- 광고가 단기 클릭/전환 외에 사용자 인식과 태도에 어떤 긍정적 변화를 일으켰는지 측정하는 기법
- 광고를 본 사람과 보지 않은 사람의 브랜드 인지도/호감도/구매 의사 차이를 수치화
- 클릭 기반 퍼포먼스 광고로는 설명하기 어려운 브랜드 캠페인/영상 광고 성과 평가에 필수
- 프로세스는 실험군과 대조군 설정 → 측정 방식 선택 → 인과 효과 분석 및 유사 집단 매칭 → 리프트 효과 측정 및 브랜드 가치 평가 순으로 이어짐
실험군과 대조군 설정 : 광고 노출 그룹(실험군)과 비노출 그룹(대조군)을 구성. 두 그룹에 “이 브랜드를 알고 있습니까?”, “구매 의향이 있습니까?” 같은 문항을 묻고 응답 차이를 분석. 예를 들어 노출 그룹 45%, 비노출 그룹 37%라면 브랜드 리프트는 8%포인트
측정 방식
- 설문 기반 : Google/Meta/TikTok 등 플랫폼 내장 도구로 자동으로 실험군/대조군을 나눠 설문 수집. 실시간 리포트 제공
- 행동 데이터 기반 : 설문 없이 로그 데이터로 분석. 광고를 본 그룹이 브랜드 이름 검색, 웹사이트 재방문, 관련 페이지 체류 시간 등에서 차이가 있는지 PySpark로 비교
인과 효과 분석 및 유사 집단 매칭 : "광고 외에는 거의 비슷한 조건의 사용자 그룹"을 찾아 행동 차이를 비교하는 것이 핵심. 성향 점수 매칭/최근접 이웃 매칭으로 처리 집단과 통제 집단의 특성 차이를 최소화. 인과추론 라이브러리 활용
- DoWhy : 광고 노출과 브랜드 검색 행동 간 인과관계 정의 및 추정
- EconML : 머신러닝 기반 인과 효과 계산
- CausalML : 유사 집단 매칭과 효과 추정에 특화(우버 개발)