마케팅 기여도 분석하기(with Braze AI)

마케터라면 "ROI가 어떻게 되나요?"라는 질문은 매우 익숙합니다. 예전에는 ROI(투자 대비 수익)을 산출하는 것이 그리 어렵지 않았습니다. 마케팅 채널 및 마케팅 활동에 대한 기여도를 큰 무리 없이 추적할 수 있었기 때문입니다. 하지만 오늘날에는 기여도 측정과 실제 고객 행동의 간극이 점점 더 벌어지면서 ROI 측정에 매우 복잡해졌습니다.

이번 포스팅에서는 기존의 마케팅 기여도 측정 모델에서 흔히 발생하는 문제점을 짚어보고, 이를 해결하기 위해 고객 여정의 맥락을 파악하는 것이 왜 중요한지 알아보겠습니다.

또한 마케팅 기여도 분석의 최신 트렌드에 대해서도 살펴보겠습니다. 퍼스트 파티 데이터, 실험, 고객 생애 가치(CLV) 중심의 분석, AI를 활용한 성과 기반의 의사결정 등 다양한 방식으로 마케팅 기여도 측정이 이루어지고 있습니다.

마케팅 기여도 분석(Marketing Attribution)이란?

마케팅 기여도 분석이란, 고객 행동에 영향을 미친 각 접점에 가치를 부여하는 작업입니다. 이를 통해 어떤 채널, 캠페인, 메시지, 콘텐츠가 구매, 가입, 업그레이드와 같은 전환에 기여했는지 추적할 수 있습니다.

하지만 고객 행동이 복잡해지고 추적 경로가 복잡해지면서 마케팅 기여도 분석은 현재 한계에 부딪히고 있습니다. 과거에는 채널 수가 적어 경로가 단순했지만, 현대의 고객 여정은 깔때기 구조라기보다 핀볼 기계에 가깝습니다. 예측이 불가능하고 다채널적이며, 여러 플랫폼과 시간에 걸쳐 광범위하게 나타납니다.

가령 어떤 고객은 한 상품에 대해 블로그 포스트를 먼저 읽고, 친구와의 채팅방에서 후기를 본 뒤, 나중에 소셜 미디어 광고에 노출됩니다. 광고를 클릭해 데스크톱으로 사이트를 둘러보고 앱을 다운로드했다가 그냥 나가버릴 수도 있죠. 그러다 며칠이 지나 오프라인에서 해당 상품에 대해 대화를 나눈 후 검색을 통해 다시 들어오고, 이후 도착한 푸시 알림을 보고 나서야 최종적으로 구매를 결정합니다.

우리는 이 모든 사건을 하나의 여정으로 연결하려고 시도하지만, 사실상 불가능하죠. 고객의 마음을 움직이는 결정적인 순간의 상당수는 측정 가능한 신호가 남지 않는 비공개 채널이나 오프라인 세계에서 발생합니다.

마케팅 기여도 분석의 도전 과제

기술이 성숙해지고 소비 트렌드가 변화함에 따라 기여도 분석의 과제 또한 변화하고 있습니다. 오늘날 직면한 주요 과제는 다음과 같습니다.

1. 채널과 기기에 걸쳐 파편화된 고객 여정

고객은 페이드(Paid), 온드(Owned), 언드(Earned) 채널을 넘나들며, 웹, 앱, 매장 방문, 이벤트, 입소문, 친구와의 가벼운 대화 같은 오프라인까지 무수한 접점을 가집니다. 각 채널의 성과가 성공적이었다고 하더라도, 이러한 수많은 접점을 하나의 일관된 이야기로 엮어내는 것은 매우 어렵습니다.

2. 불완전하거나 지연된 데이터 신호

데이터 공백은 얼마든지 발생할 수 있습니다. 고객이 기기를 바꾸거나, 고객의 개인정보 보호 요청으로 추적이 제한되기도 하며, 매장 방문이나 입소문 같은 오프라인의 접점은 명확한 데이터로 수집하기 어렵기 때문입니다. 분석 플랫폼에서는 전환 데이터가 지연되거나 합산되어 나타나기도 합니다.

데이터 세팅 방식 때문에 발생하는 공백도 있습니다. 여러 채널 간 고객 식별 정보와 이벤트 데이터가 일관되지 않으면, 설령 데이터가 존재하더라도 여정을 하나로 연결할 수 없습니다. 예를 들어, 한 고객은 모바일에서 광고를 클릭하고 앱에서 상품을 둘러본 뒤 데스크톱에서 구매를 진행할 수 있습니다. 이때 퍼스트 파티 ID와 신뢰할 수 있는 이벤트 측정 체계가 갖춰져 있지 않다면, 해당 구매는 '직접(Direct)' 유입으로 분류되거나 전후 맥락이 사라진 채 기록됩니다. 결국 인게이지먼트와 최종 성과를 서로 연결 짓기가 더욱 어려워지는 것입니다.

