[내일배움캠프] 디지털 마케팅_73일차

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

 

✅TODO : 마케팅 강의

 

---

AI 기반 이터레이션 & 광고 개선

1-1. 데이터 기반 광고 개선의 이해 (1)

데이터 기반 의사결정
감(직관)과 경험 중심 의사결정의 한계를 넘어, 지표와 데이터로부터 얻은 통찰에 기반해 전략을 수립하는 방식
= 오류 최소화, 전략 최적화, 성장 가치 창출, 혁신을 위한 필수 요소

<직관 기반 의사결정 사례>
① 넷플릭스
임원의 감에 의한 콘텐츠 구매 → 데이터 기반 모델로 전환

② 아마존
데이터 기반으로 분석(1-Click Ordering 실험) → 전환율 20% 이상 증가

③ 스타벅스
데이터 기반 입지 선정 → 매출 증대 및 고객 충성도 향상

④ 쿠팡
직관 기반 수요 예측으로 재고 부족 및 폐기 비용 높음 → 머신러닝 기반 예측 모델로 전환하여 핵심 경쟁력 확보 (폐기율 감소, 재고 최적화, 빠른 배송)

⑤ 에어비엔비
기존 감으로 정하던 숙박 가격 → AI 기반 동적 가격 모델 도입으로 예약률 8%, 호스트 수익 4% 상승

<광고 데이터 분석>
1. 분석 전 (사람)
문제 및 목적 정의와 가설 구축

2. 작업 (사람 + 기계)
분석을 위한 기술과 지식 적용 및 결과 획득

3. 분석 후 (사람)
결과에 가설을 더한 결론 도출, 행동 유도

 

1-2. 데이터 기반 광고 개선의 이해 (2)

데이터 분석 = 성과 개선을 지속적으로 만들어내는 핵심 엔진
- 문제 발견, 원인 분석, 실행 가능한 행동으로 전환하는 실무 프로세스

캠페인 운영 → 문제 진단 → 개선 실험 → 반복(피드백 루프)

1. 캠페인 운영
마케팅 퍼널에 따른 KPI 설정과 초기 광고 집행
- 광고 활동에 대한 성과 데이터를 수집하고 측정

2. 문제 진단
수집된 데이터(리포트) 기반 문제 현상의 구체적 정의와 원인 분석
- 겉으로 드러난 현상을 넘어, KPI의 이상 징후 발견 및 가설 설정

3. 개선 실험
진단된 문제의 원인을 해결하기 한 A/B테스트나 머신러닝 최적화와 같은 과학적 실험 설계 및 실행
- 작은 실행을 통해 필요한 데이터 획득, 가설의 성패를 객관적 검증하여 리스크 최소화

4. 반복
실험 결과를 바탕으로 승자/패자를 결정, 다음 액션 정의 및 지속적 반복
- 데이터 기반의 피드백 루프 생성, 조직 전체의 의사결정 품질 개선 및 장기적 성장 추진

1단계 : 캠페인 운영
: 분석할 수 있는 '데이터 환경'을 만드는 과정

① 퍼널별 목적 정의 및 KPI 설정
- 전체 퍼널을 기준으로 목적과 KPI 설정
- 인지, 유입, 초기 행동, 구매/과금, 재방문/재구매, 추천/공유

② 데이터 수집 및 통합
- 데이터 분석 인프라를 통해 데이터 통합적 수집
- 광고 지표(CTR, CPM, CPC, CVR), 랜딩/퍼널 지표(세션 품질, 이탈률), 제품/매출 지표(구매 수, ARPU, ROAS)

③ 초기 운영의 핵심 원칙 - 학습기간 보장
- Meta와 Google은 학습기간 동안 알고리즘 최적화를 위한 충분한 데이터 수집
- 초기 1~2주 사이 과도한 변경은 데이터 품질을 망가트릴 수 있음

2단계 : 문제 진단
: 현상 → 문제 정의 → 원인 분석 → 가설 설정의 구조적 사고를 적용하는 단계

① 현상 파악 & 구체적 문제 정의
- 숫자가 말하는 문제를 정확하게 정의하는 것

② 진단 분석의 핵심 기법
- 퍼포먼스 구조 분석
CTR 문제 → 소재/타겟 문제
CVR 문제 → 유입 품질·랜딩·퍼널 구조 문제
CPA/ROAS 문제 → 전환단계 매출단계 문제
- 세그먼트 분석
기기(iOS, Android), 매체(Meta, Google, TikTok), 신규 vs 기존, 소재/세트/캠페인 단위
- 변화점 분석
특정 날짜 이후 성과가 급변했는지 확인
제품 업데이트, 가격 변경, 알고리즘 업데이트 등 원인
- 퍼널 분석
노출 → 클릭 → 세션 → 상품 조회 → 장바구니 → 구매
각 단계별 이탈을 보면 문제 지점 정확히 파악 가능

