[AARRR] 고객 유치(Acquisition) 지표 : CAC와 어트리뷰션

 

 

AARRR의 첫 단계,
고객 유치 "Acquisition"

• 고객 유치 과정의 핵심은 고객 유치에 기여(attribution)한 채널의 성과를 판단할 수 있는 모델을 만드는 것
• 페이스북, 구글, 네이버, 카카오 등 개별 광고 관리자 화면에서 보여주는 성과를 어떻게 하면 종합적으로 판단할 수 있을지가 어려운 문제
• 고객 유치의 성과를 정확히 이해하기 위해 어트리뷰션에 대한 깊이 있는 이해가 필요함

 

1. 유입 채널에 따라 사용자 구분 "Organic" vs. "Paid"

• 자발적으로 우리 서비스를 찾아오는 organic 고객 → 자발적으로 우리 서비스를 찾아온 고객이 얼마나 많은가?
• 비용을 집행한 마케팅 활동을 통해 우리 서비스를 찾아온 Paid 고객 → 유료 마케팅 채널을 얼마나 효율적으로 사용했는가?

 

▶︎ Organic 사용자의 허점

• 실제 트래킹 서비스에서 이 기준을 나눌 때 organic 사용자는 '유입된 채널을 식별할 수 없는 사용자‘에 가까움
  • 유입경로가 명확하게 식별되지 않은 트래픽 : 파라미터나 미디어 소스 등이 식별되지 않을 때
  • 따라서, unknown이라고 언급하는 것이 적합할 때도 있다( identified와 반대 개념)

▶︎ 고객 유치 데이터를 분석할 때 중요 포인트

• 오가닉 트래픽 비중을 높이는 것이 아니라, 가능한 한 많은 트래픽을 식별해서 미식별 트래픽의 비중을 최대한 줄이는 방향이어야 함 (사용자 유입 채널을 누락 없이 정확하게 추적, 각 채널별 성과를 정확히 판단하기 위함)

---

2. Acquisition 주요 지표, 고객 획득 비용 (CAC ; Customer Acquisition Cost)

• 한 명의 사용자를 데려오기 위해 지출하는 평균 비용
• 채널별, 캠페인별, 광고별, 날짜별 데이터를 쪼개봐야 함
• "어느 채널에 얼마 기간 동안 어떤 캠페인으로 얼마 예산을 집행할 것인가?" 의사결정에 도움을 줌
• 웹에서는 UTM 파라미터, 앱에서는 어트리뷰션으로 추적

 

▶︎ UTM 파라미터

• 새로운 회원이 가입할 때 어떤 파라미터가 달린 URL로 접속했는지 확인해서 이 정보를 더 정확히 파악 (파라미터 구조 북마크)

 

▶︎ 모바일 앱 어트리뷰션 

• 어트리뷰션 : 사용자가 앱을 설치, 사용하는데 어떤 채널이 기여했는지 식별

 

어트리뷰션 윈도우 개념

 

• 어트리뷰션 윈도우 :
  • 하나의 세션 안에 일어나지 않은 경우(광고 클릭과 앱 설치)가 많음
  • 이럴 때, 기여 이벤트(앱을 설치하는데 영향을 미친 이벤트)가 발생한 이후 얼마만큼의 기간 동안 발생한 전환에 대해 어트리뷰션을 인정할 것인가를 정해야 함
  • 어트리뷰션 윈도우는 룩백 윈도우(= lookback window) 라고도 함
  • 채널별로 어트리뷰션 윈도우를 어떻게 정의할지에 대한 기준을 잘 세우는 것이 중요

 

클릭 스루와 뷰 스루

• 어트리뷰션 유형 : 클릭-스루와 뷰-스루
  • 클릭을 통해 발생하는 기여 : 클릭-스루(click-through)
  • 조회를 통해 발생하는 기여 : 뷰-스루(view-through)
  • 일반적으로 클릭-스루의 어트리뷰션 윈도우는 뷰-스루의 어트리뷰선 윈도우 대비 길게 가져가는 것이 보통
    (앱스플라이어 예시 : 클릭-스루는 7일, 뷰-스루는 1일)

 

▶︎ 어트리뷰션 모델 

• 여러 개의 어트리뷰션 접점이 발생하는 경우, 기여도에 대한 판단을 내릴 수 있게 하는 일종의 기준이 필요함
• 기여 이벤트가 단 하나라면 명확하게 특정 채널의 어트리뷰션을 판단할 수 있지만, 어트리뷰션 접점이 2개 이상인 경우 기여도를 판단하기 쉽지 않음
• 일반적으로 마케팅은 여러 채널에서 동시다발적으로 진행 : 앱 설치 1건에 3~4개의 기여 이벤트가 발생하기도 함

 

(1) 싱글 터치 어트리뷰션 모델 (Single-touch Attribution Model)

