#002. 퍼포먼스 마케팅과 A/B 테스트 *본 게시물은 원문을 써머리하여 재구성 하였습니다. 'Split 테스트'라고도 불리는 'A/B 테스트'는 고객군을 나누어서 마케팅 캠페인을 달리 적용하

#002. 퍼포먼스 마케팅과 A/B 테스트 *본 게시물은 원문을 써머리하여 재구성 하였습니다. 'Split 테스트'라고도 불리는 'A/B 테스트'는 고객군을 나누어서 마케팅 캠페인을 달리 적용하고 어느 것이 최적인지를 확인하고 선택하는 일종의 마케팅 실험입니다. 오프라인 매장의 홍보 전단지를 예로 들어 보겠습니다. A버전과 B버전의 전단지를 만듭니다. 날짜가 편향되지 않게 구분하여 각기 다른 버전의 전단지를 뿌리고 반응을 봅니다. 어떤 버전의 전단지를 뿌린 날 더 많은 손님이 매장에 방문하는지. 이를 통하여 우리는 더 나은 홍보 전단지가 무엇인지 체크할 수 있습니다. 디지털 마케팅으로 따지면 어느 마케팅 소재가 더 많은 클릭을 일으키는지 CTR(Click Through Rate), CPC(Cost Per Click)를 체크하고 더 나은 광고 소재로 최적화 할 수 있는 것이죠. 다른 예를 들어볼게요. 매장 디스플레이를 격주로 바꿔보았을 때 매장에 방문한 고객이 구매로 이어지는 확률을 비교해 보는 것입니다. 이 또한 디지털 마케팅의 관점에서 본다면 광고를 클릭해서 온라인몰에 들어온 고객이 상세페이지를 보고 얼마나 구매를 하는지(전환율 : CVR, Conversion Rate)를 체크하면서 상세페이지를 최적화 할 수 있겠죠? 이처럼 A/B 테스트는 마케팅의 성과 즉, 퍼포먼스(Performance)를 높이는 핵심입니다. 그러나 A/B 테스트에는 몇 가지 단점이 있습니다. 1. 개인의 선호도보다 소재(페이지) 선호도가 기준(일종의 다수결) 2. 기존 캠페인의 A/B 테스트 결과로써 도출된 인사이트를 새로운 캠페인에 반영하여 개선할 수는 있지만 데이터 자체가 연속성을 가지기는 어려움 3. 캠페인 초기 A/B 테스트 기간 내 광고 효율 낮음 그래서 더 나은 방법을 찾고자, 유저가 검색 했을 때 최적의 결과를 보여주는 사후 반응(reactive) 시스템에서 미리 유저의 성향을 예측해서 추천하는 선제적 반응(Proactive)으로 퀀텀점프를 한 다수를 플랫폼에서 '조건부 확률'이라는 힌트를 발견하게 됩니다. "오늘 아침에 구름이 끼었다면 오후에 비가 올 조건부확률은 60%다." 데이터 과학자들은 다음과 같이 조금 더 간결하게 표현합니다. P(오후 비 | 아침 구름) = 60% P는 '확률'을 뜻하며, 수직 막대 기호 |는 '~한다면' 또는 '~라는 조건으로'를 뜻합니다. 막대 왼쪽은 우리의 관심사이고, 막대 오른쪽은 '우리가 알 고 있는 지식', 즉 우리가 사실이라고 믿거나 가정하는 '조건이 되는 사건' 입니다. 조건부확률은 OTT와 같은 플랫폼에서 유저가 좋아할 만한 콘텐츠를 예측해서 추천할 때 사용되는 개념으로 이해하셔도 좋습니다. 예를 들어 "A 감독의 P 작품을 좋아하는 사람이 M 작품을 좋아할 조건부확률은 88%이다."와 같이 말이죠. 사용자가 늘어날수록, 이로부터 데이터가 축적될수록 조건부확률이 반영된 알고리즘 추천의 정확도가 높아집니다. 이처럼 기업에서도 퍼포먼스 마케팅을 할 때 조건부확률을 활용하여, 개개인의 취향을 예측해서 광고 소재 및 상세페이지를 개인화하면 어떨까요? 이미 광고 플랫폼의 머신러닝(Machine Learning)에는 이런 부분이 적용되고 있을 것입니다. 다만 직접 기획하고 진행하는 기업 혹은 개인이 이런 부분을 내재화할 경구 단순 A/B 테스트를 할 때보다 그 효용이 더 클 것이며, 시간이 지남에 따라 쌓이는 데이터는 거대한 자산으로 남을테죠. 원문 https://brunch.co.kr/@kap/282