모바일 기기의 등장으로 우리는 과거 그 어느 때보다도 많은 시간을 인터넷을 사용하면서 보내고 있습니다. 이와 함께 새로운 비즈니스 기회가 열리게 되었습니다. 그중에서도 가장 폭발적으로 성장한 시장은 바로 ‘디지털 마케팅 시장’입니다. 물론 과거에도 데스크탑 사용자에 대한 디지털 마케팅 시장이 있었지만, 모바일 기기가 등장하면서 디지털 마케팅 시장이 한 단계 진화했다고 볼 수 있습니다.
디지털 마케팅이 가지는 기존 마케팅과의 가장 큰 차이점은 성과 측정이 가능하다는 것입니다. 디지털 마케팅도 집행하면 비용이 들어간다는 점은 기존 마케팅과 동일합니다. 그러나 디지털 마케팅은 유저에게 광고가 노출되고, 광고를 클릭하고, 상품 구매에 이르기까지 전 과정을 로그(Log)로 기록하기 때문에 우리는 이를 통해 마케팅 성과를 분석할 수 있습니다. 그리고 이와 같은 성과 분석을 위해 반드시 필요한 개념이 바로 어트리뷰션(Attribution)입니다.
어트리뷰션, 우리나라에서 기여라는 단어로 해석되는 이 개념은 어떤 일의 원인을 찾는 과정을 말합니다. 디지털 마케팅에서는 상품 구매와 같이 비즈니스에 유의미한 결과 값인 전환(Conversion)이 발생하면 그 결과의 원인이 되는 광고를 찾게 됩니다. 그 광고는 전환에 기여했다고 평가할 수 있게 되는 것이죠.
그런데, 우리가 마케팅을 통해 유저를 끌어들이는 곳은 크게 웹사이트와 앱, 두 서비스로 나뉩니다. 이 둘은 기술도 다르고 앱스토어의 존재 때문에 유저 획득 방법도 다르다고 할 수 있는데요. 이로 인해 어트리뷰션 방식도 차이가 납니다. 이런 웹과 앱의 어트리뷰션 방식의 차이와 웹 & 앱 통합 People-Based 어트리뷰션을 소개하는 시간을 가져보았습니다.
인터넷이 개발된 이래로 웹(web)은 데스크탑에서 인터넷을 이용하기 위한 채널로 우리와 함께 했습니다. 2000년대까지만 하더라도 웹은 인터넷의 전부였으며, 2010년대 들어서 앱 활용이 급격히 증가했음에도 불구하고 사라지지 않고 아직도 인터넷 활용의 주요 채널로 자리잡고 있습니다.
앱이 개발되기 이전의 웹사이트 고객 이동에 대한 추적은 비교적 쉬웠습니다. 누구나 웹 브라우저를 활용하여 웹 페이지를 로드했으며, 각각의 웹페이지 간의 이동은 링크를 통해 가능했습니다. 이런 통일된 웹 브라우저와 사용 방식은 고객 여정을 하나의 선에서 놓고 분석할 수 있게 하였으며, 어트리뷰션 또한 수월하게 분석할 수 있었습니다. 특히, 다양한 기기를 옴니채널로 사용하는 현재와는 달리, 데스크탑 하나로 모든 인터넷 활동을 했던 시기였기 때문에 크로스 디바이스, 플랫폼 이슈 또한 발생하지 않았습니다.
이와 같은 웹사이트에서 대부분의 웹 로그 분석 솔루션이 어트리뷰션을 측정하기 위해 필요한 것은 크게 두 가지라고 할 수 있습니다. 바로 1. 유저를 인식할 수 있게 하는 아이덴티티 식별과 2. 우리 웹사이트에 방문하게 된 원인을 파악하는 것입니다.
웹 로그 분석에서는 쿠키(Cookie)를 고유 식별자로 활용합니다. 만약 모든 웹 페이지 로드를 다 다른 유저로 인식하게 된다면 유저 별로 웹사이트 이동 흐름을 확인할 수가 없기 때문에 어트리뷰션을 파악하기가 힘들 것입니다. 그러나 쿠키를 하나의 사용자를 판별하고 그 사용자 별로 데이터를 기록할 수 있게 하는 용도로 활용하면서 어트리뷰션을 파악할 수 있게 된 것이죠.