• 여러 채널 중 가장 기여도가 높다고 판단되는 하나의 채널을 선정 후 해당 채널의 어트리뷰션을 인정
• 싱글 터치 어트리뷰션은 단순하고, 기준이 명확하며 계산이 수월하지만 간접적으로 기여하는 채널의 성과가 반영되지 않음
  → 기여 이벤트가 매우 많은 경우가 아니라면 간단하고 편리함
• 퍼스트 클릭과 라스트 클릭 모델이 이에 해당됨
  1. 퍼스트 클릭 모델 : 여러 건의 기여 이벤트가 발생했을 때 그중 첫 번째 매체의 성과를 100% 인정하는 방식의 어트리뷰션
  2. 라스트 클릭 모델 : 맨 마지막 상호작용에 기여한 매체의 성과를 100% 인정 → 많은 광고 매체나 어트리뷰션 툴에서 라스트 클릭 모델을 기본으로 채택

 

(2) 멀티 터치 어트리뷰션 모델 (Multi-touch Attribution Model)

• 여러 건의 어트리뷰션 접점이 발생했을 때 전체 기여도를 나름의 기준에 따라 2개 이상의 채널에 분배하는 형태로 판단
  1. 선형 모델 : 어트리뷰션 접점이 발생한 모든 매체에 동일한 가중치 부여 (n분의 1 개념)
  2. 타임 디케이 모델 : 기여한 모든 채널의 어트리뷰션 기여도를 인정하지만, 각 채널의 기여도 판단 시 시간의 흐름에 따라 가중치를 줌
     → 최근에 발생한 기여 이벤트일수록 높은 가중치
  3. U자형 모델 : 가장 먼저 발생한 기여 이벤트와 최근에 발생한 기여 이벤트에 동일하게 가중치 부여
     → 서비스를 처음 인지시킨 채널, 최종적인 전환에 직접 기여한 채널)

 

▶︎ 어트리뷰션 활용 예시와 주의사항

🧐 검색광고 UTM을 달고 유입된 사용자가 당일 회원가입을 하지 않고
그다음 날 친구 초대 링크를 타고 다시 들어와서 가입했다면
이때 발생한 회원가입은 검색 광고 기여로 봐야 할까, 친구 초대 기여로 봐야 할까?

 

👉 위와 같은 상황에서 채널 특성을 고려하지 않고 모든 채널에 일관된 기준을 적용하는 것은 좋지 않음

👉 어트리뷰션을 잘 활용하기 위해서는 정량적으로 나타나는 수치 외에도 각 마케팅 채널이 어떤 지면을 가지고 있는지, 어떤 사용자층을 보유하고 있는지, 어떤 식으로 사용자를 타기팅 하는지, 광고와 사용자의 인터렉션이 어떤 식으로 이뤄지는지 등 채널의 특성을 잘 이해하고 있어야 함!

 

 

▶︎ 필요하다면 어트리뷰션 데이터를 raw data 레벨로 받아서 확인하고 분석할 수 있어야 함

• 어트리뷰션 데이터는 단독으로 보는 것보다 서비스에 직접 쌓이는 데이터와 결합해서 분석함으로써 훨씬 더 많은 인사이트를 얻을 수 있다

 

▶︎ 채널 확장은 예산이 아니라 채널의 포화도(saturation)를 바탕으로 결정해야 함

• 각 채널 운영이 충분화 최적화돼 있는지를 점검하는 것이 우선!
  • 기존 채널에서의 최적화가 충분히 잘 되어 있는가?
  • 마케팅 예산이 커져서 기존 채널에서 모두 소화하기에는 비효율적인가?

• 이때의 목표는 단순히 광고 관리자 화면에서 보이는 ROAS를 20% 더 올리는 것이나 고객획득비용(CAC)을 1,000원 낮추는 것에 그쳐서는 안 됨
  • 대시보드의 숫자 하나하나에 연연하기보다 넓은 시야를 가지고 데이터를 들여다보아야 함
    → 고객에 대한 폭넓은 이해가 우리가 확인하려는 것이기 때문

---

부록

▶︎ 딥링크(Deep Link)와 디퍼드 딥링크(Defferred Deep Link)

• 딥링크 : 모바일 앱 안의 특정 화면(activity)으로 이동하는 링크
  • 웹 브라우저 대신 모바일 앱이 실행되면서 앱 내의 적합한 랜딩 페이지를 보여줌
  • 랜딩 페이지에서의 전환율을 크게 향상할 수 있다는 장점이 있지만, 클릭하는 사람의 휴대폰에 해당 앱이 설치돼 있을 때만 정상적으로 동작함

딥링크에 대한 이해

• 디퍼드 딥 링크 : 모바일 앱 설치 유무와 상관없이 사용할 수 있는 딥링크
  • 앱이 설치되지 않은 사용자에게는 딥링크의 실행을 앱 설치 이후로 지연시킴
  • 장점 1 : 사용 맥락 유지(UX 측면에서 장점)
  • 장점 2 : 딥링크 생성 시 적절한 파라미터를 추가하면 어떤 채널에서 활용된 딥링크를 통해 앱을 설치하고 사용했는지 측정 가능 → 어트리뷰션을 측정할 수 있는 범위가 넓어짐

 

 

본 포스팅은 도서 <그로스 해킹>을 참고하여 작성했습니다 👍 (도서를 직접 읽어보시는 것을 추천합니다)

https://product.kyobobook.co.kr/detail/S000001766457