포스트 IDFA 시대에 왜 Causal Impact 가 필요할까요?

얼마 전까지 마케터들은 유저 데이터를 확보하여 온라인에서 활동하는 모든 유저들의 이동경로 등 많은 것들을 추적할 수 있었습니다. 유저의 모든 이동경로는 처음부터 마지막까지 측정이 가능 했기에 수 많은 데이터 포인터를 생성하여 인사이트 도출 및 캠페인 최적화가 가능하였습니다. 하지만 개인 정보 보호에 대한 관심이 높아져 Apple의 iOS 14.5 버전 이후 부터 User ID 또는 IDFA(Identifier for Advertisers) 사용이 불가능하게 되었습니다. IDFA(Identifier for Advertisers)가 없는 기존 어트리뷰션 모델로 전반적인 마케팅 활동 측정에 큰 어려움이 생깁니다.

Causal Impact는 캠페인으로 인한 유저 앱 설치율과 전환율에 대한 마케터의 이해를 돕습니다. 이 방법론은 시계열 요소와 결합된 실제 데이터를 기반으로 예측하기 때문에 TV 캠페인과 같이 추적이 어려운 매체의 마케팅 활동 분석 또한 가능합니다.

증분 테스트(Incrementality test)에서 Causal Impact는 ID 없는 마케팅 캠페인의 인과 관계를 추정하는 데 사용되는 방법론입니다. Causal Impact는 상관 관계와 달리 외부적인 요소로 인해 무언가가 발생했거나 일어나고 있는 것을 증명합니다. 모바일 마케팅에서 Causal Impact는 유저가 앱을 설치하거나 앱을 통해 무언가를 구매할 때 특정한 광고가 유저의 행동에 어떤 변화를 일으켰는지에 대한 분석이 가능합니다.

Causal Impact는 기록된 과거 정보를 기반으로 마케팅 포트폴리오를 최적화할 수 있는 기회를 제공하는 데이터 라이브러리입니다. 베이지안 구조적 시계열(Bayesian structural time-series, BSTS) 기법을 사용하는 이 통계 모델은 확률적 귀인 모델과 달리 마케팅 활동을 측정하는 확실한 방법을 제공합니다.

Causal Impact 분석은 과거 데이터를 활용하여 마케팅 캠페인을 제외한 성과에 대해서 도출합니다. 이것을 반사실적(Counterfactual)이라고 부르기도 하며, 일어나지 않은 어떤 일에 대한 진술을 토대로 이루어집니다.

모든 테스트와 마찬가지로 해당 테스트도 두 그룹으로 나뉩니다. 첫 번째 그룹은 치료 그룹(Treatment group) 두 번째 그룹은 제어 그룹(Control group) 이라고 합니다. 증분 테스트 동안 광고는 치료 그룹(Treatment group)에 적용이 되지만 통제 그룹(Control group)에는 적용이 되지 않습니다(광고에 노출되지 않은 상태 유지).

iOS 14.5 출시 이후로 무작위 추출이 더 이상 불가능해지면서 그룹을 나누는 것이 더 어려워졌습니다. 마케터는 IDFA 없이 그룹을 나누는 새로운 방법을 고안하고 있으며, 지역, 플랫폼, OS 버전 또는 기기 유형 등은 그룹을 분할하는 다양한 방법 중 일부입니다. 일부 매개변수 에는 주의 할 점이 있습니다. 다른 지역(예: 베를린, 함부르크)을 기반으로 사용자를 타겟팅할 때 사용자는 같은 날 다른 장소에 있을 수 있으므로 결과적으로 그룹 분할에 영향을 줍니다. 그러기 때문에 현재 기기 모델을 사용하는 것이 그룹을 분할하는 가장 효과적인 방법입니다.

Causal Impact 분석에서는 제어 그룹(Control group) 기준으로 치료 그룹(Treatment group) ​​행동을 예측 합니다. 증분은 특정 기간에 나타난 실제 행동(Actual behavior)과 예측된 반사실적 행동(Predicted counterfactual behavior) 간의 차이로 정의됩니다. 클릭 또는 노출과 같은 치료 그룹(Treatment group)의 KPI는 캠페인이 진행 중일때 영향력을 측정하기 위해 하나 이상의 공변량(Covariates)과 결합됩니다.

예를 들어, 캠페인이 공휴일에도 진행이 되면 설치가 증가하게 되며, 공변량은 이 정보를 캡처 및 설명하고 캠페인 기간 내 치료 그룹(Treatment group) 행동을 예측합니다. 또 다른 예는 일요일에 증가된 전환율 에서 볼 수 있습니다. Causal Impact으로 통제 그룹(Control group)은 트렌드를 포착하고 차이점을 설명하며, 설명할 수 없는 모든 변화는 증분 으로 측정됩니다.

두 시나리오에서 여러 캠페인을 동시에 실행하면 정확한 예측이 어려울수 있으므로 매번 하나의 실험만 실행하는 것이 중요합니다.

Apple의 ATT(App Tracking Transparency) 프레임워크 출시 이후 사용자 추적이 더욱 제한되어 마케팅 활동을 측정하고 최적화하기가 더 어려워졌습니다. 증분 테스트에 대한 Causal Impact를 사용하면 마케터가 과거 데이터를 활용한 예측 분석을 하여 캠페인의 가치를 평가할 수 있습니다.