 모델링 및 증분 테스트를 통해 영향을 더 잘 이해할 수 있습니다.

기여는 여전히 강력한 구조이지만 근본적인 방법론은 현대 시대로 발전할 수 있도록 변경되어야 합니다. 어떤 종류의 측정 툴킷과 프레임워크가 조직에 적합한지 파악하려면 다음과 같은 몇 가지 어려운 질문을 해야 합니다.

• 채널과 플랫폼 전반에 걸친 투자 계획에 대해 현명한 결정을 내리기 위해 어떤 측정이 필요합니까?
• 기존 미디어 믹스를 최대한 효율적으로 확장할 수 있는 최고의 기회는 어디입니까?

업계에서 우리는 가상의 완벽한 기여도를 궁극적인 것으로 생각하는 데 익숙해졌지만, 이는 이정표로 사용하기 위한 것일 뿐입니다.

그렇다고 유용하지 않다는 의미는 아닙니다. 그러나 초점을 미래로 전환하고 귀인이 유일한 중재자가 아니라 의사 결정의 구성 요소가 되도록 해야 합니다.

그리고 완벽한 솔루션은 없지만 목표에 훨씬 더 가까워지는 불완전한 솔루션이 있습니다. 미디어 믹스 모델링(MMM)과 결합된 통합 기여도이며 나머지는 일부 결정론적 데이터와 모델을 사용합니다. 목표는 과거 데이터를 활용하여 미래 투자를 예측하는 것입니다. 그것은 성장에 뿌리를 두고 있으며 과거 실적에 인질로 잡혀 있지 않습니다.

제대로 하려면 모델링된 성능 데이터를 검증하고 캠페인이 전체 고객 여정에 어떤 영향을 미치는지 더 명확하게 파악하는 데 도움이 되는 강력한 증분 테스트에 투자해야 합니다.

지리 기반 증분성 테스트는 미디어 믹스 모델링 보정에 필수적입니다. 또한 주어진 시간에 투자 과잉 또는 과소 투자를 결정하는 가장 강력한 단일 측정 솔루션이기도 합니다.

대부분의 브랜드는 증분 테스트에 그다지 익숙하지 않습니다. 일부는 이전에 해봤지만 역사적으로 대다수는 잘하지 못합니다. 귀사의 브랜드가 바로 여기에 있다면 귀사의 고유한 비즈니스 과제의 요구 사항과 특이점에 맞춤화된 예측 가능한 방법론을 갖춘 신뢰할 수 있는 파트너가 필요합니다.

성능 측정 프레임워크와 같은 여러 도구를 통합하는 미래 지향적인 솔루션이 필요한 때입니다.

기존 미디어 믹스 모델의 큰 과제 중 하나는 실행 속도입니다. Wpromote에서는 데이터 사용 중단 문제와 실행 가능성을 모두 해결하기 위해 Polaris 마케팅 플랫폼의 일부로 고속 미디어 믹스 모델 및 Growth Planner라는 투자 시나리오 계획 도구를 구축했습니다.

그로스 플래너는 성과 측정 프레임워크의 핵심을 형성합니다. 본질적으로 클라이언트의 전체 연도에 걸쳐 수익 목표를 달성하기 위해 사용 가능한 달러의 최적 투자를 찾기 위해 예측합니다. 또한 브랜드가 민첩성을 유지하고 새로운 개발에 적응할 수 있도록 매주 최적화에 사용할 수 있습니다.

Growth Planner는 수익성이 최종 게임이기 때문에 마진을 극대화하기 위해 모든 마케팅 채널과 전체 퍼널을 살펴봅니다. 특정 전술, 채널, 월, 주, 일까지 투자하는 방법을 알려줍니다.

우리는 모델이 정직하게 유지되고 지속적인 증분 테스트를 통해 계속 개선되고 있는지 확인하고 예측 평생 가치와 같은 추가 고급 데이터 입력을 모델에 공급하여 투자 결정을 더 알릴 수 있습니다. 그런 다음 Growth Planner의 데이터를 주요 투자 영역의 데이터 클린룸 분석에 제공합니다.

측정은 Google 및 Facebook과 같은 플랫폼과 CTV와 같은 미디어 채널에서 계속해서 도전 과제가 될 것입니다. 마케팅이 실제로 어떻게 수행되고 있는지 정말로 알고 싶다면 개인 정보 보호를 준수하는 측정 솔루션 측정을 탐색하기 시작해야 합니다.

State of the Data 2023을 다운로드하여 비즈니스에 영향을 미칠 데이터 개인 정보 보호 변경 사항보다 앞서 나가는 방법을 알아보세요.