주로 1st party data를 사용하며 리마케팅 이라고도 알려진 리타겟팅은 고객이 웹사이트를 떠난 후 이탈하는 트래픽 앞에 브랜드를 계속 노출하는 데 도움이 되는 온라인 광고의 한 형태이다. 대부분의 웹사이트의 경우 첫 번째 방문 시 웹 트래픽의 2%만이 전환된다. 리타겟팅은 광고주가 즉시 전환하지 않는 98%의 타겟 오디언스에게 도달할 수 있도록(타겟 오디언스가 이전에 본 제품 또는 서비스 등) 설계된 광고 기법이다. 이 기법은 여러 디지털 광고 기법 중에 최근 Google이 2024년 1분기 타사 쿠키를 전 세계 브라우저의 최대 1%까지 비활성화할 것이라고 발표(그림, Chrome에서 관심 기반 광고를 위한 기본 도구로 타사 쿠키를 대체하도록 설계된 핵심 구성요소인 토픽 API 테스트 일정 공개) 하기 전까지 디지털 광고 시장을 크게 성장시킨 기법의 하나다. 

리타겟팅은 픽셀(Pixel)또는 Flood-Light라고 불리는 간단한 Javascript 코드를 사용하여 웹 전체에서 익명(비식별)으로 방문한 오디언스를 '팔로우'하는 쿠키 기반 기술이다. 웹 사이트 또는 모바일 웹, 앱(SDK)에 작고(1x1) 눈에 띄지 않게 설치된 코드 또는 픽셀은 사이트 성능에 영향을 미치지 않는다. 단지 새로운 방문자가 광고주의 사이트를 방문할 때마다 픽셀은 비식별의 브라우저 쿠키를 떨어뜨린다. 나중에 쿠키에 포함된 방문자가 웹을 탐색할 때 쿠키는 광고주의 리타겟팅 제공업체에 언제 광고를 개시해야 하는지 알려줌으로써 광고가 이전에 광고주의 사이트를 방문한 오디언스들에게만 제공되도록 하는 것이다.

리타겟팅은 광고주의 브랜드에 이미 익숙하고 최근에 관심을 보인 사람들에게 광고 비용을 집중시키기 때문에 매우 효과적이다. 그렇기 때문에 이 광고 기법을 사용하는 대부분의 마케팅 담당자는 다른 디지털 광고 기법보다 ROI가 더 높다는 것을 기대하고 있다.

리타겟팅은 강력한 브랜딩 및 전환 최적화 도구이지만 ROI가 높다고 해서 해당 기법만 활용하기에는 한계가 있다. 리타게팅 기법에서 사용하는 주 데이터인 1st Party Data가 세일즈 적인 측면에서 강력하지만, 고객 데이터를 수집, 축적 하는데 시간과 비용이 오래 걸리고 신규 론칭이나 유입이 적은 브랜드일 경우 판매 그 자체가 많지 않을 수 있다. 또한 리타겟팅은 새로운 사람들을 광고주의 사이트로 방문할 수 있도록 유도할 수도 없다. 그러므로 해당 광고 기법은 다양한 디지털 전략의 일부인 경우 가장 잘 작동한다는 것을 인지 해야 한다.

마지막으로 리타게팅 기법을 사용할 때 가장 주의해야 하는 것으로 광고 노출 빈도 조절을 말하지 않을 수 없다. 예를 들어 내가 아무리 좋아하는 브랜드와 제품이라도 나를 계속해서 따라다니면서 광고를 보여준다면 우리는 계속해서 그 브랜드를 좋아할 자신이 있는가 말이다. 심지어 지난주, 또는 어제 나는 그 제품을 구매했거나 서비스에 가입했음에도 불구하고 계속해서 같은 광고가 따라다닌다고 생각하면 이것은 장기적으로 충성심이 강한 고객을 잃어버릴 수도 있기 때문이다. 조정석도 광고로 계속 보면 질린다는 광고 피로도’ 얘기다. 그러므로 데이터 기반의 리타게팅 기법을 활용할 때는 반드시 일, 주, 월 단위로 적정 노출 빈도수를 사전에 결정하여 조절할 수 있는 플랫폼(DSP)을 활용하거나 최소한 해당 제품을 구매하였거나 서비스를 가입했던 고객에게는 같은 광고가 보여지지 않도록 통제하여야 한다.

