여러분이 UA(유저 확보) 팀의 일원이거나 UA 팀과 협업해 본 경험이 있다면 광고 소재의 성과에는 기복이 있다는 사실을 잘 알고 계실 것입니다. 수 일, 혹은 수 주에 걸친 협업, 학습, 테스트를 통해 만들어진 새로운 콘셉트가 평균 이하의 성과를 내는 상황들도 마주하게 됩니다.
하지만 어쩌면 그보다 더 어려운 일은 결과 그 자체를 파악하는 것, 즉 성과가 저조한 이유를 이해하는 것일 텐데요. 광고 소재의 성과는 마치 블랙박스와도 같아서, 풍부한 경험을 지닌 팀조차 고개를 갸웃거리게 만들 정도로 수수께끼 같은 힘이 작용해 어떤 광고 소재는 좋은 성과를 내고, 다른 광고 소재는 반대 현상을 보입니다.
어쩌면 이러한 ‘블랙박스’가 정확히 어떻게 작동하는지 이해하는 것은 영영 불가능할지도 모릅니다. 하지만 그것을 어떻게 다루어야 하는지는 알 수 있습니다. 이를 위해 광고 소재 팀은 광고 소재 분석이라는 기술과 과학을 동원해야 합니다. 아래에서 여기에 대해 자세히 살펴보겠습니다.
블랙박스 다루기
이러한 블랙박스는 광고 소재의 어떤 요소들이 성과를 이끌어 내는지 이해하기 어렵게 만들 뿐만 아니라, 광고 매체의 최적화 모델 또는 업계의 트렌드 변화에 민감하게 반응하며 끊임없이 변화합니다. 따라서 광고 소재 팀은 이러한 모호성에 대응하고 확고한 결론과 실행 조치를 이끌어 낼 수 있는 유연한 체계와 광고 소재 가이드를 반드시 구축해야 합니다.
이러한 체계 중 하나는 광고 소재 변화 테스트로, 비슷하지만 다른 광고 소재를 업로드해 통제된 환경에서 성과를 모니터링하는 것이 여기에 포함됩니다(논리적으로, 비슷한 두 가지 광고 소재의 성과 차이는 광고 소재 그 자체에서 비롯되는 것입니다). 예를 들어 색상을 제외하고 모든 것이 동일한 3가지 광고 소재 콘셉트가 있다고 가정해 보면, 아래와 같은 테스트 결과에서 내릴 수 있는 결론은 유저들이 오렌지/노란색보다 보라색을 선호한다는 것입니다.
간단한 예를 통해 알 수 있는 것처럼, 이러한 ‘블랙박스’가 구체적으로 어떻게 작동하는지 이해하는 것은 불가능할 수 있지만, 패턴을 읽어 어떤 요소가 입력(광고 소재)되었을 때 어떤 것이 출력(성과)되는지 파악하는 것은 가능합니다. 또한 중요한 점은 이러한 지식을 향후 제작하는 광고 소재에 활용할 수 있다는 것입니다.
현재 대규모 광고 소재 베리에이션 테스트에 가장 많이 사용되는 방식은 비디오 태깅입니다. 제작자는 비디오에 광범위한 테마와 특징을 할당(태그)해 간단한 분석과 행동으로 이어지는 정보 파악을 가능하게 합니다. 예를 들면, “유저들은 사막보다 정글 테마를, 사물의 수가 적은 것보다 많은 것을 선호한다”는 식의 정보를 수집할 수 있습니다.
하지만 최근 iOS 개인정보 보호 정책이 업데이트되면서 광고 소재 베리에이션 테스트에 애로사항이 생겼습니다. 위와 같은 접근방식을 사용하기 위해서는 대량의 광고 소재와 정확한 데이터가 필요합니다. 하지만 새로운 SKAN 환경에서는 두 가지 모두가 대폭 제한됩니다. 주관적인 분석을 객관화하는 것 자체가 어려운 과제인 상황에서 iOS 14로 인해 그러한 과정이 더욱 복잡해진 것입니다.
