[본캠프] 디지털마케터 3기 260326_59일차

드디어 내일 발표만 남았다. 오늘은 전체 수정 작업을 마무리하고, 남은 시간에는 아티클 스터디와 지난 개인과제 피드백을 정리했다.

 

광고 멀티 KPI 전략, 어떻게 시작해야 할까 - DIGITAL iNSIGHT 디지털 인사이트

⤷ 오늘의 아티클📊🔍➡️🎯📈

• 요약
디지털 광고 시장이 성숙함에 따라 단순히 클릭률(CTR)이나 설치 수(CPI) 같은 단일 지표만으로는 캠페인의 진정한 성과를 측정하기 어려워졌다. 이에 따라 브랜드 인지도부터 실제 구매 전환, 재방문율까지 다양한 지표를 동시에 최적화하는 '멀티 KPI(Key Performance Indicator)' 전략이 광고 시장의 새로운 표준으로 자리 잡고 있다는 내용이다.

• 주요 포인트
- 단일 지표의 한계 : 특정 지표(예 : 저렴한 설치 비용)에만 매몰될 경우, 정작 결제는 하지 않는 '체리피커' 유저만 유입되는 부작용이 발생한다.
- 퍼널의 통합 관리 : 풀퍼널(Full-funnel) 마케팅 관점에서 인지-고려-전환의 각 단계를 유기적으로 연결하여 측정해야 한다.
- 머신러닝의 진화 : 광고 플랫폼의 AI가 고도화되면서 여러 목표를 동시에 학습하고 최적화할 수 있는 환경이 조성되었다.
- LTV(생애 가치) 중심 : 당장의 획득 비용보다 유저가 서비스 내에서 발생시키는 장기적인 가치를 중시한다.

• 새롭게 알게 된 점
광고주들이 이제는 광고 효율(ROAS)뿐만 아니라 '증분성(Incrementality, 광고가 없었을 때 대비 순수 기여도)'을 멀티 KPI의 핵심 요소로 보기 시작했다는 점을 알게 되었다.

• 핵심 개념 정리
- 멀티 KPI(Multi-KPI) : 하나의 캠페인에서 두 개 이상의 성과 지표를 설정하고, 이를 종합적으로 달성하도록 최적화하는 전략
- 풀퍼널 마케팅(Full-funnel Marketing) : 소비자의 구매 여정 전체(인지→탐색→구매→충성)를 타겟팅하는 통합 마케팅 방식
- 밸런스드 옵티마이제이션(Balanced Optimization) : 양적 성장(유입량)과 질적 성장(전환율) 사이의 균형을 맞추는 최적화 과정

• 용어 정리
- KPI(Key Performance Indicator) : 핵심 성과 지표. 목표 달성 여부를 확인하는 척도
- ROAS(Return on Ad Spend) : 광고비 대비 매출액
- CPA(Cost Per Action) : 특정 행동(회원가입, 구매 등) 당 비용
- Retention(잔존율) : 유입된 유저가 일정 시간 후에도 서비스를 계속 이용하는 비율
- LTV(Lifetime Value) : 고객 생애 가치. 한 명의 고객이 관계를 유지하는 동안 가져다주는 총이익

• 실무 적용
- 매체 믹스 최적화 : 브랜딩 매체(유튜브 등)와 퍼포먼스 매체(메타, 검색 등)의 KPI를 별도로 두지 않고, 상호 보완적인 멀티 KPI로 묶어 관리
- 대시보드 고도화 : 단순 광고 관리자의 리포트를 넘어, 내부 데이터(CRM)와 연동하여 실제 매출 기여도를 다각도로 분석하는 대시보드 구축
- A/B 테스트 설계: 단일 지표 승자를 고르는 것이 아니라, 여러 지표의 종합 점수가 높은 소재를 채택하는 방식 도입