전통적인 광고주(우리가 말하는 TV, 신문, 오디오, 잡지에 광고를 게재하기 위해 큰 비용을 지출하는)들은 일반적으로 "뿌리고 기도하는(spray and pray)" 접근 방식을 아직도 따르고 있다. 물론 모든 광고주가 그렇다는 것은 아니지만, 이들은 여전히 오프라인 광고와 온라인 광고의 경계를 세우고 각 영역의 대행사를 별도로 두며, 각자 다른 KPI를 가지고 광고를 집행 하고 있다.

반면, 프로그래틱 광고는 자동 입찰 시스템(DSP)을 통해 광고 인벤토리를 실시간으로 구매하고 최적화할 수 있다는 것이 가장 큰 이점이다. 뿐만 아니라 다양하게 연결된 광고 인벤토리 거래소를 통해 세계 어느 나라든지 자동 입찰 시스템의 사용자 계정만 있다면 손쉽게 광고를 실시간으로 집행할 수도 있다. 생각해 보면 이것은 굉장한 장점이 아닐 수 없다. 이 솔루션 하나면 리소스 비용을 대폭 줄일 수 있으며, 광고가 게재되기까지의 엄청난 커뮤니케이션 비용과 시간까지 줄일 수 있는 것이다. 프로그래매틱 광고에는 디지털 광고만 가능한 것이 아니다. 옥외 광고(DOOH), 온라인, 스트리밍, 비디오 및 음성 광고를 위한 광고도 포함되며, 최근에는 TV 광고도 포함 되었다. 한국에서도 최근 삼성 TV플러스(CTV)와 Btv, LG U+의 TV 광고를 자동 입찰 솔루션을 통해 구매할 수 있게 되었다.

프로그래매틱 광고는 ‘프로그래매틱 마케팅’ 또는 ‘프로그래매틱 바잉’라고도 한다. 이는 같은 의미로 해석해도 크게 틀리지 않으며 일부 인터넷의 기사와 블로그에서 이를 다르게 설명하는 것을 보았는데, 이는 해당 글의 작성자가 처한 산업의 뷰에서 바라봤을 때의 설명으로 보여지고 전체적인 관점과 객관적인 관점에서는 같다고 봐야 한다.  

프로그래매틱 광고는 기술의 발전과 데이터 활용 범위의 확장과 다양성의 증가, 광고 생태계의 복잡성과 에코 생태계가 구축되면서 날로 발전하고 있다. 예를 들어, 과거의 IO방식의 구매자(광고주/브랜드)와 판매자(게시자) 간의 수동 프로세스는 광고지면 구매부터 확정까지 시간이 오래 걸리고 커뮤니케이션 리소스가 추가되며, 미디어에 따라 요구하는 복잡한 서류 작업, 제안 요청(RFP)이 필요하므로 기존 광고 모델은 비효율적일 수밖에 없다. 또한 이 방식으로 다양한 채널의 광고 매체를 집행했을 때 가장 큰 단점은 통합 구매 전환률, 투자수익률(ROI), 온/오프라인 전반의 고객 전환 여정 추적이 어렵다는 것이다. 

반면, 프로그래매틱 방식 광고는 이 프로세스를 간단한 솔루션을 통해 손쉽게 해결한다. 물론 이 솔루션을 잘 다루고 프로그래매틱 광고 기법을 광고에 적용하기 위해서는 생태계의 다양한 구성요소가 어떻게 함께 작동하는지 이해해야 한다. 이 과정은 쉽지 않겠지만 디지털 광고의 기술-프로그래매틱 바잉 파트를 여러 번 읽는다면 충분히 이해할 수 있을 것이다. 

프로그래매틱 광고는 온/오프라인 광고 매체를 통합 구매할 수 있는 수요자(광고주. 대행사 등)측 플랫폼인 DSP(Demand Side Platform)과 매체의 수익과 광고 효율을 높이기 위해 광고 인벤토리를 광고 거래소에 연결해 주는 공급사 플랫폼인 SSP(Sell Side Platform), DSP와 함께 연동되어 1, 2, 3자 데이터를 수집, 분석, 세그멘트 후 매체에 온보딩해서 광고에 적용할 수 있도록 도와주는 데이터 관리 플랫폼(DMP), 광고 데이터를 중앙 관리할 수 있도록 하는 광고 서버, 광고 인벤토리 거래소인 AdExchage 및 광고 네트워크, 그리고 브랜드 세이프티나 광고 효과를 검증해 주는 Ad Tech 회사들이 에코 생태계를 구축함으로써 해당 기법의 광고가 폭발적으로 성장하고 있다.