물론, 이 쿠키를 통해 유저 아이덴티티를 나눠서 보더라도, 각 브라우저마다 다르게 발급되고 그 쿠키의 만료 기간도 있기 때문에 이를 온전한 아이덴티티라고 하는 것은 잘못된 생각입니다. 그러나 웹 환경에 있어서 쿠키는 어트리뷰션을 측정하는 데 필수불가결한 요소이며, 지금도 웹 어트리뷰션 분석에 활용되고 있는 기술이라고 할 수 있습니다.
쿠키를 통해 아이덴티티 식별이 어느정도 해결되었으니 이제 소스를 파악해야 합니다. 어디서(소스) 우리 웹사이트로 들어왔는지 파악해야 마케팅의 ROI 측정에 사용되는 어트리뷰션 분석이 가능하기 때문입니다. 웹 환경에서 소스를 파악하는 방법으로는 HTTP Referrer와 UTM 파라미터가 있습니다.
먼저 HTTP Referrer는 기본적으로 웹 브라우저 내에서 링크를 통해 웹사이트를 이동할 때 Destination 페이지에 남기는 값으로, 이전의 웹사이트의 URL을 해당 값으로 기록하게 되어 있습니다. 예를 들어, A 사이트에서 B 사이트 링크를 클릭하여 이동하게 되면, B 사이트의 HTTP Referrer 값에 A 사이트 URL이 남는 것입니다. 이 HTTP Referrer를 통해 우리는 유저가 우리 웹사이트에 오기 전에 어떤 웹사이트에 방문했었는지 알 수 있고, 이를 통해 어떤 위치에서 우리 웹사이트가 많이 홍보되고 있는지 파악할 수 있습니다.
그러나 이 HTTP Referrer는 한계를 갖고 있습니다. 조작이 가능하다는 것과 redirect 과정에서 유실될 수 있다는 것, 그리고 추가적인 정보를 저장하지 못한다는 것입니다. 가장 먼저 조작과 유실 이슈는 Referrer만으로 데이터를 트래킹하지 못하는 가장 큰 이유라고 할 수 있습니다. 또한 만약 Referrer가 완전하다고 할지라도 추가적인 정보의 커스터마이징 없이는 같은 웹 문서에서 다른 용도로 활용된 링크를 트래킹하지 못하기 때문에 Referrer만 갖고 어트리뷰션을 분석하기에는 문제가 있죠.
이를 해결하기 위해 구글 애널리틱스의 전신인 Urchin은 UTM(Urchin Tracking Module) 파라미터를 도입하였으며, URL 뒤에 붙이는 5개의 파라미터를 통해 우리 웹사이트에 방문한 트래픽의 캠페인 정보를 식별할 수 있게 하였습니다. 웹 어트리뷰션 분석 솔루션은 특정 유저가 웹사이트에 방문하게 되면 이 UTM 파라미터를 통해 이름표를 붙이고 구분할 수 있게 되는 것입니다.
웹 환경에서는 위와 같이 쿠키를 활용한 아이덴티티 식별과 소스 파악을 통해 기존의 매스 마케팅에서 불가능했던 ROI 측정이 가능해졌으며, 캠페인 최적화를 통해 성과를 극대화할 수 있게 되었습니다.
이와 같은 전통적인 웹 중심의 어트리뷰션 방식은 모바일의 시대로 진입하면서 거대한 변화를 맞이하게 됩니다. 스마트폰의 도입으로 인해 데스크탑과 모바일에 걸쳐 다양한 웹 브라우저(데스크탑, 모바일, 인앱 브라우저 등)가 난립하게 되었고, 어플리케이션(이하 앱)이 등장하면서 앱 설치와 앱 내 전환에 대한 새로운 어트리뷰션 분석 니즈가 생겨났습니다.
모바일은 기존의 어트리뷰션 공식을 뛰어넘는 새로운 어트리뷰션의 시작이었다고 해도 과언이 아닙니다. 먼저, 모바일에서 앱이 등장했다고 해도, 웹 브라우저는 사라지지 않고 오히려 더 많이 활용되어 인터넷을 어디서나 접속할 수 있는 모바일 환경이 구축되었습니다. 그러나 데스크탑 하나만 이용했던 과거와는 다르게 여러 개의 기기를 통해 인터넷을 돌아다니다 보니, 크로스 디바이스, 플랫폼을 트래킹하는데 문제가 발생했습니다. 기기는 많아졌지만 아이덴티티 식별은 웹 브라우저마다 발급되는 쿠키를 통해 진행했기 때문입니다.
