오디언스 타겟팅: 데이터로 성과 개선의 지름길 제시하기
퍼포먼스 마케팅에서 빠르게 성과를 내려면 매체 머신러닝의 최적화가 매우 중요합니다.
이를 위해서는 어떤 유저를 타깃으로 삼아 최적화할지 머신러닝이 학습해야 합니다. 아무리 예산을 충분히 투입하고 소재를 잘 준비하더라도, 적절한 타깃을 학습하지 못한 머신러닝은 초기 탐색 과정에서 많은 시행착오를 겪을 수 있습니다.
이러한 비효율을 줄이기 위한 효과적인 방법 중 하나는 데이터를 활용한 오디언스 타겟팅입니다. 전환 가능성이 높은 유저 데이터를 매체에 정확하게 전달할수록, 머신러닝은 성과로 가는 지름길을 더 빠르게 찾아 캠페인을 효율적으로 최적화합니다.
이번 글에서는 퍼포먼스 광고 타겟팅에 활용할 수 있는 데이터의 유형과 실제 성과 개선 사례를 소개합니다. 오디언스 타겟팅이 머신러닝 학습의 나침반으로 어떻게 작동하는지 살펴보겠습니다.
데이터의 세 가지 유형
퍼포먼스 마케팅에서 활용되는 데이터는 크게 세 가지 유형으로 구분할 수 있습니다. 각 데이터는 수집 주체와 활용 목적에 따라 머신러닝에 전달하는 학습 신호의 성격과 강도가 달라집니다.
데이터 유형을 제대로 이해하면 캠페인 상황에 맞춰 어떤 데이터를 어떻게 조합할지 전략적으로 판단할 수 있습니다. 지금부터 First-party, Second-party, Third-party 데이터의 특징과 실무 활용 방법을 살펴보겠습니다.
1. First-Party Data (퍼스트파티 데이터)
.webp)
퍼스트파티 데이터(First-party data)는 자사가 직접 수집한 내부 데이터를 의미합니다. 웹사이트 방문자 정보, 앱 설치 및 가입자, CRM 정보, 구매 이력, 뉴스레터 구독자 정보 등이 여기에 해당합니다.
이 데이터의 가장 큰 장점은 정확도와 신뢰도입니다. 브랜드의 실제 고객 또는 잠재 고객으로부터 직접 수집된 정보이기 때문에, 가장 정확한 타기팅이 가능합니다. 다만 데이터 규모와 공유 범위가 제한적일 수 있다는 점은 고려해야 합니다.
퍼포먼스 마케팅 실무에서는 광고 식별자(ADID/IDFA) 또는 내부 식별 데이터를 광고 플랫폼에 연동·등록하는 방식으로 머신러닝에 명확한 학습 신호를 제공할 수 있습니다.
2. Second-Party Data (세컨드파티 데이터)
.webp)
세컨드파티 데이터(Second-party data)는 타사가 직접 수집한 데이터를 제휴 또는 플랫폼을 통해 활용하는 형태를 의미합니다. 여행 플랫폼이 숙박 예약 데이터를 항공사와 공유하거나, 뷰티 브랜드가 유통사 데이터를 활용하는 경우가 여기에 해당합니다.
퍼포먼스 마케팅 실무 관점에서는 페이스북이나 구글과 같은 광고 플랫폼의 데이터 역시 Second-party 데이터에 준하는 역할을 합니다. 플랫폼이 직접 보유한 사용자 행동 및 관심사 데이터를 기반으로 광고주에게 타겟팅 옵션 형태로 제공하기 때문입니다.
이 데이터는 플랫폼 또는 제휴사가 보유한 데이터를 고객사가 직접 소유하지 않고 활용하는 형태이며, 관심사·행동 기반의 집단 단위 세그먼트로 구성됩니다. 또한 타겟 정의와 활용 범위는 플랫폼의 알고리즘과 정책에 의존합니다.