예측 마케팅의 시대가 도래했다. 과거의 고객 행동을 추적하고 해당 행동에 따라 대응을 맞춤화하는 것만으로는 더 이상 충분하지 않다. 이제 과거 및 실시간 행동을 기반으로 미래 행동을 예측하는 것이 가능하며 심지어 중요할 수도 있다. 다가오는 고객의 요구를 예측하고 적극적으로 해결 해야만 하는 것이다. 잭 웰치(Jack Welch)는, “경쟁자보다 더 나은 것만으로는 충분하지 않습니다. 고객 경험에 있어 완전히 새로운(고유한) 표준을 설정해야 합니다. 그러기 위해서는 누구보다 고객을 잘 아는 것이 중요합니다. 그들이 무엇을 했는지, 무엇을 하고 있는지, 무엇을 할 것인지.”고객의 행동 방식과 미래에 행동할 수 있는 방식에 대해 우리가 알고 있는 고개 데이터 정보를 바탕으로 특정 방향으로 고객 행동을 결정한다.

가. 예측 분석의 정의 

1) 예측 분석의 용도

예측 분석은 고급 분석의 한 분야로, 미래의 이벤트, 행동, 결과에 대해 예측하는 것이다. 머신러닝 알고리즘 및 정교한 예측 모델링 등의 통계 기술을 적용해 현재 및 이력 데이터를 분석하고 비즈니스 레이더에는 잡히지 않더라도 어떤 일이 발생할 가능성을 미리 평가한다. 예측 분석은 대부분의 산업과 관련이 있으며 그 용도는 무궁무진하다. 

실행 가능하고 정확한 예측은 의사결정자가 급격한 변화와 시장 변동이 끊임없이 발생하는 업계에서 방향성을 찾는 데 필수적이다. 코로나19 이전에도 그랬지만 지금은 발생할 수 있는 다양한 시나리오를 다 각도로 살펴보고 예측하고 계획하는 능력이 그 어느 때보다 중요하다. 예측 분석은 코로나19와의 싸움에서 중요한 역할을 했다. 병원 및 의료 시스템은 예측 모델을 사용해 리스크를 측정하고 질병 결과를 예측하며 의료 장비와 개인보호장비(PPE) 공급망을 관리했다. 결과적으로 연구자들은 모델을 사용해 바이러스의 확산을 보여주고 확진자 수를 예측하며 접촉자를 추적 관리하고 있는 것을 우리는 보아 알고 있다. 

• 직원 및 고객 이탈 감소
• 지불 불이행 가능성이 가장 높은 고객 식별
• 데이터 기반 판매 예측 지원
• 최적의 가격 책정
• 기계 유지보수나 교체 시기 추적

앨라이드 마켓 리서치(Allied Market Research)의 연구에 따르면 글로벌 예측 분석 시장은 2027년까지 연평균 21.9%의 성장률로 성장하며 354.5억 달러 규모에 이를 전망이다. 예측 분석은 방대한 양의 데이터가 생성되고 컴퓨터의 처리 능력이 기하급수적으로 빨라졌으며 소프트웨어의 대화 기능과 사용 용이성이 개선된 현재의 환경에서 진정한 의미를 갖게 된 것이다.

기업은 방대한 양의 데이터를 수집할 뿐 아니라 기존의 정형 데이터부터 사물인터넷(IoT), 텍스트, 비디오, 다크 데이터와 같은 비정형 데이터에 이르기까지 다양한 유형의 데이터를 수집하고 있다. 예측 분석을 통해 다양한 소스의 빅데이터를 결합하고 분석할 수 있게 됨에 따라 우리는 광고의 매체 선정 정확도가 향상되고 더 심층적이고 인사이트를 확보할 수 있게 되었으며 이를 통해 강력한 컨텐츠와 광고 소재를 제작할 수 있다. 비로소 방대한 빅 데이터가 예측분석과 결합 되어 예측 광고에도 적용할 수 있게 된 것이다.

