포스트 IDFA 시대에서 LTV 계산하기: 예측적 애널리틱스 솔루션

'사용자 획득 비용 대비 사용자 생애 가치(LTV/CAC)'는 모바일 마케터들이 캠페인의 효율을 측정할 수 있도록 해주는 주요 지표입니다. 포스트 IDFA 시대에서 Apple의 SKAN은 캠페인에 대해 사용자의 첫 24시간 이내 발생한 활동에 대해서만 익명화된 데이터를 전송하여, iOS 사용자의 LTV와 같은 지표에 대한 예측적 애널리틱스를 더욱 어렵게 만들었습니다. 바로 이러한 이유에서 마케터들은 인사이트를 최대화하기 위해 반드시 전환값 스키마를 구축해야 합니다. 모바일 광고 업계는 개인정보 보호를 강화하는 방향으로 나아가고 있습니다. Adjust는 이러한 변화를 포용하여, Adjust 고객사의 계속적인 성장을 지원할 수 있는 차세대 솔루션을 개발하고 있습니다.

일부 마케터들은 계수(아래 참조)와 같은 방법을 해결책으로 사용하고 있으나, 이는 매우 복잡할뿐더러 정확한 계산이 쉽지 않기 때문에 Adjust에서는 iOS에서의 성공적인 캠페인 진행과 측정을 위해 예측적 모델링을 권장하고 있습니다. Adjust의 예측적 모델은 머신러닝 알고리즘을 통해 대량의 SDK 데이터에서 노이즈를 찾고, 데이터의 레이어를 보다 정확히 이해하고, 데이터 간에 어떠한 상관관계가 있는지 파악합니다. 이를 통해 Adjust는 캠페인 초반에 장기적인 결과를 미리 예측할 수 있으며, 앱의 카테고리와 주요 KPI에 최적화된 전환값 모델과 플로우를 제공할 수 있습니다.

본 블로그에서는 iOS 14.5+로 인한 캠페인 측정 난제와 마케터들이 겪는 고충, Adjust의 예측척 LTV(pLTV) 솔루션이 어떻게 도움을 줄 수 있는지에 대해 소개합니다.

LTV의 추정과 계산 작업은 이후 모든 마케팅 결정의 최적화와 매출 최대화에 도움을 줄 수 있도록 캠페인 생애주기의 초반에 전략적으로 수행되어야 합니다. 예를 들어, 캠페인 A를 통해 획득된 사용자는 초반에는 큰 비용을 지출했으나 이후에 이탈한 반면, 캠페인 B에서 유입된 사용자는 처음에는 더딘 증가를 보이지만 궁극적으로 더 높은 가치의 구매에 기여하는 경우를 가정해보겠습니다. 이때, 전체 30일 주기에서 사용자의 1일차 행동만 살펴본다면 사용자 행동 예측에 큰 효과가 없을 것입니다. 바로 이러한 이유에서 LTV를 '예측'할 수 있는 효과적인 방법을 사용해야 합니다.

과거에는 iOS 캠페인에서 Adjust SDK를 통해 전송된 IDFA와 기기 수준의 데이터를 연결하여(현재는 ATT 동의 사용자에 대해서만 가능) 사용자 수준에서 발생한 인앱 행동과 매출을 확인하고, 해당 사용자를 코호트에 연결하여 예측적 모델링을 적용하고, LTV를 예측하는 것이 가능했습니다.

그러나 SKAN의 경우, iOS 마케팅 캠페인에 관해 첫 24시간(이후 최대 24시간 지연) 이내에 발생한 사용자 활동에 관해서만 익명화된 사용자 데이터를 받을 수 있습니다. 이는 다음의 이유에서 사용자의 LTV 예측을 어렵게 만듭니다.

• Adjust는 모바일 앱에 의해 정의되어야 하는 스키마를 통해 SKAN 포스트백만 받을 수 있으며, 이는 특정 기기에 연결될 수 없습니다.
• Adjust는 매출이나 프록시 지표를 직접 측정할 수 없으며, 반드시 0~63의 SKAN 값을 사용해야 합니다.
• Adjust는 실시간으로 정보를 받을 수 없습니다.

따라서 마케터와 개발자들은 iOS 캠페인에 대한 예측을 시작하기에 앞서, 먼저 전환값 스키마를 설정해야 합니다. 이후 새 마케팅 캠페인을 진행할 때 SKAN 데이터를 디코딩한 다음, 예측적 모델에 사용해야 합니다.

일부 마케터는 이러한 예측적 모델링의 문제를 우회하기 위해 과거 데이터로부터의 사용자당 계수(0일차 매출/X일차 매출)를 사용하고 있습니다. 이후 해당 계수에 실제 0일차 매출을 곱하면 X일차 LTV를 예측할 수 있습니다. 그러나 계수 또는 이와 유사한 접근법의 문제는 계수의 오차 범위가 넓기 때문에 예측 신뢰도가 떨어진다는 것입니다.

Adjust의 솔루션은 머신 러닝을 활용하여 데이터 트렌드의 여러 레이어를 분석함으로써 사용자의 미래 행동을 예측하는 것입니다. 사용자의 과거 데이터와 기타 유사 사용자로부터 학습된 패턴을 활용하면, 1일차 데이터를 기반으로 이후(예: 30일차) 사용자의 가치를 예측할 수 있습니다. 머신 러닝 알고리즘을 통해 Adjust SDK가 수집한 대규모 데이터 세트를 분석하면 데이터 간의 상관관계를 추론할 수 있고, 옵트인하지 않은 사용자에 대한 장기적 성과를 예측할 수 있습니다.

Adjust의 예측적 모델은 개별 앱에 맞춤 빌드되어, 개별 앱의 실제 SDK 데이터 학습을 통해 강화됩니다. 이러한 예측적 모델을 코호트 분석 및 집계된 SKAN 데이터와 결합하면, 유의미한 인사이트를 확보하고 데이터에 기반한 결정을 내릴 수 있습니다. 또한, 캠페인 초반에(SKAN 대기 시간 없이) 캠페인의 미래 가치를 파악하고, 놓치기 쉬운 데이터 간의 관계를 찾아낼 수 있습니다.

iOS 14.5+는 예측적 애널리틱스를 매우 복잡하게 만들었지만, 그렇다고 해서 예측적 애널리틱스가 불가능해진 것은 아닙니다. 마케터와 광고주들이 액세스할 수 있는 데이터를 가장 효율적인 방식으로 활용할 수 있다면, 이전과 같은 데이터 중심적 방식으로 캠페인 효율성, 수익성, 성과를 개선하는데 필요한 인사이트를 계속해서 얻을 수 있습니다. 가장 중요한 것은 이 모든 것을 지원해줄 수 있는 올바른 툴을 갖추는 것입니다.

*Adjust의 pLTV 솔루션, 최신 소식, 인사이트, iOS 14.5+에 관한 자세한 정보를 원하신다면 데모를 신청하거나, Adjust의 리소스센터를 확인하시기 바랍니다.