아무것도 모르는 사람에게 광고를 어떻게 개인화할까요? 솔직한 답은 개인 수준에서는 불가능하다는 것입니다. 하지만 카테고리에 관심 있는 사람들을 충분히 이해할 수 있고, 몇 가지 신호만으로 신규 사용자를 알맞은 페르소나에 매칭할 수 있습니다. 이것이 실행 가능한 콜드 스타트 전략의 핵심입니다.
업계가 전통적인 오디언스 데이터의 대안을 얼마나 절박하게 찾고 있는지는 Digiday의 최근 보도에서 드러납니다. 합성 오디언스가 실험 단계를 벗어나 일상적인 플래닝과 전략 업무로 들어오고 있습니다. Aveeno Body는 Vurvey의 합성 리서치를 활용해 전략 브리프에 걸리는 시간을 약 30일에서 사흘로 줄였습니다. Goodway Group은 미국, 영국, 독일 소비자로 이루어진 Arima의 ‘합성 인구’를 미디어 플래닝에 활용합니다.
광고에서 콜드 스타트 문제란 무엇인가요?
이 용어는 추천 시스템의 세계에서 왔습니다. 행동을 통해 학습하는 시스템에는 학습할 행동이 필요한데, 신규 사용자에게는 아직 그것이 없습니다. 그래서 시스템은 평균을 내놓습니다. 베스트셀러, 일반적인 메시지, 모두에게 조금씩 통하지만 누구에게도 제대로 통하지 않는 광고입니다.
광고에서는 문제가 더 심각해집니다. 여러 브라우저가 서드파티 쿠키를 기본적으로 차단하고, 독일에서는 동의 배너가 일상이며, 모든 사람이 ‘모두 수락’을 누르지는 않습니다. 구매한 세그먼트라는 전통적인 출구는 데이터 보호법상 까다로워졌고, 어차피 사람들이 왜 구매하는지는 거의 알려 주지 않습니다. GDPR의 영향이 큰 DACH 지역(독일, 오스트리아, 스위스)에서 “데이터를 더 사 오면 된다”는 더 이상 전략이 아닙니다.
데이터를 더 모아도 문제가 풀리지 않는 이유
데이터 품질 연구에는 이에 대한 냉정한 공식이 있습니다. 데이터는 목적 적합성만큼만 좋다는 것입니다. 정확성만으로는 충분하지 않습니다. 데이터는 관련성이 있고, 최신이며, 구체적인 질문에 맞아야 합니다. 문헌에서는 이를 ‘fitness for use’라고 부릅니다.
‘25~34세 여성, 뷰티에 관심’ 같은 구매 세그먼트는 표현이 정확합니다. 그럼에도 ‘이 사람이 우리 제품을 써 보게 만드는 것은 무엇인가?’라는 질문에는 거의 쓸모가 없습니다. 속성은 설명하지만 동기는 설명하지 않기 때문입니다. 인게이지먼트는 숫자가 아니라 이해에서 태어납니다.
콜드 스타트에서 결정적인 자원은 개별 사용자의 이력이 아니라 카테고리의 동기, 걱정, 언어에 대한 탄탄한 그림이라는 뜻입니다. 그리고 그 그림은 공개적으로 접근할 수 있는 콘텐츠에서 그릴 수 있습니다.
공개 콘텐츠로 페르소나는 어떻게 만드나요?
사람들은 구매하는 이유, 혹은 구매하지 않는 이유를 공개적으로 놀랄 만큼 많이 이야기합니다. 브랜드 게시물 댓글, 제품 리뷰, 크리에이터 영상, 포럼 스레드에서입니다. 이런 콘텐츠를 수집해 주제와 텐션별로 클러스터링하고 페르소나로 정리할 수 있으며, 지어낸 프로필 대신 실제 인용문이 따라옵니다.
전통적인 워크숍 페르소나와의 차이는 팀이 가정하는 모습이 아니라 사람들이 실제로 하는 말에 근거한다는 점입니다. Digiday는 이와 관련된 접근을 소개합니다. 브랜드 Sacheu를 위해 Limitless Labs는 크리에이터 생태계의 수천 개 TikTok과 Instagram 영상을 분석해 페르소나를 만듭니다.
독일 시장에서 중요한 점은 이런 페르소나가 패턴과 그룹 수준에서 작동한다는 것입니다. 첫 메시지를 고르기 위해 개별 사용자의 프로필이 필요하지 않습니다. 구체적인 구성에 대한 법적 판단은 여전히 데이터 보호 자문가와 상의해야 합니다.