플레이어블 광고의 경우
광고 소재 베리에이션 테스트는 유용하지만 플레이어블 광고를 분석하는 데에는 충분하지 않습니다. 비디오 광고의 성과를 이끄는 요소는 콘셉트와 구체적인 특징의 2차원으로 구성되는 반면 (또한 두 가지 요소 모두 태깅이 가능합니다) 인터랙티브 경험의 경우에는 콘셉트, 특징, 유저 상호작용의 3차원으로 구성되기 때문입니다. 즉 플레이어블에서 승리 또는 패배하는 것과 같은 요소에 따라 유저가 경험하는 결과가 동적으로 변화하기 때문에 유저 상호작용은 알 수도 없고, 태깅도 불가능합니다.
따라서 훌륭한 콘셉트를 만들고 개선에 엄청난 노력을 들인다 하더라도 튜토리얼, 도전, 진행 독려 등의 요소가 없다면 유저는 그러한 경험을 최대한 활용할 수 있는 방법을 알 수 없습니다. 이처럼 유저를 잡아 끄는 요소가 없다면 콘셉트가 제대로 된 성과를 발휘할 수 있는 기회를 제공할 수 없고, 콘셉트가 실패했다고 오판하는 최악의 시나리오가 실현될 가능성도 있습니다. 그렇다고 걱정할 필요는 없습니다. 플레이어블 광고를 분석할 수 있을 뿐만 아니라 광고 소재 분석에 활용되는 어떤 방식보다 더욱 강력한 솔루션이 존재합니다.
플레이어블 (광고 내) 애널리틱스란?
세 번째 차원, 즉 유저 상호작용으로 인해 플레이어블 광고에는 분석할 수 있는 데이터 포인트가 더 많이 존재합니다. 이제 단순히 임프레션과 클릭 수 뿐만 아니라 유저의 이탈, 레벨 완수, 탭 등의 정보도 확인할 수 있습니다. 이러한 통계 지표를 이용해 광고 성과에 관한 설득력 있는 설명이 가능해집니다. 즉, 유저 경험과 관련된 결과물을 개선할 수 있는 질문을 던지고, 그에 대한 답을 찾을 수 있는 것입니다. 간단히 말해 행동으로 이어질 수 있는 인사이트를 이용해 임프레션과 클릭 사이에 놓여 있는 광고 소재의 블랙박스를 한층 강화할 수 있게 됩니다.
가장 기본적인 수준의 광고 내 애널리틱스에서는 주요 이정표와 유저 상호작용을 기록하는 게임 내 이벤트 로그를 활용합니다. 기술적 관점에서 보면 HTML 에셋의 JavaScript가 서버의 API를 호출해 이벤트를 수집하고 데이터베이스에 저장합니다.
광고 내 애널리틱스 활용 시기와 방법
오늘날 대부분의 SDK 네트워크는 플레이어블 분석 기능을 지원합니다(또한 루나 플레이그라운드를 이용하면 차원이 다른 분석 기능을 이용할 수 있습니다). 따라서 이와 같은 핵심 데이터를 다루고자 하는 의지와 인력이 있다면 가능한 경우 언제나 광고 내 애널리틱스를 활용해야 합니다.
플레이어블 사용 전과 후의 샘플 데이터를 가지고 예를 들어 생각해 보겠습니다.
시나리오 1: 플레이어블 적용 후 2일 간 데이터를 수집했습니다. 누적된 데이터는 아래와 같습니다.