이렇게 복잡해지는 웹 어트리뷰션에 더해, 앱 서비스에 대한 어트리뷰션 영역은 또다른 도전으로 다가왔습니다. 앱 서비스의 성장으로 인해 기존의 쿠키 중심의 웹 어트리뷰션을 활용하는 로그 분석 툴과는 또 다른 어트리뷰션 툴의 필요성이 대두되었고, 이에 따라 Airbridge를 비롯한 다양한 앱 어트리뷰션 솔루션이 등장하여 시장에서 경쟁하는 상황이 되었습니다.
여기서 앱이 등장하면서 기존의 웹 어트리뷰션과 달라진 점은 크게 두 가지라고 볼 수 있습니다. 첫째는 광고식별자를 통한 통합 아이덴티티 식별이라는 새로운 기회이며, 다른 하나는 소스 추적에 있어서 앱스토어라는 장애물의 등장이라고 할 수 있습니다.
가장 먼저, 기존에 쿠키를 아이덴티티 식별자로 사용하던 웹 어트리뷰션과는 다르게, 앱의 경우 광고식별자(ADID, Android - GAID, iOS - IDFA)를 활용하여 아이덴티티를 식별할 수 있게 되었습니다. 이로써 브라우저에 따라 다르게 발급된 쿠키 때문에 같은 기기에서 다른 브라우저를 사용한 경우 다른 유저로 인식하던 문제를 해결할 수 있었습니다. 하나의 기기로 통합된 식별이 가능하게 된 것입니다.
이런 변화는 다양한 기기와, 웹 브라우저를 교차로 사용하는 모바일 사용 환경에 대한 기존의 어트리뷰션 한계를 뛰어넘을 수 있는 기회로 작용했습니다. 사실, 쿠키로는 앱 마다 따로 개발되어 서로 다른 브라우저로 쓰이는 '인앱 브라우저'를 하나의 유저로 인식하기 힘든 문제점이 있었습니다.(예를 들어, 외부에 있는 크롬 브라우저와 페이스북의 인앱 브라우저, 카카오톡 내부에서 실행되는 인앱 브라우저는 같은 기기에서 실행되었어도 모두 다 다른 쿠키가 전달되기 때문에 각기 다른 유저로 인식됩니다.)
그러나 광고식별자를 통해 식별된 아이덴티티는 그 안에서 다양한 앱을 실행하고 웹 브라우저를 켠다고 해도 모두 같은 유저로 인식하여 이와 같은 문제점이 없습니다. 덕분에 기존보다 좀 더 정교한 광고 타겟팅과 어트리뷰션 분석이 가능하게 된 것입니다.(물론, 기기 별로 사용자를 인식하다 보니 광고식별자를 초기화 하거나, 크로스 디바이스, 플랫폼 매칭에 대한 이슈가 남아있습니다.)
아이덴티티 식별에 있어서 새로운 기회를 획득했지만, 사실 소스 추적이라는 측면에 있어서 앱의 등장은 불안한 측면을 내포하고 있었습니다. 앱에 유입되기 이전에 앱을 설치해야 하고, 설치하기 이전에 앱스토어에 들어와야 하기 때문입니다. 링크만 누르면 바로 웹사이트로 획득되어 그 이전 경로를 알 수 있었던 웹 어트리뷰션과는 다르게, 링크를 터치하면 앱스토어로 넘어가고 앱스토어에서도 앱을 설치하려면 앱 설치 버튼을 터치해야 합니다. 물론 앱을 설치한 이후에 앱을 실행시켜야 진짜 유저를 획득했다고 할 수 있습니다.
