알라미에서 광고 데이터를 200% 활용하는 방법

2025-01-22

7 min

This is some text inside of a div block.

부제: 데이터팀과 협업하기

eCPM, Impression, Ad Requests... 광고 수익화를 고민하는 팀이라면 이러한 지표들과 씨름하며 수익 개선을 위해 고민해보셨을 것입니다. 데이터의 중요성은 누구나 알고 있지만, 각 미디에이션과 네트워크의 콘솔을 통해 이미 데이터를 볼 수 있기 때문에 데이터팀과의 직접적인 협업은 생각지도 못한 분들도 있을 것 같습니다. 하지만, 아무리 데이터를 볼 수 있다고 해도, 데이터 팀과의 직접적인 협업은 또 다른 시너지를 만들어 낼 수 있는데요.

그래서 오늘은 알라미가 데이터팀과의 협업을 통해 어떻게 광고 수익을 고도화해왔는지 공유하고자 합니다.

‍

광고 수익화 x 데이터팀 = 주체적인 데이터 환경

데이터팀과 협업의 첫 시작점은 주체적인 데이터 환경 구축에 있습니다. 앞서 말씀드렸듯, 이미 미디에이션과 네트워크사에서 각각의 대시보드를 통해 데이터를 볼 수 있는 콘솔을 제공하지만, 이 숫자들이 늘어날수록 데이터 트래킹에 들어가는 리소스는 배로 늘어나게 됩니다.

또한, 이렇게 데이터를 각각 분리된 환경에서 분석하다 보면, 아무래도 잘못된 데이터 분석이나 이를 통한 의사결정이 내려질 수 있죠. 하지만, 수익을 다루다보니 잘못된 의사결정에 대한 사이드 이펙트가 바로 매출에 영향을 미치기 마련입니다.

이에 대한 해결책으로 딜라이트룸은 이미 데이터 웨어하우스를 구축하여 알라미 프로덕트에 대한 자체적인 데이터 환경을 운영 중이며 (참고: ETL vs ELT, 당신의 선택은?), 각각 흩어진 광고 데이터 또한 별도 파이프라인 구축을 통해 전체적인 데이터 웨어하우스 설계에 포함시켜 관리하고 있습니다.

이를 통해 흩어진 광고 데이터를 한 곳에 모아 접근성을 높혀 광고 데이터에 대한 오너십을 가져올 수 있게 되었고, 꾸준한 정합성 관리와 유연한 확장성을 통해 변화하는 광고 운영 전략을 안정적으로 지원하고 있습니다.

‍

단순 광고 지표 만으로는 보지 못하는 영역

이렇게 잘 구축된 데이터 환경에서 오는 가장 큰 이점은 효율적인 데이터 모니터링입니다. 이미 딜라이트룸에서 다룬 바 있듯이 (참고: 알라미는 건강검진을 얼마나 자주 할까 (feat. 광고 지표), 매출이 떨어진 이유 분석하는 방법 ‍) 중앙화된 데이터 웨어하우스를 통해 광고 지표를 고객사, 국가, 광고 지면 등 원하는 Dimension으로 손쉽게 분석할 수 있게 되었습니다. 또한 과거 데이터에 대한 통계 분석을 통해 보다 적절하고 정확한 모니터링 시스템을 구축할 수 있게 되었죠.

특히 고무적인 것은 데이터 웨어하우스 운영 기간이 늘어나면서 얻은 변화입니다. 데이터 웨어하우스를 구축한 시간이 축적되면서, 이제는 단순한 주간/월간 사이클 분석을 넘어 연간 사이클까지 파악할 수 있게 되어, 모니터링 프로세스에서 이상치에 대한 판단이 한층 더 정교해졌습니다. 축적된 데이터를 토대로 일별 노이즈를 제거하고, 세분화된 Ad Unit과 Mediation Group 지표에 대해서도 이상치를 판단할 수 있게 되었죠. 이를 통해 실제로 대응이 필요한 이슈와 참고용 이슈를 명확히 구분하여 모니터링할 수 있게 되었습니다.

‍

‍

광고 지표의 효율적 분석을 넘어, 또 다른 중요한 이점은 광고 데이터와 서비스/제품 데이터를 유기적으로 연결할 수 있게 된 것입니다. 데이터 웨어하우스를 통해 이 두 영역의 데이터가 한곳에서 통합되면서, 단순한 ARPDAU 지표를 넘어 광고가 실제 서비스에 미치는 영향을 종합적으로 분석할 수 있게 되었습니다. 이는 단순히 두 데이터를 나란히 보는 것이 아니라, 광고 수익과 사용자 경험 사이의 미묘한 균형점을 찾아내는 데 결정적인 도움이 되었습니다.

예를 들어, "새로 추가된 광고 지면이 유저 리텐션에 부정적 영향을 미치지는 않을까?" 혹은 "특정 광고 지면에 10번 방문하던 유저가 5번으로 줄어드는 것은 아닐까?" 와 같은 심층적인 질문들에 데이터 기반으로 답할 수 있게 되었죠. 나아가 이와 같은 질문들의 지표화를 통해 광고와 제품 양쪽의 데이터 해상도를 함께 높여, 변동사항을 지속적으로 모니터링할 수 있게 되었습니다.

여기서 한 걸음 더 나아가, 사용자의 행동 로그는 물론 미디에이션/네트워크사에서 제공하지 않는 latency와 같은 데이터까지 자체적으로 로깅하고 적재하게 되었습니다. 이 latency 데이터는 광고 로딩으로 인한 사용자 경험 저하를 최소화하면서도, 수익을 극대화하는 데 핵심적인 역할을 하게 되었습니다. 이렇게 구축된 통합 데이터 웨어하우스는 빈틈없는 데이터 분석 환경을 제공하며, 보다 정교한 의사결정을 가능하게 만들었습니다.

‍

데이터가 알려주는 새로운 시드

이렇게 향상된 데이터 해상도는 광고 수익화 전략에 있어 전에 없던 새로운 가능성을 열어주었습니다. 광고 수익화에서 가장 중요한 것은 지속적인 실험을 통한 노하우 축적인데, 이제는 단순한 수익 데이터를 넘어 각 지면의 시즈널리티와 DAU 등 다양한 변수를 복합적으로 고려한 분석이 가능해졌습니다. 이를 통해 각 실험의 실효성을 더욱 정확하게 판단하고, 시기별로 차별화된 수익화 전략을 구사할 수 있게 되었습니다.

그리고, 이런 통합된 데이터 환경은 자연스럽게 새로운 가설을 발굴하는 토양이 되었습니다. 광고 지면에서 발생하는 다양한 현상들을 광고 데이터와 서비스 데이터 양쪽에서 들여다보며, 더 깊이 있는 해석이 가능해진 것입니다. 예를 들어, Waterfall 설정의 Floor Price를 세분화하여 분석하고 이를 바탕으로 가변적인 가격 Price를 구상해볼 수 있었습니다. 또한 미디에이션 콘솔이 보여주는 직접적인 실험 결과를 넘어, 특정 광고 실험이 전반적인 사용자 경험과 장기적인 수익에 미치는 영향까지 파악할 수 있게 되었습니다. 이러한 심층 분석을 통해 도출된 인사이트들은 자연스럽게 다음 실험의 밑거름이 됩니다.

‍