3단계 : 개선 실험
: 문제 정의 및 원인 식별 이후, 그에 대한 가설 → 실험 → 검증의 구조로 개선 실험 수행

① 실행 가능한 해결 방안은 '원인'에 적용

② A/B 테스트 - 가장 신뢰도 높은 실험 방식
- A/B 테스트 요소
명확한 가설 정의, 단일 변수 테스트, 대조군/실험군 분리, 샘플 사이즈 확보, 통계적 유의성 검증

③ AI와 머신러닝 활용
패턴 & 이상징후 감지, 자동 입찰 & 예측 모델, 강화학습 기반 최적화
- 사람은 가설과 전략을 설정, AI는 이를 대규모로 자동 실행

4단계 : 반복
: 일회성 분석이 아니라 지속적 개선의 여정

① 승자/패자 결정 및 다음 행동 도출
승자 전략 : 예산 스케일업
패자 전략 : 폐기 또는 후속 실험 설계
필요 시 : 캠페인 구조 자체 개편

② 결과가 아닌 '결론'을 도출해야 한다
A가 B보다 CTR이 높았다 → CTR 차이가 존재한다는 것은, 오퍼 명확성과 소재·타겟 적합성이 이미지형에서 더 높았다

 

1-3. 데이터 마케팅 지표의 이해

• Awareness (인지)
광고가 보인 정도와 비용 측정 단계

① Impression(노출수)
광고가 사용자 화면에 노출된 총 횟수
- 지표 해석
노출이 많을수록 알고리즘이 학습할 데이터 풍부해짐 / 노출이 높다고 성과가 보장되지는 않음

② Reach(도달수)
광고를 본 고유 사용자 수
Reach는 사람 수, Impression은 횟수
- 지표 해석
노출 대비 도달이 낮다면 과도한 중복 노출 발생

③ CPM
1,000번 노출되는 데 필요한 비용
CPM = (비용/노출수)*1,000
- 높아지는 이유
경쟁 심화, 타겟이 너무 좁음, 알고리즘 학습 부족
- 실무 인사이트
CPM 높으면 전체 성과가 악화되기 쉬우므로 타겟 확장, 광고 목적 재설정, 소재 성능 개선 같은 조정 필요

• Acquisition (유입)
사용자가 광고를 보고 실제로 클릭하거나 사이트에 방문했는지를 나타내는 지표

① CTR
광고를 클릭한 비율
CTR = 클릭수 / 노출수
- 지표 해석
CTR이 낮다는 것은 광고 소재가 매력적이지 않거나 타겟과 메시지 적합도가 낮다는 의미
- 실무에서 흔한 문제
CTR을 높이기 위해 과도한 자극형 카피 사용 - CVR 악화로 이어짐

② CPC
한 번의 클릭을 얻기 위해 지불하는 비용
CPC = 비용 / 클릭수
- 영향 요인 : CPM과 CTR이 함께 결정
CTR 감소 - CPC 상승 (동일 예산으로 클릭이 적어지기 때문)
- 주의
CPC가 낮다고 좋은 캠페인 아님
클릭이 많아도 전환이 떨어지면 의미 없음

• Activation (전환)
사용자가 실제 목표 행동을 수행했는지 나타내는 지표

① Conversion (전환)
광고가 유도한 목표 행동을 수행한 횟수
전환의 정의는 비즈니스 목적에 따라 달라지므로 설정이 매우 중요

② CVR 
클릭 후 전환된 비율
CVR = 전환수 / 클릭수
- 지표 해석
CVR은 유입 품질을 판단하는 핵심
CTR은 소재/타겟 품질, CVR은 랜딩/퍼널 품질

③ CPA
전환을 1개 얻는 데 든 비용
CPA = 비용 / 전환수
- 지표 해석
CPA는 성과지표가 아닌 효율지표
> CPA가 낮아도 매출이 낮으면 좋은 캠페인이 아님. 따라서 ROAS와 반드시 함께 봐야 함

• Revenue (매출)
광고로 인해 실제 매출이 얼마나 발생했는지 측정

① Revenue (매출)
광고로 발생한 총 매출액
매출 높은 것이 좋은 캠페인은 아님. 비용 대비 효율 함께 파악

② AOV
주문 1건당 평균 구매 금액
AOV = 매출 / 전환수
CVR이 동일한 상황에서 AOV가 높으면 광고 효율 크게 개선

• Efficiency (효율)
비용 대비 성과가 좋은지 판단하는 핵심 지표

① ROAS
광고비 대비 매출 비율
ROAS = (매출 / 광고비)*100 / 광고비 100만원, 매출 400만원 = ROAS 400%
- 지표 해석
ROAS는 비즈니스 모델이 따라 목표 기준이 달라짐
> 커머스 300~600%가 보통
> 구독 서비스 : 초기 낮더라도 LTV 기반으로 판단

② ROAS와 CPA의 관계
낮은 CPA + 낮은 AOV = 낮은 ROAS
높은 CPA라도 AOV가 높다면 ROAS가 더 높을 수 있음
→ CPA와 ROAS는 반드시 함께 봐야 정확한 해석 가능

 

1-4. 성과 데이터 분석 및 문제 진단

 

 

1-5. ChatGPT 활용한 데이터 분석