이런 일련의 과정에서 가장 중요한 부분은 앱스토어의 존재입니다. 웹사이트에서 유입과 유입 이전의 경로를 쉽게 추적할 수 있었던 것은 바로 그 웹사이트 자체가 우리의 소유이기 때문입니다. 우리의 웹사이트에 들어온 로그 데이터를 우리가 확인할 수 있기 때문에, 그 데이터를 가지고 어트리뷰션 분석이 가능했습니다. 그러나, 앱스토어는 우리의 소유가 아닙니다. 그래서 유저가 링크를 통해 앱스토어로 들어가서 앱을 설치하고 앱을 열기 이전까지 우리 소유가 아닌 영역에서의 데이터는 전혀 사용할 수가 없습니다.
이로 인해 링크와 앱 오픈 사이의 음영 구역을 연결하고 어트리뷰션을 분석할 수 있게 만드는 게 바로 앱 어트리뷰션 분석에 있어서 가장 필요한 스펙이었습니다. 그러나 구글 애널리틱스와 같은 웹 어트리뷰션 툴은 태생적으로 이런 음영 구역을 연결하는 기능이 없었기 때문에 앱 광고 성과를 분석할 수가 없었습니다. 이와 같은 문제는 결국 앱 어트리뷰션 툴이 등장하게 되는 원인이 되었습니다.
앱 어트리뷰션 툴은 이 음영 구역을 트래킹하기 위해 링크에서부터 앱 오픈을 매칭(연결)시키는 로직을 사용합니다. 이를 매칭 방법이라고도 부르며 각 어트리뷰션 툴마다 다양한 매칭 방법을 사용하여 앱 설치 전의 유저와 앱 설치 이후의 유저를 연결합니다. 그러나 공통적으로 ID 매칭, Google Play Referrer, Deeplink 매칭 등의 확정적 방법(약 100% 매칭)과 핑거프린트(사용자의 웹 브라우저 정보, 예: IP, OS, 기기명 등을 활용한 조합과 앱 SDK에서 수집된 정보를 매칭시키는 방법)의 확률적 방법을 활용합니다.
이와 같은 앱 어트리뷰션 툴의 매칭 로직은 웹 어트리뷰션 툴이 기존에 개발하지 않은 새로운 기능이었습니다. 이에 따라 웹과는 다른 앱 어트리뷰션 환경이 조성되었으며 웹사이트는 웹 어트리뷰션 툴, 그리고 앱은 앱 어트리뷰션 툴을 활용하는 분절된 트래킹 패턴이 일반화 되었습니다.
애초에 웹사이트와 앱은 본질적으로 다르기 때문에 각각 따로 트래킹해야 한다는 게 일반적인 생각입니다. 그러나 고객들이 하나의 기기가 아닌 여러 기기(적어도 두 개 이상)를 통해 브랜드와 소통하는 옴니채널 시대가 도래함에 따라 이런 데이터 파편화는 마케터가 서로 다른 플랫폼을 학습하고 관리해야 하는 부담으로 다가왔습니다. 특히, 웹사이트와 앱 모두를 관리하는 마케터의 경우, 이 두 플랫폼에 대한 이해와 더불어 서로 다른 분석 툴에 들어가고 분석해야 하는 불편함이 생겼습니다.
하지만 대다수의 기존 어트리뷰션 업체들은 이와 같은 크로스 플랫폼 문제를 풀기보다는 각각의 솔루션이 맡은 분야 하나에만 집중하였습니다. 위에서 다룬 것처럼 아이덴티티 식별과 소스 추적 방법 자체가 웹과 앱이 판이하게 달라서 이 둘의 데이터를 함께 수집하고 트래킹하는데 어려움을 겪었기 때문입니다.
이렇듯 서로 다른 플랫폼에서 활동하는 고객 여정을 추적하는 것은 마케터들에게 새로운 도전 과제입니다. 사실 마케팅 뿐만 아니라, 비즈니스의 모든 영역에 있어서 이런 Omni 채널의 등장은 운영적인 측면에서의 불확실성을 증대시키고 있습니다.
Airbridge는 이런 문제를 해결하기 위해 Web & App SDK를 통해 각 플랫폼의 데이터를 통합 수집하며, 이 데이터를 Airbridge Identity Resolution 엔진으로 결합하여 People-Based 어트리뷰션을 지원합니다. Omni 채널에서의 파편화 문제를 풀고 싶으시거나 Airbridge의 People-Based 어트리뷰션에 대해 궁금하시다면 언제든지 저희 AB180으로 연락주세요!