3. Third-Party Data (써드파티 데이터)
.webp)
써드파티 데이터(Third-party data)는 외부 플랫폼이나 데이터 제공업체가 여러 출처에서 수집·가공한 데이터를 의미합니다. 대표적으로 DMP((Data Management Platform, 데이터 관리 플랫폼) 데이터 및 통신사/카드사 데이터 등이 이에 해당합니다.
다만, 개인정보 보호 정책 강화 및 플랫폼 환경 변화로 인해 퍼포먼스 마케팅에서는 Third-party Data 활용이 점차 제한되고 있습니다. 이에 따라 최근에는 에어브릿지, 앱스플라이어, GA4와 같은 앱/웹 측정 툴을 활용해 고객사의 First-party Data와 매체 데이터를 통합적으로 분석하고, 이를 기반으로 오디언스 생성 및 머신러닝 학습 신호를 강화하는 방식이 주로 활용되고 있습니다.
이러한 툴은 엄밀히 Third-party Data는 아니지만, 외부 솔루션을 통해 데이터를 가공·활용한다는 점에서 실무적으로는 이를 보완하는 역할을 합니다. 특히 일부 MMP(예: 에어브릿지)는 First-party 식별자를 기반으로 오디언스를 생성할 수 있으며, 해당 오디언스를 광고 플랫폼과 연동하여 타겟팅에 활용할 수 있습니다.
데이터 활용으로 만든 실제 성과 개선 사례
퍼포먼스 마케팅에서 대부분의 광고 캠페인은 구글이나 메타와 같은 광고 플랫폼이 제공하는(실무적으로 Second-party 성격)의 데이터를 기반으로 운영됩니다. 이는 안정적인 볼륨 확보와 기본적인 최적화에는 효과적이지만, 성과 개선이 정체되는 구간에서는 머신러닝 학습 속도와 정확도에 한계가 발생할 수 있습니다.
이에 따라 실제 운영에서는 매체 데이터 기반 운영에서 성과 개선 속도를 높이기 위해 광고주가 수집한 First-party Data를 직접 매체에 연동하거나 MMP를 통해 확장·활용할 수 있습니다.
아래 사례들은 기존 Second-party 데이터 기반 운영 외에 First-party 또는 Third-party 데이터를 활용해 머신러닝에 보다 명확한 학습 신호를 전달했을 때 어떤 성과 개선이 있었는지를 보여주는 실제 사례입니다.
1. 구독형 앱의 효율 개선 사례 (KPI : 구독)
1-1) 구글 잠재고객 신호 활용
- 개요 : 구글 앱 ACa 캠페인 운영 초기 학습 단계에서 타겟 탐색 효율이 낮아, 전반적인 성과가 저조한 흐름 확인
- 이에 초기 학습 구간을 빠르게 안정화하고 우수 전환 가능 유저에게 효율적으로 도달하고자 고객사 측에서 제공받은 First-party Data 기반 잠재고객 신호 생성 및 캠페인에 적용
- 플랫폼 : 구글
.webp)
- 활용 데이터 : First-party data - 구독권 구매 고객 ADID
- 결과
- First-party 데이터 기반 잠재고객 신호 투입 후 2~3일 이내 구독CPA가 약 67% 빠르게 개선되었으며, 초기 학습 효율 안정화 확인
- 일반적으로 예산 확대 시 단가 상승이 발생할 수 있음에도 불구, 예산 확대와 동시에 구매 전환 수 볼륨도 유의미하게 증가하며 단가 개선과 볼륨 확대가 병행되는 성과를 기록
1-2) 리타겟팅 캠페인
- 개요 : 메타 / 몰로코에서 앱 가입 및 유입까지는 발생했으나, 구독권 구매로 이어지지 않은 유저 중 전환 가능성이 높은 고가치 유저를 대상으로 리타겟팅 캠페인(RT)을 운영
- 고객사 측에서 전달받은 구매 미진행 고객 ADID 기반 First-party Data를 활용해 잠재 고객군을 정의, 이를 통해 이미 서비스에 대한 인지와 이용 경험이 있는 유저에게 재노출함으로써 구독 전환 유도
- 플랫폼 : 메타, 몰로코
- 활용 데이터 : First-party data - 구독권 미구매 고객 ADID
- 결과: ADID 기반 First-party Data 리타겟팅 이후, 기존 리타겟팅 캠페인 대비 구독 수 약 96%, 구독 CPA 약 40% 개선되었으며 CVR 역시 유의미한 상승을 기록
→ 두 사례 모두 First-party 데이터 기반 오디언스를 활용해 매체 머신러닝에 보다 명확한 학습 신호를 전달한 사례입니다. 구글 잠재고객 활용 사례에서는 초기 학습 단계에서 고가치 유저의 특성을 빠르게 학습시켜 캠페인 효율을 안정화했고, 리타겟팅 캠페인에서는 전환 가능성이 높은 유저를 명확히 정의해 타겟을 정교화함으로써 성과 개선을 이끌어냈습니다.