예를 들어 Facebook은 맞춤 타겟에서 파생된 유사 타겟 타겟팅을 제공한다. 고객 목록, 웹사이트 방문자, 페이지 좋아요, 를 Facebook에 제공할 수 있으며 해당 속성을 기반으로 Facebook은 유사한 속성과 행동을 가진 사용자 목록을 준비한다. Facebook이 기존 고객과 유사한 특성을 가진 더 많은 잠재 고객에게 다가갈 수 있도록 해주는 것이다. 이러한 잠재고객은 광고주의 브랜드에 익숙하지 않더라도 기존 고객과 매우 유사하기 때문에 광고주의 고객이 될 가능성이 더 커진다. 이런 예측 광고는 구글의 DV360 DSP를 통해서도 활용할 수 있다.

전자상거래 및 온라인 미디어 스트리밍 회사에서 주로 사용하는 추천 엔진은 사용자 선호도를 예측하고 이에 따라 웹사이트 커뮤니케이션을 조정하여 ROI를 극대화한다. McKinsey & Company에 따르면 Amazon은 매출의 35%를 추천 엔진 도입을 통해 높였다. 추천 엔진을 통해 고객은 광고주가 자신에게 필요한 것이 무엇인지 알기를 기대하기 때문에 추천 엔진, 시스템은 광고주가 고객 경험을 개선하는 데 적극적으로 도움을 준다. 

추천 엔진을 구축하는 방법에는 여러 가지가 있습니다만 가장 인기 있는 두 가지는 다음과 같다. 

• 협업 필터링: A가 제품 X를 좋아하고 B가 제품 X와 Y를 좋아한다면 A도 제품 Y를 좋아할 수 있다.
• 콘텐츠 기반 필터링: 사용자 유사성에 의존하는 대신 제품 특성을 고려한다. 따라서 Dale Carnegie의 How to Win Friends and Influence People을 구매하는 경우 비슷한 장르의 책으로 인해 Stephen Covey의 성공하는 사람들의 7가지 습관도 추천받을 수 있다. 

Google에서만 매일 35억 건 이상의 검색이 수행되므로 마케팅 담당자는 마음껏 사용할 수 있는 방대한 데이터를 보유하게 된다. 그러나 마케팅에 사용할 패턴을 정렬하고 찾을 수 없다면 데이터만으로는 의미가 없다. 최근에는 주요 검색 엔진, MS Bing, Google, Naver에도 AI가 적용되면서 검색 기록, 검색 의도 쿼리, 언어 사용을 기반으로 스스로 업그레이드 되고 있다. 광고주는 Naver나 Google이 제공하는 트렌드 및 키워드 플래너와 같은 도구의 도움으로 검색 동향을 확인할 수 있다. 

우리는 관련 키워드, 경쟁사가 사용하는 키워드 전략을 찾아 패턴과 시간이 지남에 따라 어떻게 변화, 적용하였는지 확인해 볼 필요가 있다. 이 데이터를 바탕으로 광고주는 검색과 구매가 가장 많이 발생하는 피크시간을 파악하고 이에 따른 검색 마케팅 전략을 실행할 수 있기 때문이다. 검색에는 비용과 시간이 많이 들지만 검색 광고 자체가 Needs를 가지고 있는 오디언스를 가장 빠르게 접근할 수 있는 광고 기법이기 때문에 노력을 게을리할 수 없다. 

검색엔진이 더 쉽게 사이트의 콘텐츠를 크롤링하고 색인을 만들고 이해하는 데 도움이 되도록 검색엔진 최적화(SEO)도 같이 진행하는 것이 좋다. 웹사이트의 일부를 약간 손보기만 해도 검색엔진 최적화(SEO)가 가능한 경우가 많기 때문이다. 이러한 변경사항은 하나씩 따로 보면 점진적인 개선 사항으로 보일 수도 있지만, 다른 최적화 방법과 함께 적용하면 자연 검색 결과에서 사이트의 사용자 환경 및 실적에 상당한 영향을 줄 수 있다. 고객에게 도움이 되는 웹사이트를 제작하고 검색 엔진 사용자 환경을 개선하는 것을 목표로 최적화해야 진정한 검색엔진 최적화라고 볼 수 있다. 다른 사용자가 내 콘텐츠를 발견하도록 도와주는 검색엔진도 이러한 것에 해당 된다. 다시 말해 검색엔진 최적화(SEO)란 검색엔진이 콘텐츠를 이해하고 해당 콘텐츠를 검색한 유저에게 웹사이트가 상단에 노출되도록 돕는 것이다.