Privacy-Aware Adaptive Diffusion-Propensity Mapping for E-Commerce Advertising Targeting

광활하고 소란스러운 온라인 광고의 풍경 속에서, 마케터들을 괴롭히는 한 가지 지속적인 질문이 있습니다. 바로 고객에게 말을 걸기 위해 누구에게 비용을 지불해야 하는가 하는 점입니다. 수년 동안 그 답은 명확해 보였습니다. 논리는 간단했습니다. 가장 많은 팔로워를 보유한 사람, 가장 큰 군중을 거느린 사람을 찾아, 더 큰 규모의 관객이 자동으로 더 많은 주의를 끌 것이라고 가정하는 것이었습니다. 이 접근 방식은 인기를 영향력의 직접적인 척도로 취급하며, 수백만 명이 보고 있다면 수백만 명이 듣고 있을 것이라고 가정합니다. 그러나 인간 관계의 실체는 훨씬 더 복ло phức (복잡)합니다. 사람들은 진공 상태에 존재하지 않습니다. 그들은 중첩되는 집단에 속해 있고, 특정한 관심사를 공유하며, 서로 다른 커뮤니티 사이를 이동합니다. 어떤 사람은 엄청난 팔로워를 가졌지만 오직 하나의 좁은 집단에게만 말할 수도 있는 반면, 팔로워가 적더라도 독특한 교차점에 위치하여 결코 만나지 않을 서로 다른 세계들을 연결하는 사람도 있을 수 있습니다. 이러한 규모와 구조적 위치 사이의 차이는 메시지를 전달할 대상을 선택하는 방식을 재정립하고자 하는 새로운 연구의 핵심입니다.

이 연구를 수행한 연구진은 구체적인 아이디어를 테스트하고자 했습니다. 즉, 팔로워 수를 단순히 세거나 과거의 '좋아요'를 살펴보는 전통적인 방식보다, 스마트하고 적응적인 광고주 선택 시스템이 더 뛰어난 성과를 낼 것이라는 아이디어입니다. 그들은 단순히 한 크리에이터가 얼마나 많은 사람을 알고 있는지가 아니라, 그 사람들이 서로 어떻게 연결되어 있는지, 그리고 판매되는 특정 제품과 어떻게 연결되어 있는지를 보는 모델을 구축했습니다. 크리에이터를 단순히 숫자가 옆에 붙은 점이 아니라, 서로 다른 관심사의 섬들을 연결하는 다리로 상상해 보십시오. 이 연구는 이러한 '다리'를 이해하고, 캠페인의 구체적인 요구사항과 동일한 메시지를 동일한 집단에 반복하지 않도록 하는 규칙을 결합한 시스템이 기존의 방식보다 더 나은 결과를 찾을 수 있는지 묻습니다.

이를 위해 연구팀은 117명의 콘텐츠 크리에이터로 구성된 공개 데이터셋을 활용했습니다. 그들은 지저분하거나 개인적인 정보가 포함될 수 있는 실제 팔로워 리스트를 사용하지 않았습니다. 대신, 이들이 무엇에 대해 이야기하는지와 그들의 관객이 어디에 거주하는지를 기반으로 한 새로운 종류의 지도를 만들었습니다. 만약 두 크리에이터가 영화나 스포츠와 같은 동일한 주제를 다루고 관객이 동일한 국가에 있다면, 연구진은 그들 사이에 선을 그었습니다. 이 선의 강도는 그들이 공유하는 요소가 얼마나 많은지에 따라 결정되었습니다. 이를 통해 연구진은 광고의 '기회 공간(opportunity space)'을 나타내는 네트워크, 즉 누가 동일한 주의를 두고 경쟁하며 누가 서로 다른 시장을 연결하는지에 대한 지도를 만들었습니다. 이 지도 위에서 연구진은 각 크리에이터가 서로 다른 집단 사이의 다리 역할을 얼마나 잘 수행할 수 있는지, 즉 '브로커리지(brokerage)' 개념을 계산했습니다. 또한 단순히 군중의 크기가 아닌, 실제 주의를 얼마나 끌었는지 측정하기 위해 콘텐츠에 대한 실제 참여도를 조사했습니다.

