iOS 14.5+에서 인앱 구매를 통한 수익화 방법

올 4월 Apple의 AppTrackingTransparency(ATT) 프레임워크 도입은 모바일 마케팅 분야에 대대적인 변화를 가져왔습니다.

이용 가능한 결정론적 데이터가 부족해짐에 따라, 인앱 결제 수익화 모델에 주력하는 앱들은 데이터에 기반한 결정을 내리는데 어려움을 겪고 있습니다.

iOS 14.5+는 실제 매출 측면에서 유저의 인앱 구매 금액 자체에 영향을 주지는 않을 것입니다. 유저는 앞으로도 앱에서 골드 코인이나 게임 추가 수명을 구매할 것이기 때문에 인앱 지출 규모는 비슷할 것입니다. 그러나 비동의 유저에 대한 결정론적 어트리뷰션 데이터가 없기 때문에, 앱 게시자가 각 캠페인의 매출을 정확히 전망하는 것이 어려울 수 있습니다.

개별 인앱 구매를 설치나 리어트리뷰션에 연결하는 것이 어려워지면서 유저 획득 채널의 성과를 평가하고, 유저 수준에서 LTV를 예측하는 것 또한 까다로워졌습니다.

그러나 포스트 IDFA 시대에서 얻을 수 있는 데이터를 최대한 활용하는 전략도 분명히 존재합니다. 옵트인 유저 비율을 최대로 높여, 모델링이나 예측에 활용 가능한 결정론적 데이터를 충분히 얻을 수 있습니다. 이후 최적화에 필요한 주요 신호들을 파악한다면 Apple의 SKAdNetwork 시스템을 효과적으로 활용할 수 있습니다.

인앱 구매와 SkAdNetwork

Apple이 SkAdNetwork를 처음 도입한 것은 2018년이었으나, 당시에는 널리 사용되지 않았습니다. SkAdNetwork는 유저 수준의 데이터가 공유되지 않는 캠페인 측정 솔루션을 제공하는 것을 목표로 합니다. Apple은 iOS 14.5+부터 SkAdNetwork 프레임워크 기능을 확장하고, 유저가 앱 개발자의 IDFA 접근을 차단한 경우 광고 성과 데이터 수집에 SkAdNetwork만을 사용하도록 하고 있습니다.

SKAdNetwork는 최초의 24시간 타이머 기간 내에 0부터 63으로 이루어진(또는 000000이나 111111 사이의 이진법) 6비트의 다운스트림 지표를 제공합니다. '전환값'은 이진법으로 나타날 수 있는 모든 값에 부여될 수 있습니다. 전환값이 앱 내에서 정의된 새로운 6비트 코드로 업데이트되면 타이머 기간이 24시간 더 연장됩니다.

전환값 윈도우가 만료되면, 어트리뷰션에 대한 24시간 타이머가 2차로 시작됩니다. SKAdNetwork는 이 24시간 동안 무작위로 어트리뷰션 데이터를 반환합니다. 무작위 타이머를 사용하는 이유는 설치 시점을 알 수 없게 하여 발생한 각 이벤트가 개별 유저에 매칭될 수 없게 하기 위한 것입니다. SKAdNetwork 시스템은 집계 데이터를 공유하되, 유저 레벨의 상세 데이터에 대한 액세스는 제공하지 않습니다.

인앱 결제로 수익을 얻는 앱들의 경우, 유저 행동을 확인할 수 있는 기간이 짧다는 것이 문제가 될 수 있습니다. 특히 유저 온보딩과 인앱 구매의 가치를 설명하는 과정이 24시간 이상 걸릴 가능성이 있는 게임 앱들이 영향을 받게 될 것입니다. 유저가 추가 수명을 구입하고자 하는 시기는 게임 레벨의 난이도가 높아지는 시점이기 때문입니다. 이 경우 설치 이후 24시간이라는 짧은 기간은 트래킹에 활용하기에 부족할 것입니다.

물론 비트를 통해 주기적으로 전환값 업데이트를 야기하여 전환값 윈도우를 연기함으로써, 타이머를 24시간 더 연장할 수도 있습니다. 그러나 이는 유저가 매일 로그인하고 앱이 포그라운드 상태여서 전환값이 야기될 수 있는 경우에만 가능한 시나리오입니다. 유저가 앱을 다시 실행하지 않으면 전환값이 업데이트 되지 않기 때문에, 타이머 연장을 통해 수집하고자 했던 데이터를 잃게 될 것입니다.

인앱 결제에 SkAdNetwork 활용하기

SKAdNetwork에서는 원하는 정확도 수준에 따라 인앱 구매 행동을 크게 두 가지 방식으로 트래킹할 수 있습니다.

첫 번째는 '비트 마스킹' 접근법입니다. 6비트의 각 값을 이벤트에 할당하여 해당 값이 0 또는 1로 바뀔 때 해당 이벤트의 발생 여부를 확인할 수 있습니다. 이 방법은 Adjust의 간단한 전환값 매핑을 통해 지원됩니다.

6개 이하의 인앱 구매 이벤트를 트래킹하는 경우에 사용될 수 있으며, 각 비트를 개별 이벤트에 연결한 뒤 전환을 확인하는 방식입니다. '체험판 사용 완료'나 '1단계 완료', '구매 완료'와 같은 주요 이벤트를 최적화하고 싶은 경우, 비트 마스킹 방법이 효율적일 것입니다.

그러나 값의 범위에 대해 보다 상세한 인사이트를 얻고 싶은 경우에는 '구매'나 기타 지표에 대한 버킷을 생성할 수 있습니다. '버킷 기반 전환값 시스템'을 통해 값을 정의하여, 첫 24시간 이내에 유저가 얼마나 구매하는지 트래킹할 수 있습니다. 게임, 전자상거래, 배달 또는 여행 예약 앱 카테고리에서는 유저의 인앱 지출 금액을 측정하기 위한 KPI로서 AOV(평균 주문 금액)가 가장 널리 사용됩니다. AOV를 최적화하는 경우 여러 구매 금액대를 정의할 수 있는 버킷을 사용하는 것이 유용합니다.

버킷 기반 접근법에서는 $1-$5, $6-$10 등으로 범위를 지정한 뒤, 각 버킷에 상응하는 값이 전환값 포스트백에서 반환되도록 할 수 있습니다.

예측적 LTV 모델링은 앱 사용 첫날의 유저 행동을 기반으로 중기적 매출을 예측합니다. 이러한 모델링은 보다 광범위한 버킷이나 카테고리에 사용하는 경우 더 효과적입니다. 잠재 가능성이 있는 이벤트에 대해 광범위한 정의를 만든 뒤, 유저 행동에 따라 유저를 필터링할 수 있습니다. 유저의 초기 행동을 기반으로 광범위한 정의의 버킷을 사용하여, '고가치 유저' 와 '고가치 유저가 아닌 유저'로 유저를 나눌 수 있습니다.

모델링, 예측, SKAdNetwork의 효과적인 활용을 위해 결정론적 데이터를 확보하려면 우선 유저 옵트인 비율을 최대로 높여야 합니다. 이후 앱의 전략과 트래킹하고자 하는 인앱 구매 이벤트의 수에 따라, 결정론적 데이터를 기반으로 비트 마스킹 또는 버킷 전략을 통해 유저의 인앱 구매를 성공적으로 트래킹할 수 있습니다.

Adjust가 어떻게 앱의 성장을 지원하는지에 관한 자세한 내용은 Adjust의 가이드나 iOS 14.5+ 리소스 센터에서 확인하실 수 있습니다.