3. 인게이지먼트와 장기적 성과(리텐션, LTV) 연결의 어려움

대부분의 기여도 분석 리포트는 '전환'이라는 단 하나의 순간을 설명하기 위해 만들어집니다. 하지만 리텐션과 고객 생애 가치는 수주에서 수개월에 걸쳐 형성됩니다. 온보딩, 인앱 메시지, 로열티 프로그램, 고객 지원 등 모든 접점은 고객이 서비스에 계속 머물지, 업그레이드를 할지, 혹은 재구매를 할지를 결정짓는 요인이 됩니다.

기존의 기여도 분석 방식은 전환 이후의 장기적인 성과와 연결하는 경우가 드뭅니다. 이로 인해 고객을 다시 돌아오게 만드는 요소가 아니라, 오직 첫 번째 전환을 유도하는 요소에만 최적화하게 됩니다.

4. 기여도 분석 결과에 대한 과도한 확신

기여도 분석은 여러 불완전한 요소가 많지만, 보고하기에 깔끔하고 편리합니다. 이는 '라스트 클릭'이 모든 공로를 독차지하거나, 특정 플랫폼의 리포트가 마치 단일 채널이 성과를 견인한 것처럼 보이는 오류를 범하게 하죠.결국 마케팅 팀은 이런 오류의 가능성이 많은 수치에 따라 예산을 조정하고 제대로 된 마케팅 활동에 투자하지 못하게 됩니다.

개인정보 보호 정책의 변화와 기여도 분석

개인정보 보호 정책의 변화로 인해 웹, 앱, 기기 전반에서 고객의 행동을 관찰하고 서로 연결하기가 어려워지면서 마케팅 기여도 분석 또한 힘들어졌습니다. 고객 여정은 여전히 다양한 채널과 시간에 걸쳐 이루어지지만, 측정 과정에서는 접점과 결과 사이를 잇는 누락된 단계들이 점점 더 많아지고 있습니다.

1. 서드 파티 쿠키의 지원 중단

서드 파티 쿠키가 사라짐에 따라 여러 웹사이트에 걸친 사용자 행동을 추적하기가 어려워졌습니다. 이는 특히 고객이 며칠 뒤 다른 경로로 재방문할 때, 초기 탐색 단계와 최종 전환 사이의 연결 고리를 끊어버리는 결과를 초래합니다.

2. 모바일 OS 개인정보 보호 정책 변화 및 동의 체계

모바일 개인정보 설정과 동의 방식의 변화로 인해 특정 광고 상호작용을 개별 고객의 후속 행동과 연결 짓는 것이 불가능해졌습니다. 광고 시청, 앱 탐색, 데스크톱 구매가 각각 별개의 무관한 이벤트로 표시될 수 있기 때문입니다. 이로 인해 모바일 비중이 높은 고객 여정은 리포트에서 '알 수 없는' 영향력으로 분류되는 경우가 많습니다.

3. 크로스 플랫폼 가시성 감소

각 마케팅 채널이 마케팅 성과를 보고하지만, 각자 자신들만의 방식으로 결과를 계산하기 때문에 하나의 통합된 그림으로 맞추는 것은 매우 까다롭습니다. 성과 측정 자체는 가능할지 몰라도, 모든 접점이 가시적으로 드러나거나 서로 연결될 것이라고 단정할 수는 없습니다.

대표적 기여도 측정 모델

마케팅 기여도는 여러 방법으로 측정 가능합니다. 가장 많이 사용하는 기여도 모델의 종류와 작동 방식, 그리고 각각의 한계점을 간략히 살펴보겠습니다.

1. 라스트 클릭 (Last-click)

라스트 클릭은 전환 직전의 마지막 접점에 모든 공로를 부여하는 방식입니다. 가령, 우리 상품을 결제한 유저의 마지막 접점이 페이스북 광고였다면, ‘페이스북 광고가 결제를 이끌었다‘라고 해석하는 것입니다. 설명과 보고가 간편하다는 장점이 있지만, 구매 의사를 형성하는 데 기여한 초기 메시지와 경험들을 무시하는 경우가 많습니다.

2. 퍼스트 터치 (First-touch)

퍼스트 터치는 여정의 첫 번째 상호작용에 공로를 인정하는 방식입니다. 어떤 채널이 신규 고객을 유입시켰는지 파악하는 데는 유용하지만, 무엇이 고객의 관심을 행동으로 전환시켰는지, 혹은 그 이후 어떻게 인게이지먼트를 유지했는지는 설명하지 못합니다.

