블로그 포스트 IDFA 시대에서 LTV 계산하기: 예측적 애널리틱스 솔루션

사용자 획득 비용(CAC) 대비 사용자 생애 가치(LTV)는 모바일 마케터들이 캠페인 효과를 측정할 수 있는 주요 지표입니다. 포스트 IDFA 시대에서 Apple의 SKAdNetwork는 캠페인에 대해 사용자의 첫 24시간 이내 활동에 기반을 둔 익명화된 데이터만 전송하여, iOS 기기에서의 예측적 애널리틱스를 더욱 어렵게 만들었습니다. 바로 이러한 이유에서 마케터들은 인사이트를 최대화하기 위해 전환값 스키마를 반드시 구축해야 합니다.

일부 마케터들은 계수(아래 참조)와 같은 방법을 솔루션으로 사용하고 있으나, 이는 매우 복잡하고 정확한 계산이 어렵기 때문에 Adjust는 예측적 모델링을 권장하고 있습니다. Adjust의 예측적 모델은 머신러닝 알고리즘을 통해 대량의 SDK 데이터에서 노이즈를 찾고, 데이터의 레이어를 더 잘 이해하고, 데이터 간에 어떠한 상관관계가 있는지 파악합니다. 이를 통해 캠페인 초반에 장기적인 결과를 미리 예측할 수 있습니다.

본 블로그에서는 iOS 14.5+로 인한 캠페인 측정 난제와 마케터들이 겪는 고충, Adjust의 예측척 LTV(pLTV) 솔루션을 통한 해결책을 소개합니다.

iOS 14.5+ 시대에서 LTV와 캠페인 성과 예측 난제

LTV의 추정과 계산 작업은 최적의 마케팅 결정 및 매출 최대화에 기여하도록 캠페인 진행 과정의 초반에 전략적으로 수행되어야 합니다. 예를 들어, 캠페인 A를 통해 획득된 사용자는 초반에는 큰 비용을 지출했으나 이후에 이탈한 반면, 캠페인 B에서 유입된 사용자는 초기 구매가 크지 않지만 궁극적으로 더 높은 기여도를 보이는 경우를 가정해보겠습니다. 이때, 전체 30일 주기에서 사용자의 1일차 행동만 살펴본다면 사용자 행동 예측에 큰 효과가 없을 것입니다. 바로 이러한 이유에서 LTV를 '예측'할 수 있는 효과적인 방법을 사용해야 합니다.

iOS 14.5+ 의 SKAdNetwork 프레임워크는 예측적 애널리틱스 과정을 까다롭게 만들었습니다. 이전(현재는 ATT 옵트인 사용자만 해당)에는 iOS 캠페인을 Adjust SDK를 통해 전송된 IDFA와 기기 수준의 데이터에 연결하는 것이 가능했습니다. 이 경우 사용자 수준에서 발생한 행동과 매출을 확인한 후, 해당 사용자를 유저 코호트와 연결하여 예측적 모델링을 적용하고, LTV를 추정하는 것이 가능했습니다.

그러나 SKAdNetwork의 경우에는 iOS에 기기에서의 마케팅 캠페인에 대해 첫 24시간(이후 최대 24시간의 지연) 이내의 사용자 활동에 기반한 익명화된 사용자 데이터만 수신이 가능합니다. 이는 다음의 이유에서 사용자의 LTV 예측을 어렵게 만듭니다.

  • Adjust는 모바일 앱에 의해 정의되어야 하는 스키마를 통해 SKAdNetwork 포스트백만 받을 수 있습니다. 이는 특정 사용자에 연결될 수 없습니다.
  • Adjust는 매출이나 프록시 지표를 직접 측정할 수 없으며, SKAdNetwork 0~63 값을 반드시 사용해야 합니다.
  • Adjust는 실시간으로 정보를 받을 수 없습니다.

따라서 마케터와 개발자들은 iOS 캠페인에 대한 예측을 시작하기에 앞서, 먼저 전환값 스키마를 설정해야 합니다. 이후 새 마케팅 캠페인을 진행할 때 SKAdNetwork 데이터를 디코딩한 다음, 예측 모델에서 사용해야 합니다.

포스트 IDFA 시대에서 Adjust의 예측적 모델링 솔루션

일부 마케터는 이러한 문제를 해결하기 위해 과거 데이터로부터의 사용자당 계수(0일차 매출/X일차 매출)를 사용하고 있습니다. 이후 해당 계수를 실제 0일차 매출로 나누면 X일차 LTV를 예측할 수 있습니다. 그러나 계수 또는 유사 접근법은 계수의 큰 오차 범위로 인해 정확한 예측이 어렵다는 문제를 가지고 있습니다.

Adjust는 인공 지능/머신 러닝을 활용하여 데이터 트렌드의 여러 레이어를 분석함으로써 사용자의 미래 행동을 예측합니다. 이렇게 사용자의 과거 데이터와 기타 유사 사용자로부터 학습된 패턴을 활용하면, 1일차 데이터를 기반으로 이후(예: 30일차) 사용자의 가치를 예측할 수 있습니다. 머신 러닝 알고리즘을 통해 Adjust SDK가 수집한 대규모 데이터 세트를 분석하면 추론을 통해 데이터 간 상관관계를 찾을 수 있고, 옵트인하지 않은 사용자에 대한 장기적 결과를 예측할 수 있습니다.

Adjust의 예측적 모델은 개별 앱에 맞춤화되어, 실제 SDK 데이터를 학습하고 강화됩니다. 이러한 예측적 모델을 코호트 분석과 집계된 SKAdNetwork 데이터와 결합하면 가장 유의미한 인사이트를 확보하고, 데이터에 기반한 결정을 내릴 수 있습니다. 또한, 캠페인 초반에(SKAdNetwork 대기 시간 없이) 캠페인의 미래 가치를 파악하고, 놓치기 쉬운 데이터 간에 관계를 찾아낼 수 있습니다.

iOS 14.5+는 예측적 애널리틱스를 매우 복잡하게 만들었지만, 불가능하진 않습니다. 마케터와 광고주들이 이용 가능한 데이터를 가장 효율적인 방식으로 활용한다면, 이전과 같이 데이터에 기반하여 캠페인 효율성, 수익성, 성과 개선에 필요한 인사이트를 얻을 수 있습니다.

Adjust의 pLTV 솔루션에 대한 자세한 내용과 최신 소식, 인사이트, iOS 14.5+에 대한 전문적 내용을 알고 싶다면, 데모를 신청하거나, Adjust의 리소스센터를 확인하시기 바랍니다.

Adjust의 최신 소식을 받아보고 싶으신가요?