콜드 스타트에는 어떤 접근법이 있나요?
| 접근 방식 | 데이터 기반 | 강점 | 약점 |
|---|---|---|---|
| 구매한 서드파티 세그먼트 | 외부 프로필, 쿠키 | 빠르게 확보 가능 | 동기에 대한 통찰이 거의 없음, 데이터 보호법상 까다로움 |
| 맥락 타기팅 | 환경, 시간, 위치, 기기 | 개인 데이터 없이 작동 | 동기에 대해 알려 주는 바가 적음 |
| 제로파티 데이터 | 퀴즈나 온보딩에서 얻은 응답 | 직접적이고 동의 기반 | 참여한 사람의 것만 확보됨, 퍼널에 마찰 발생 |
| 합성 오디언스 | 설문, 통계, 패널 데이터 기반 모델 | 반응의 빠른 시뮬레이션 | 평균으로 쏠림, 품질이 입력 데이터에 좌우됨 |
| 공개 콘텐츠로 만든 페르소나 | 댓글, 리뷰, 크리에이터 콘텐츠, 경쟁사 광고 | 카테고리의 실제 동기와 언어 | 개별 사용자와 매칭하려면 신호가 필요함 |
어떤 접근법도 혼자서는 문제를 해결하지 못합니다. 실무에서는 공개 콘텐츠로 만든 페르소나가 가설을, 맥락 신호가 매칭을, 퍼스트파티 데이터가 검증을 제공합니다.
콜드 스타트 개인화를 여섯 단계로 실행하려면?
- 카테고리 대화를 수집합니다. 최근 몇 달간의 댓글, 리뷰, 크리에이터 콘텐츠, 경쟁사 광고를 모읍니다. 브랜드뿐 아니라 카테고리 전체가 대상입니다.
- 페르소나와 텐션을 만듭니다. 콘텐츠를 동기와 걱정별로 클러스터링합니다. 시작하기에는 뚜렷하게 구분되는 페르소나 3~5개면 충분합니다.
- 페르소나마다 가설을 하나씩 씁니다. 어떤 메시지, 어떤 훅, 어떤 오퍼가 맞을까요? 페르소나마다 전용 크리에이티브 변형을 최소 하나씩 개발합니다.
- 매칭 신호를 정의합니다. 랜딩 페이지, 검색어, 맥락, 캠페인 유입 경로, 첫 클릭 중 어떤 신호가 어떤 페르소나를 가리키는지 정합니다.
- 탐색을 포함해 집행합니다. 집행 물량의 일부를 가정한 페르소나에 맞지 않는 변형에 배정합니다. 그래야 시스템이 자기 가정을 확인하는 데 그치지 않고 계속 학습합니다.
- 퍼스트파티 데이터를 되먹입니다. 상호작용마다 매칭이 정교해집니다. 대화는 변하므로 페르소나를 정기적으로 업데이트합니다.
합성 오디언스는 콜드 스타트에 얼마나 유용한가요?
한계를 안다면 꽤 유용합니다. Digiday 보도에서는 당사자들조차 유보적인 입장을 밝힙니다. Vurvey CEO Chad Reynolds는 대규모 언어 모델이 종형 곡선의 정점, 즉 가장 흔한 답을 내놓는다고 말합니다. TransUnion의 Julie Clark는 부실한 입력 데이터로 만든 페르소나를 경고합니다. Code & Theory의 Stef Hoffman은 결과가 판단에 정보를 줄 뿐 판단을 대체하지는 않는다고 깔끔하게 정리합니다.
바로 여기서 공개 콘텐츠가 진가를 발휘합니다. 공개 콘텐츠는 시뮬레이션이 아니라 증거입니다. 어떤 페르소나가 해당 카테고리 사람들이 무엇보다 잘못 살까 봐 두려워한다고 주장한다면, 그 주장의 출처가 된 게시물을 볼 수 있어야 합니다. 추적할 수 없는 페르소나는 그저 주장일 뿐입니다.
Defy Monitor는 이 길을 택합니다. 오디언스 콘텐츠를 페르소나와 텐션으로 자동 클러스터링하고, 인구통계가 아닌 실제 대화에서 플래닝을 시작합니다. 대형 네트워크가 막대한 비용을 들여 구축한 것과 같은 분석 역량을 독립 에이전시에 제공하는 Defy 플랫폼의 구성 요소 중 하나입니다.
콜드 스타트 전략이 효과가 있는지 어떻게 알 수 있나요?
페르소나 기반 변형을 일반 대조군과 비교합니다. 가장 많은 것을 알려 주는 지표는 신규 사용자의 초기 수치입니다. 첫 광고와의 상호작용, 첫 방문의 깊이, 첫 전환까지 걸리는 시간입니다. 페르소나 변형이 앞서지 않는다면 그것은 실패가 아니라 단서입니다. 페르소나가 빗나갔거나 매칭 신호가 너무 약하다는 뜻입니다.