3. 선형(Linear) 및 시간 가치 하락(Time-decay) 모델

선형 모델은 모든 접점에 공로를 균등하게 배분하는 방식이며, 시간 가치 하락 모델은 전환 시점에 가까운 상호작용에 더 많은 가중치를 두는 방식입니다. 두 모델 모두 다수의 접점을 파악할 수 있지만, 가중치 배분 방식이 어디까지나 설정된 규칙일 뿐 무엇이 실제 결정에 영향을 미쳤는지에 대한 증거가 되지는 못합니다.

4. 멀티 터치 (Multi-touch)

멀티 터치 기여도 분석은 모든 접점의 공로를 측정하여 분배하는 것을 목표로 하는 방식입니다. 이는 각 상호작용을 추적하고 연결할 수 있을 때만 가능합니다. 기기 간 식별 정보가 일치하지 않거나 개인정보 동의 문제로 데이터 연결이 제한되면, 멀티 터치 분석은 불완전해지며 측정하기 쉬운 접점의 가치만 과대평가할 위험이 있습니다.

이 모든 모델에는 공통적인 한계가 있습니다. 고객에게 진정으로 영향을 준 요소가 무엇인지 놓칠 수 있으며, 무엇을 개선해야 할지 결정하는 데 실질적인 도움을 주지 못할 때가 많다는 점입니다.

마케팅 기여도 분석 시, 흔히 발생하는 문제점

마케팅 기여도 분석에서 발생하는 대부분의 문제는 분석을 더 나은 질문을 던지기 위한 시작점이 아닌, 최종적인 정답을 찾는 과정으로 여기기 때문에 발생합니다. 기여도 분석은 유용할 수 있지만, 그 자체만으로는 완벽한 해답이 되는 경우가 거의 없습니다.

1. 완벽한 기여도 정확도에 대한 기대

기여도 분석에는 항상 공백이 존재하기 마련입니다. 고객은 기기를 수시로 바꾸고, 비공개 채널을 이용하며, 오프라인에서 결정을 내리기도 합니다. 모든 리포트를 절대적인 '진실'로 간주하면 잘못된 확신에 빠지게 되며, 결국 애초에 완벽히 측정 불가능했던 수치를 두고 무의미한 논쟁을 벌이게 됩니다.

2. 고객 성과가 아닌 채널 중심의 측정

채널 리포트만 보다 보면 채널 지표를 최적화하려는 유혹에 빠지기 쉽습니다. 하지만 진정한 고객 성과는 제품의 가치 체감, 재방문, 업그레이드, 갱신, 그리고 지속적인 서비스 이용과 같은 지점에 있습니다. 채널 분석을 열심히 수행하면, 표면적인 성과 목표를 달성할 수 있을지는 몰라도 진정한 비즈니스 임펙트를 놓칠 수 있습니다.

3. 기여도 분석을 일회성 설정으로 취급하는 것

기여도 모델의 정확도는 영원히 유지되지 않습니다. 채널 믹스와 콘텐츠는 계속 변하고, 오디언스의 행동 양식 또한 시간에 따라 달라지며, 새로운 제약 사항들이 계속 등장하기 때문입니다. 기여도 모델을 주기적으로 검토하고 업데이트하지 않으면, 결국 마케팅 팀은 과거의 데이터에 의존해 의사결정을 내리는 오류를 범하게 됩니다.

Braze AI Desicioning Studio로 기여도 분석하기

Braze AI Desicioning Studio를 사용하면 완벽한 기여도 분석 데이터가 없이도 ROI를 측정할 수 있습니다. 심지어 일부 데이터 신호가 누락되더라도, 고객이 어떻게 반응하는지 실험으로 관찰하고 이를 바탕으로 끊임없이 최적화하며 고객 여정을 지속적으로 개선해 나갑니다.

1. 불완전한 데이터 신호에서 패턴 찾기

Braze AI Desicioning Studio는 각 고객의 행동 방식을 지속적으로 학습하므로, 일부 접점이 누락되더라도 사람마다 어떤 요소가 효과적인지 포착할 수 있습니다. 예를 들어, 어떤 고객은 이메일의 교육용 콘텐츠에 반응하고 다른 고객은 인앱 메시지를 통해 더 많이 인게이지먼트한다면, AI 의사결정은 시간이 흐르며 학습한 내용과 설정된 목표를 바탕으로 각 개인에게 최적화된 결정을 내릴 수 있습니다.