2. 라이프스타일 앱의 효율 개선 사례 (KPI : 가입)
- 개요 :
- 기존 메타 자동 타겟 중심 운영에서 효율 개선을 위해, MMP에서 생성한 6개월 내 가입 유저 유사 타겟 캠페인 신규로 진행
- 이를 통해 메타 알고리즘에 보다 정교한 학습 신호를 제공하고, 가입 전환 가능성이 높은 유저 발굴 유도
- 플랫폼 : 메타
- 활용 데이터 : First-party Data - 6개월 이내 가입 유저 (MMP를 통해 가공 및 매체 연동)
- 유사 타겟 3%
- 결과
- 자동 타겟 캠페인과 유사 타겟 캠페인을 병행 운영하여, 자동 타겟은 보다 넓은 유저 풀 확장에 기여하고 유사 타겟은 단가 개선에 효과적인 역할을 수행
- 각 캠페인의 특성을 구분해 운영함으로써, 확장성과 효율을 동시에 고려한 보다 균형 잡힌 캠페인 운영 구조 확보
본 사례 역시 앱 내 전환을 일으킨 고가치 유저의 특성을 매체에 학습시켜 단기간 내 우수 타겟을 확보한 사례입니다.
특히 메타 유사 타겟의 경우, 타겟 범위와 정확도를 고려해 유사도 1%~10%까지 확장이 가능하며 본 캠페인에서는 보다 정교한 타겟팅을 위해 3%의 타이트한 타겟 설정을 진행했습니다.
데이터는 머신러닝을 똑똑하게 만드는 핵심 연료입니다
데이터는 머신러닝을 더 똑똑하게 만드는 핵심 연료입니다. 캠페인 상황에 맞춰 First-party, Second-party, Third-party 데이터를 전략적으로 조합해 매체에 학습시킬수록, 머신러닝은 전환 가능성이 높은 고가치 유저를 더욱 빠르고 정확하게 학습할 수 있습니다.
퍼포먼스 마케팅의 본질은 데이터를 얼마나 정교하게 연결하고 활용하느냐에 달려 있습니다. 초기 학습 구간에서는 First-party Data로 명확한 신호를 제공하고, 볼륨 확장 단계에서는 Second-party Data 및 Third-party Data를 조합해 타겟 범위를 넓혀가는 방식이 효과적으로 활용됩니다.
정교한 데이터 활용이 곧 광고 성과의 지름길입니다. 데이터를 나침반 삼아 가장 효율적인 경로를 찾고 싶다면, 지금 마티니를 만나보세요.
|
데이터 기반의 퍼포먼스 마케팅을 고민중이라면?마티니는 고객의 데이터를 바탕으로 문제를 해결하는 풀퍼널 마케팅 에이전시입니다. 지금 아래 버튼을 눌러, 마티니와 만나보세요. |
.png)
