광고가 효과가 있는지 어떻게 알 수 있나요? 광고 캠페인에 노출된 소비자의 판매 결과를 직접 측정할 수 있는 방법이 있나요?

학자들과 마케터들은 수십 년 동안 광고 효과를 측정하기 위해 고심해 왔습니다. 1970년대와 1980년대 초반에는 지연 효과, 감쇠율, 광고 재고, 지연 계수 및 반감기에 초점을 맞추었습니다. 1990년대에는 획기적인 연구를 통해 광고의 장기 효과가 단기 효과의 약 2배에 달한다는 사실이 입증되었습니다. 업계에서는 다양한 방식으로 광고 효과에 대한 이해에 진전을 이루고 있었지만, 사람들이 실제로 어떤 광고에 노출되고 어떤 광고를 구매했는지 비교할 때 사용하는 데이터 소스의 공통점이 너무 적어 광고와 광고가 영향을 주고자 하는 행동 사이에 명확한 연관성을 도출하는 것이 불가능했습니다.

이러한 어려움에 대한 가장 강력한 대응책은 '단일 소스' 데이터의 형태입니다. 단일 소스 데이터를 사용하면 한 그룹의 사람들이 무엇을 시청하고 무엇을 구매하는지 추적할 수 있습니다. 특정 광고에 노출된 그룹과 노출되지 않은 그룹을 알 수 있으므로, 두 그룹 간의 실질적인 차이점은 광고를 본 그룹과 보지 않은 그룹뿐이 되도록 충분한 변수를 통제하여 해당 광고로 인한 매출을 분리할 수 있습니다.

이 개념은 1960년대 중반부터 사용되어 왔지만, 단일 소스 방법론을 활용한 최초의 대규모 상용 파일럿은 2006년의 프로젝트 아폴로였습니다. 소비자 구매 행동을 포착하는 데 Nielsen Homescan® 기술이 사용되었고, 여러 주요 소비재(CPG) 회사의 Arbitron 텔레비전 노출 데이터와 결합되었습니다.

빙고 - 그런 셈이죠. 많은 것을 배웠습니다. 하지만 한 가구나 개인이 무엇을 시청하고 무엇을 구매했는지 등 모든 것을 수집하는 데는 비용이 많이 들기 때문에 정밀도의 대가는 소규모 데이터라는 점이었습니다. 아폴로 패널에는 5,000가구의 약 11,000명이 참여했는데, 이는 소규모 브랜드에 필요한 수준의 세분화된 결과를 보고하기에 충분하지 않은 규모였습니다.

그러나 오늘날에는 필요한 규모의 거래 데이터 세트를 병합하여 단일 소스 데이터 세트를 생성할 수 있습니다. 각 데이터 세트의 공유 식별자를 통해 제3자가 데이터 세트를 연결하고 익명화하여 특정 광고에 노출된 가구의 구매가 노출되지 않은 가구와 어떻게 다른지 보여주는 단일 데이터 세트를 생성하여 광고 캠페인의 판매 효과를 분리할 수 있습니다.

이러한 데이터 세트는 생성하기 어렵습니다. 소규모 데이터의 정밀도를 빅데이터의 규모로 어떻게 재현할 수 있을까요? 우리는 자주 방문하는 고객 데이터, 셋톱박스 데이터, 쿠키 데이터 등 수집할 수 있는 모든 빅데이터를 활용합니다. 하지만 완전한 빅데이터는 없습니다. 예를 들어 셋톱박스 데이터만으로는 TV가 켜져 있는지, 누가 시청하고 있는지 항상 알 수 없습니다(이에 대한 자세한 내용은 이번 호의 "빅데이터 모델링에서 패널의 가치"를 참조하세요). 또한 단골 고객 데이터베이스에 9천만 명의 고객이 있어도 로열티 카드 없이는 이들이 어떤 다른 구매를 하는지 알 수 없습니다.

한 가지 해결책은 진정으로 완전한 데이터 세트를 가져와 빅데이터 데이터 세트를 '보정'하는 데 사용하는 것입니다. 저희의 경우, 10만 가구의 모든 구매를 추적하는 홈스캔 데이터를 활용합니다. 홈스캔 데이터를 자주 구매하는 고객 데이터베이스와 '비교'하면 데이터 세트 간에 겹치는 부분을 발견할 수 있습니다. 이제 두 데이터베이스에 있는 사람들에 대해 단골 고객 데이터베이스에서 누락된 구매 내역을 확인할 수 있습니다. 그런 다음 그 차이를 모델링하여 대규모 데이터베이스의 전체 구매 패턴을 반영하고 그 결과를 전체 인구에 투영할 수 있습니다.

'작고 스마트한' 데이터에서 '빅데이터'로, '크고 스마트한' 데이터로 발전한 덕분에 오늘날 단일 소스 데이터를 대규모로 활용하고 일상적인 마케팅 의사 결정을 지원할 수 있을 만큼 정밀하게 활용할 수 있게 되었습니다.

물론 정밀도의 다음 영역은 여전히 남아 있습니다. 예를 들어, 시청 데이터와 구매 데이터 세트를 결합할 때 많은 의문이 생깁니다. 데이터 중 일부는 개인 수준이고 일부는 가구 수준입니다. 후룻루프 광고를 시청하는 사람이 반드시 후룻루프를 구매하는 것은 아닙니다. 구매 영향력, 즉 누군가가 어떤 광고를 보고 다른 사람이 그 광고를 구매하도록 유도하는 중요한 문제를 풀기는 오늘날에도 여전히 매우 어렵습니다. 디지털 광고의 조회 가능성은 봇 트래픽 및 기타 여러 가지 방법으로 디지털 노출을 부정하게 증가시키는 부정 행위와 마찬가지로 또 다른 중요한 과제입니다. 이러한 문제를 해결하면 시청이 구매에 미치는 영향이라는 핵심 질문에 대한 답이 훨씬 더 정확해질 것입니다.

궁극적으로 단일 소스 데이터 세트에 기여하는 데이터 소스는 거의 실시간으로 정확하고 완전하며 포괄적이어야 하며, 이를 보정하는 데 사용되는 방법론은 결과를 전체 인구에 투영할 수 있어야 한다는 점을 인식하는 것이 중요합니다.