2. 측정을 '테스트 후 학습(test-and-learn)' 루프로 전환하기

실험은 어떤 접점이 어떤 기여를 했는지 논쟁하는 대신 실질적인 성과 향상을 보여준다는 점에서 유용합니다. AI 의사결정은 타이밍, 채널, 빈도 등 제어 가능한 선택지들에 대해 지속적인 테스트를 수행하고, 성과를 견인하는 요소를 바탕으로 내용을 업데이트합니다. 이를 통해 개인화 작업이 수동적이고 과도한 메시지 단위의 반복 업무가 되지 않도록 방지하면서도, 대규모로 1:1 경험을 지원하는 안정적인 학습 루프를 형성합니다.

3. 고객의 실제 행동을 기반으로 결과 최적화하기

AI 기반의 의사결정은 효과에 대한 추측이 아니라, 실제 관찰된 행동을 바탕으로 작동합니다. 어떤 행동이 관리자가 중시하는 KPI를 높일 가능성이 큰지 학습하고, 고객의 니즈와 맥락 변화에 맞춰 이를 조정합니다. 이는 기여도 분석이 불완전한 상황에서 특히 유용한데, 전환, 갱신, 재구매 또는 생애 가치를 높이는 요인을 측정함으로써 여전히 성과를 개선할 수 있기 때문입니다.

Braze를 통해 마케팅 기여도 측정 문제를 해결하는 법

Braze는 인게이지먼트, 테스트, 리포팅을 동일한 고객 맥락으로 연결함으로써 기여도 분석의 고질적 문제를 헤쳐 나갈 수 있도록 돕습니다.

1. 통합된 고객 데이터 활성화

Braze는 퍼스트 파티 데이터와 실시간 행동 신호를 통합하여, 모든 접점에서 고객을 식별하고 일관된 이벤트 및 속성을 기반으로 행동할 수 있게 합니다. 이는 전환 전후에 어떤 일이 일어났는지, 그리고 인게이지먼트가 장기적인 성과에 어떤 영향을 미치는지 더 쉽게 이해하도록 돕습니다.

2. Canvas를 활용한 크로스 채널 여정 오케스트레이션

Braze Canvas는 마케팅 팀이 한곳에서 크로스 채널 여정을 구축하고 운영할 수 있게 해주는 드래그 앤 드롭 방식의 여정 오케스트레이션 도구입니다. 고객의 행동에 따라 여정의 경로를 나누거나, 특정 행동을 할 때까지 대기하거나, 인게이지먼트 상태에 따라 채널을 전환할 수 있습니다. 개별 메시지 발송 단위를 측정하는 대신, 전체 시퀀스가 시간에 따라 어떻게 성과를 내는지 측정할 수 있습니다.

3. 내장된 실험 및 테스트 기능

Braze는 캠페인과 Canvas 내에서 테스트를 지원하여 마케팅 팀이 경로를 비교하고 성과를 측정할 수 있게 합니다. BrazeAI는 예측 인사이트와 지능형 선택(Intelligent Selection) 기능을 통해 고객의 예상 행동에 맞춰 콘텐츠를 맞춤화하는 등 마케터의 빠른 개인화를 돕는 실용적인 도구들을 제공합니다. BrazeAI Decisioning Studio는 한발 더 나아가 상시 실험을 수행하고, 설정한 KPI를 견인하는 선택지가 무엇인지 학습하며, 고객 행동 변화에 따라 의사결정을 조정합니다.

4. 실시간 인게이지먼트 분석

Braze의 리포팅 및 분석 기능은 진행 중인 캠페인과 Canvas를 중심으로 구축되었습니다. 팀은 성과를 실시간으로 모니터링하고, 채널과 여정 전반의 결과를 비교하며, 고객이 어디에서 이탈하는지 파악할 수 있습니다. 이를 통해 마케팅 팀은 지연된 기여도 리포트를 기다리는 대신, 해당 시점의 맥락이 여전히 유효할 때 즉시 대응할 수 있습니다.

5. 라이프사이클 및 성과 중심의 측정

Braze는 여정 중심으로 설계되어 있기 때문에 온보딩, 활성화, 재구매, 갱신, 이탈 위험, 복귀(Win-back)와 같은 라이프사이클 단계별로 자연스럽게 측정이 연결됩니다. 이러한 통합된 뷰는 마케팅, 프로덕트, 라이프사이클 팀이 동일한 성과 목표를 공유하고, 가장 큰 영향력을 발휘하는 여정에 시간과 예산을 집중할 수 있도록 돕습니다.

< 함께 보면 좋은 콘텐츠 >

🔗AI 시대 개인화 가이드북

🔗BrazeAI Decisioning Studio로 모든 고객에게 맞춤형 경험을 제공하는 방법💥

🔗AI 고객 세분화: 예측 인사이트로 더 똑똑하게 타겟팅하기