그 후 연구진은 대규모 시뮬레이션을 실행했습니다. 그들은 특정 제품과 특정 국가를 염두에 둔 1,000가지의 서로 다른 광고 시나리오를 만들었습니다. 각 시나리오마다 메시지를 전달할 다섯 명의 크리에로를 선정하기 위해 네 가지 다른 전략을 테스트했습니다. 첫 번째 전략은 기존 방식인 팔로워 수가 가장 많은 다섯 명을 뽑는 것이었습니다. 두 두 번째는 주제와 상관없이 참여율이 가장 높은 다섯 명을 뽑는 것이었습니다. 세 번째는 캠페인 내용과 상관없이 네트워크 내에서 가장 뛰어난 다리 역할을 하는 다섯 명을 뽑는 것이었습니다. 네 번째는 가장 복잡한 적응형 전략이었습니다. 이 방법은 세 가지 사항을 지속적으로 확인하며 크리에이터를 한 명씩 선정했습니다. 해당 크리에이터가 좋은 참여 기록을 가지고 있는가? 캠페인의 특정 주제 및 국가에 부합하는가? 그리고 결정적으로, 이미 그들의 커뮤니티에서 누군가를 뽑았는가? 만약 어떤 크리에이터가 이미 선택된 사람과 너무 유사하다면, 시스템은 다른 집단의 사람들에게 도달할 수 있도록 그들의 점수를 낮추어 다른 대안을 찾도록 유도했습니다.

결과는 명확하고 결정적이었습니다. 단순히 팔로워 수를 쫓았던 전략이 약 627만 건의 유효 참여를 생성하며 가장 낮은 성과를 보였습니다. 과거의 참여도만을 고려한 전략은 약 1,132만 건에 도달하며 더 나은 성과를 냈지만, 여전히 관련성 측면에서는 부족했습니다. 네트워크 구조만을 고려한 전략은 팔로워 수 방식보다는 약간 나았으나, 다리가 잘못된 곳으로 향한다면 그저 다리일 뿐이라는 점을 입증하듯 큰 차이를 보이지 못했습니다. 모든 요소를 결합한 적응형 전략은 평균적으로 거의 1,400만 건의 유효 참여를 생성했습니다. 이는 참여도 중심의 최선 전략보다 23.5% 개선된 수치이며, 팔로워 수 기반 전략보다는 두 배 이상의 성과를 거둔 것입니다. 데이터는 '더 많은 팔로워가 항상 더 많은 영향력을 의미한다'는 기존의 믿음이 틀렸음을 보여주었습니다. 실제로 연구 결과, 팔로워 수와 참여도 사이에는 부정적인 관계가 있음이 밝혀졌습니다. 즉, 가장 큰 계정들이 종종 가장 낮은 참여도를 보였습니다.

연구는 최고의 크리에이터를 찾는 것을 넘어, 개인정보 보호에 관한 질문도 던졌습니다. 데이터 보호 규정이 엄격해지는 세상에서, 데이터에 약간의 노이즈를 추가하더라도 여전히 스마트한 결정을 내릴 수 있을까요? 연구진은 크리에이터의 점수를 약간씩 뒤섞어, 정확한 수치가 숨겨진 상황을 시뮬레이션함으로써 이를 테스트했습니다. 그 결과, 데이터에 불확실성이 추가되었음에도 불구하고 적응형 시스템은 놀라울 정도로 강력한 성능을 유지했습니다. 데이터가 중간 수준으로 왜곡되었을 때도 시스템은 의사결정 가치의 94.1%를 유지했습니다. 이는 기업이 올바른 선택을 하기 위해 개인에 대한 모든 세부 사항을 알 필요는 없으며, 약간 흐릿한 그림만으로도 충분히 올-바른 길을 찾을 수 있음을 시사합니다.

이 연구는 광고의 미래가 균형 잡힌 접근 방식에 있다고 결론짓습니다. 팔로워 수와 같은 단일 수치에 의존하거나, 정적인 연결 지도에만 의존하는 것만으로는 부족합니다. 가장 효과적인 방법은 크리에이터의 과거 성과 기록을 캠페인의 구체적인 요구사항 및 관객의 다양성과 함께 가중치를 두어 고려함으로써, 특정 순간에 적응하는 방식입니다. 단순히 인기 있는 사람이 아니라 구조적으로 중요하고 관련성이 높은 크리에이터를 선택하고, 선택된 그룹이 광범위한 커뮤니티를 포괄하도록 보장함으로써, 광고주는 더 많은 사람에게 더 큰 영향력으로 도달할 수 있습니다. 이 연구는 이를 실행할 수 있는 재현 가능한 프레임워크를 제공하며, 우리가 단순한 인기 경쟁을 넘어 사람들이 어떻게 연결되어 있는지에 대한 복잡성을 수용할 때, 더 스마트하고 효율적이며 개인정보를 존중하는 선택을 할 수 있음을 보여줍니다.