• 관련 사례
① 핀테크 : 토스(Toss)
토스는 단순히 '앱 설치'나 '송금 완료'라는 단일 목표를 넘어선 고도화된 멀티 KPI를 활용한다.
- 멀티 KPI 구성 : [앱 설치] + [계좌 연동] + [특정 금융 상품 조회]
- 전략 : 유저가 앱을 깔기만 하고 계좌를 연결하지 않으면 플랫폼으로서 가치가 낮다는 점에 착안했다. 광고 시스템이 '단순 설치자'가 아니라 '계좌를 연동할 확률이 높은 유저'를 찾아 학습하도록 가중치를 둔다.
- 결과 : 유체리피커(혜택만 받고 나가는 유저) 비중을 줄이고, 실제 금융 서비스를 활발히 이용하는 고가치 유저(High-Value User) 확보 비용을 최적화했다.
② 패션 커머스 : 에이블리(ABLY)
에이블리는 인공지능 추천 알고리즘을 광고 KPI와 연동한 대표적인 사례이다.
- 멀티 KPI 구성 : [상품 클릭(CTR)] + [찜하기(Wishlist)] + [첫 구매 전환]
- 전략 : 패션 특성상 바로 구매하기보다 '찜'을 먼저 하는 유저의 구매 확률이 높다는 데이터를 기반으로 한다. '구매' 지표만 최적화하면 모수가 너무 적어 학습이 느려지기 때문에, '찜하기'라는 중간 지표를 함께 최적화하여 머신러닝의 학습 속도를 높였다.
- 결과 : 단순히 광고를 많이 노출하는 것이 아니라, 유저의 취향에 맞는 상품을 제안하여 잔존율(Retention)과 객단가를 동시에 높였다.

 

[본캠프] 디지털마케터 3기 260320_55일차

⤷ CH.5 데이터 기반 마케팅 기초 개인 과제

개인과제 피드백을 정리하면서 가장 먼저 느낀 점은, 전반적으로 논리적인 사고 흐름과 분석 과정이 잘 드러났다는 점이었다. 특히 AB 테스트 기획에서 고객 심리를 고려한 접근이 인상적이었다는 피드백을 받아, 내가 단순히 수치만 보는 것이 아니라 사용자 관점에서도 고민하고 있었다는 점을 확인할 수 있었다. 또한 퍼널 단계 설계와 KPI 설정 역시 적절하게 이루어졌다는 평가를 받으며, 전체적인 구조를 이해하고 있다는 점에서는 긍정적인 피드백을 받을 수 있었다.
다만 아쉬웠던 부분도 분명했다. 가장 크게 느낀 점은 이탈 지점을 정확하게 설정하지 못했다는 것이다. 나는 결제 단계에서의 이탈을 중심으로 분석했지만, 실제 데이터에서는 랜딩 페이지에서 장바구니로 넘어가는 구간에서 훨씬 큰 이탈이 발생하고 있었다. 이를 통해 퍼널 분석에서는 단순히 전환율이나 이탈률만 보는 것이 아니라, 실제 이탈 규모(절대 수치)를 함께 고려해야 한다는 점을 배울 수 있었다.
또한 인사이트 도출 과정에서 한 단계 더 나아가야 한다는 점도 느꼈다. 예를 들어, 성과가 좋은 소재 A를 단순히 유지하거나 예산을 확대하는 수준에서 끝내는 것이 아니라, CPC가 높다는 문제를 함께 고려해 입찰가 조정이나 타겟 최적화 등 구체적인 개선 액션까지 제안했어야 한다는 점이 아쉬웠다. 즉, 데이터 해석에서 끝나는 것이 아니라 실제 실행 전략까지 연결하는 것이 중요하다는 것을 깨달았다.
마지막으로 퍼널 분석에서는 비율 중심의 지표뿐만 아니라, 각 단계별 실제 유입 수와 구매 금액 같은 절대적인 수치를 함께 보는 것이 병목 구간을 더 명확하게 파악하는 데 도움이 된다는 점도 새롭게 배운 부분이었다.
이번 피드백을 통해 단순히 분석을 ‘잘하는 것’보다, 문제를 정확히 정의하고 실행 가능한 개선 방향까지 제시하는 것이 더 중요한 역량이라는 것을 느낄 수 있었다.

⚠본 글은 학습을 목적으로 작성된 게시물로, 특정 브랜드·제품·서비스명이 언급될 수 있습니다. 이는 순수한 예시일 뿐이며, 상업적 목적은 전혀 없음을 밝힙니다.⚠