Miridih Dakerton ②
| "어떤 광고가 효과적일까?"
데이터로 풀어보는 Attribution Model
데이터분석팀 리드 서유진님
| 들어가기에 앞서
안녕하세요, 미리디 데이터분석팀 리드를 맡고 있는 서유진입니다.
MA팀(Miridih Analytics)은 미리디 전사 분석 조직으로, 각 도메인에서
수집된 데이터를 바탕으로 문제를 정의하고, 제품과 비즈니스의 방향을 함께 만들어가는 팀입니다.
커머스, 구독, 플랫폼 등 서로 다른 스쿼드에 속한 데이터 분석가들이
정기적으로 아이디어를 공유하고, 서로의 인사이트를 교차 학습하는 문화를 갖고 있습니다. 실험과 탐구를 통해 새로운 기회를 발견하고,
다양한 관점에서 제품과 사용자에 대해 깊이 고민합니다.
이러한 문화의 일환으로, MA팀은 매주 한 번 각자의 궁금증을 바탕으로
데이터를 탐색하고 토론하는 '데커톤(Dakerton)'을 진행하고 있습니다.
분석 방식도, 참여도 자율적이지만 단 하나의 기준이 있습니다.
"이 분석이 우리 서비스에 도움이 될 것인가?"
아래는 그 두 번째 데커톤 이야기입니다.
데커톤 로고(미리캔버스 'AI로고 만들기' 기능으로 제작)
| 광고 데이터를 향한 첫 딥다이브
‘데커톤(Dakerton)’이란, 데이터(Data)와 해커톤(Hackathon)을 결합해 만든 MA 팀만의 문화입니다.
데커톤의 두 번째 주제는 종만님께서 제안해 주셨는데, 광고 및 마케팅 성과 측정 시 자주 사용되는 'Attribution Model'의 개념을 적용하여, 회사의 여러 캠페인 광고 데이터를 분석해보자는 것이었습니다.
종만님은 평소 광고 분야에 대한 이해도가 높고, 최근 진행했던 프로젝트에서도 광고 데이터를 자주 다루셨기에
이 주제를 제안해 주셨는데, 저로서는 평소 접할 기회가 적었던 데이터라 더욱 흥미롭게 다가왔습니다.
| Attribution Model의 종류: 단일 터치 모델 & 다중 터치 모델
Attribution Model은 크게 단일 터치 모델(Single-Touch Attribution)과 다중 터치 모델(Multi-Touch Attribution)로 나뉩니다.
먼저, 단일 터치 모델이란 전환 과정에서 오직 하나의 터치포인트만을 성과 기여도로 인정하는 방식을 말합니다.
계산이 간단하고 직관적이지만, 고객의 전체 여정을 반영하지 못한다는 한계가 있는 모델입니다.
단일 터치 모델의 종류와 특징
반면, 다중 터치 모델은 고객 여정에서 여러 터치포인트에 기여도를 배분하는 방식입니다.
계산의 복잡도는 그만큼 상승하지만, 고객 행동을 보다 정교하게 분석할 수 있다는 장점이 있습니다.
단일 터치 모델의 종류와 특징
참고)
출처: What is Attribution in Digital Marketing? (Pathlabs)
| Attribution Model을 활용해 광고 데이터 분석하기
그렇다면 Attribution Model을 활용해 회사 서비스의 광고 데이터를 분석하려면 어떻게 해야 할까요?
답은 항상 똑같다고 생각합니다.
분석을 통해 구하고자 하는 '목표'를 분명히 하고, 이후 해당 목표를 달성할 수 있는 '가설'을 세워야 합니다.
데이터는 어디까지나 수단이어야 하지, 데이터를 분석하는 행위 자체가 목적이 되면 안 되기 때문입니다.
저는 아이데이션 과정에서 인사이트가 풍부해진다고 믿는 사람으로써,
가설 단계에서부터 맘껏 의견을 공유하고 피드백을 나누는 팀을 지향하고 있습니다. 😊
이번 데커톤에서는 다음과 같은 아이데이션 과정을 거치게 되었습니다.
아이데이션 예시
이렇게 데커톤을 통해 서로의 아이디어에 대해 이야기를 나누며 가설을 뾰족하게 한 뒤, 각자 데이터 분석을 진행하였습니다.
저는 광고 데이터를 EDA했을 때 중간 터치포인트에는 굳이 큰 기여도를 줄 필요는 없다고 판단하게 되었고,
따라서 다음과 같이 캠페인별 기여도를 부여하였습니다.
- First Touch에는 30%의 기여도 부여
- Last Touch에는 50%의 기여도 부여
- 그 외의 Touch에는 균등 기여도 부여
- ex. First, Last를 제외한 캠페인이 2개일 경우엔 {100 - (30 + 50)} / 2%씩 기여도 부여
정리하자면, Position-Based Attribution과 Linear Attribution을 적절히 응용한 방식이라고 볼 수 있습니다.
최근 pyspark 문법에 익숙해지려고 노력하는 중이라 코드는 pyspark를 활용해서 작성하게 되었습니다.
| 글을 마치며
이번 데커톤을 통해 3주에 걸쳐 본인의 가설을 검증한 뒤, 결론과 인사이트를 공유하는 시간을 가질 수 있었습니다.
미리디는 비즈하우스와 미리캔버스, 디자인허브 등 다양한 서비스를 운영 중인데, '어떤 서비스의 데이터를 대상으로 했는지',
'전처리는 어떻게 수행했는지' 등에 따라 가설 및 분석의 방향이 조금씩 다른 것이 인상 깊었습니다.
평소에는 제 프로젝트에만 딥다이브하게 되어 다른 프로젝트의 도메인은 비교적 얕게 알 때가 많은데, 동료가 분석한 내용을
공유받으며 도메인 지식을 쌓아나가는 것도 데커톤의 큰 장점이라고 생각합니다.
또한 Attribution Model이 주로 광고 데이터 분석에 사용되긴 하지만, 프로덕트 데이터 분석에도 충분히 활용될 수 있는 모델이라고 느꼈습니다.
특히 conversion에 이르기까지 사용자가 최근에 취한 행동에 더 높은 기여도를 부여하는 방식으로 활용한다면 사용자 여정을 더욱 깊이 이해할 수 있을 것 같다는 생각이 들었습니다.
고객 행동 패턴을 분석하는 새로운 관점으로서 추후 심층 분석할 수 있을 것 같아, 저만의 백로그에 넣어놨습니다.😊
언젠가는 이 주제로도 깊게 이야기 해볼 수 있으면 좋을 것 같네요!
참고 문서
.png)