- 임프레션: 10,000회
- CTR: 23%
- IPM: 7
여러분이 목표로 한 IPM은 14였습니다. 여러분이 광고 소재 팀이라면 이러한 결과에 어떻게 대응하시겠습니까? 콘셉트가 실패한 것일까요, 아니면 다른 요인이 작용한 것일까요? 어쩌면 타겟팅과 비딩을 조정해 보다 양질의 유저에 접근할 수 있을지도 모릅니다. 하지만 그것이 문제였을까요? 광고를 클릭해 앱 스토어로 이동한 유저가 단 23%에 불과합니다. 클릭 영역을 넓히거나 엔드 카드의 스타일을 바꿔보는 건 어떨까요? 이를 통해 CTR을 10% 증가시키는 것이 가능할까요?
이와 같이 제한된 데이터 세트로는 수없이 많은 질문과 수 없이 많은 가설만 난무하게 됩니다. 비디오 광고의 경우 충분한 수의 테스트를 실시할 때까지 이와 같은 질문에 대한 답을 찾는 것은 불가능합니다. 하지만 플레이어블 광고의 경우에는 다릅니다.
시나리오 2: 이번에도 동일한 결과를 살펴보되, 플레이어블 광고 내 애널리틱스 데이터를 추가해 생각해 보겠습니다.
- 임프레션: 10,000회
- CTR: 23%
- IPM: 7
- 참여율: 65%
- 엔드 카드 노출률: 35%
이제 답이 보입니다 💡
엔드 카드를 본 유저는 35%, 클릭한 유저는 23%입니다. 23을 35로 나누면 약 66%이니 훌륭한 수치입니다. 즉, 엔드 카드의 CTR이 가장 중요한 문제가 아니라는 것입니다. 하지만 기존의 데이터 세트를 사용했다면 이러한 결과를 알아내기 위해 상당한 시간과 비용을 낭비했을 것입니다.
여기에서 주된 문제는 게임 플레이 경험입니다. 이것을 어떻게 알 수 있을까요? 65%의 유저들이 참여했지만, 끝까지 완료한 유저는 절반에 불과합니다. 즉, 무언가 잘못된 것이 분명합니다.
이 점을 확인하기 위해 추가 이벤트(레벨 진행 등)를 이용해 문제를 더욱 깊이 살펴보고 작은 조정을 통해 두 자릿수의 개선을 실현할 수 있습니다.
시작을 위한 단계
얻어낼 수 있는 가치가 무엇인지 확인했다면, 이제 중요한 질문을 할 때입니다 – 플레이어블 내에서 이벤트를 어떻게 구성해야 이러한 종류의 의사결정이 가능할까요? 어떤 이벤트를, 언제, 어디에서, 얼마나 많이, 얼마나 자주 구성해야 할까요?
루나에서는 이런 질문들을 일상적으로 접하고 있습니다. 루나에서 여러 해에 걸쳐 분석한 수천 개의 플레이어블을 바탕으로 여러분께 드릴 수 있는 조언은 다음과 같습니다.
1. 플레이어블 경험과 관련된 핵심 질문이 무엇인지 파악합니다.
2. 가장 중요한 정보를 제공해줄 3-5개의 이벤트를 설정합니다 – 실제로 조치를 취할 수 있는 영역에 집중합니다.
3. 결과를 측정하고 교훈과 조치를 파악합니다.
4. 이 과정을 반복하고 결과를 다시 측정합니다.
아래에서는 첫 두 단계에 대한 팁을 소개합니다.
핵심 질문 파악
질문부터 시작해 보겠습니다. 자명한 내용을 맹목적으로 기록할 필요는 없습니다. 팀원들과 함께 다음과 같은 질문에 대한 답을 찾아봅니다.
- 얻고자 하는 내용은 무엇인가?
- 경험과 관련해 우리가 확실히 알지 못하는 것은 무엇인가? 예를 들어, 유저가 왼쪽, 오른쪽 중 어디를 클릭하는가?
- 플레이어블에 신속하게 적용할 수 있는 변경사항은 무엇이며, 그러한 변화의 필요성을 어떻게 파악할 수 있는가 – 어떤 데이터가 필요한가?
- 유저가 플레이어블 전체를 완수할 수 있는가? 난관에 봉착할 수 있는 부분은 어디인가?
- 튜토리얼 또는 플레이어블에서 제공하는 힌트가 효과가 있는지 어떻게 측정할 수 있는가?
실제 조치를 취할 수 있는 3-5개의 이벤트 생성
분석은 짧고 간결할수록 좋습니다. 특히 결과에 대해 조치를 취할 수 있는 내부 프로세스를 구축할 때는 더욱 그러합니다. 대부분의 팀이 분석할 수 있는 이벤트는 3개에서 5개 수준이며, 20개의 이벤트를 분석할 만한 준비가 되어 있는 팀은 많지 않습니다.
여러분이 플레이어블에서 실제적으로 바꿀 수 있는 것이 무엇인지 유념할 필요가 있습니다. 광고 소재에 관해 무언가를 배우는 것은 흥미로운 일이 될 수 있지만, 완전히 디자인을 바꾸지 않고는 수정할 수 없는 부분이라면 성과 개선에는 도움이 되지 않을 것입니다. 반드시 해야 하는 것과 하면 좋은 것을 구분해야 하고, 학습을 위해 활용할 수 있는 데이터와 조치를 취할 수 있는 데이터가 무엇인지 구별할 필요가 있습니다.
위와 같은 예에서 취한 조치는 시작점(유저가 참여했는가)과 종결점(엔드 카드 표시 여부)에 이벤트를 추가하는 것 뿐이었습니다. 하지만 이러한 데이터에서 이끌어 낸 결론은 이러한 변화를 고안, 실행하는 데 들어간 노력보다 훨씬 큰 것이었습니다. 이러한 플레이어블 분석 방식을 널리 활용할 필요가 있습니다.
유저의 흐름을 보다 잘 이해할 수 있게 해주는 이러한 이정표 데이터와 더불어, 커스텀 이벤트를 통해 유저의 행동이 KPI(핵심성과지표)에 어떤 영향을 미치는지 파악할 수 있습니다.
다음과 같은 예를 들어 보겠습니다.
이 시나리오에서,레벨을 깨는 데 성공한 플레이어들이 a) 엔드 카드를 클릭할 가능성이 더 높고, b) 설치할 가능성이 더 높다는 것이 확인되었습니다. 이것은 대단히 중요한 교훈입니다. 이제 다음 버전에서는 승리할 가능성이 더 높은 레벨 또는 성취감을 주는 경험에 초점을 맞추어야 한다는 것을 알게 되었기 때문입니다.
위 두 사례에서 광고 내 애널리틱스를 활용해 유저 흐름과 경험이 KPI에 미치는 영향에 대해 파악하는 방법에 대해 알아보았다면, 아래는 일반적으로 추가할 것을 권장하는 이벤트의 예입니다.
- 튜토리얼 참여 – 유저가 튜토리얼과 상호작용함
- 레벨 시작 – 레벨을 시작함
- 중간점 – 유저가 중간 지점까지 도달함
- 레벨 성공 – 유저가 레벨을 성공적으로 완료함
- 레벨 실패 – 유저가 레벨을 완료하지 못함
- 레벨 실패 – 유저가 레벨을 완료하지 못함
- 점수 – 진행도 파악을 위해 플레이어블 점수를 제출
- 엔드 카드 표시 – 엔드 카드를 클릭함
데이터의 힘
최적화의 힘은 언제나 데이터에서 나옵니다. 앞으로 광고 내 애널리틱스가 플레이어블과 인터랙티브 광고의 주요 솔루션이 될 것으로 예상하고 있습니다. 더욱 상세한 통계 지표가 도입될 가능성도 있습니다. 그 때까지는 활용할 수 있는 광고 내 데이터 통계 지표를 통해 플레이어블 광고를 최대한 최적화하는 것이 최선입니다.
