중복노출을 제거한 통합 도달률

더하면 안 된다는 것까지는 안다

TV 도달률 50%와 유튜브 도달률 40%를 집행했다고 할 때 그 캠페인이 닿은 사람이 90%가 아니라는 사실은 광고 실무에서 상식에 가깝다. 두 매체를 모두 본 사람이 양쪽에 한 번씩 세어지기 때문이고, 그 겹친 몫을 빼지 않으면 닿지 않은 사람에게까지 닿았다고 보고하게 되며, 매체를 섞는 이유 자체가 한 매체의 도달에 상한이 있기 때문이라는 점을 떠올리면 이 숫자는 캠페인 설계의 출발점에 놓인다. 문제는 그 다음이다. 그래서 얼마를 빼야 하는지를 물으면 실무에서 돌아오는 답이 대체로 없다.

겹친 몫을 중복 도달이라 하고, 그것을 걷어 낸 값을 통합 도달률 또는 순도달이라 한다. 이 글은 그 숫자를 어떻게 구하는지, 그리고 교과서가 주는 공식이 실제와 얼마나 어긋나는지를 정리한다.

교과서 공식과 그 안에 숨은 가정

가장 널리 쓰이는 식은 단순하다. 어느 매체로도 닿지 않을 확률을 모두 곱한 뒤 전체에서 빼는 방식이다.

통합 도달률 = 1 − (1 − r₁)(1 − r₂) … (1 − rₙ)

TV 50%와 유튜브 40%를 넣으면 1 − 0.5 × 0.6 = 0.7, 곧 70%가 나온다. 단순 합 90%와 20%p 차이가 나며, 그 20%p가 양쪽을 다 본 사람이다. 이 사이트의 중복도달 계산기도 이 식을 쓴다.

여기에는 조건이 하나 깔려 있다. TV를 본 사람이 유튜브도 볼 확률이, 그 사람이 TV를 봤다는 사실과 아무 상관이 없어야 한다는 조건이다. 두 매체의 이용이 서로 독립이라는 가정이고, 통계에서 무작위 중복(random duplication)이라 부른다.

실제 사람은 그렇게 움직이지 않는다. TV를 많이 보는 사람은 대체로 집에 머무는 시간이 길고, 유튜브를 많이 보는 사람은 이동 중에도 화면을 본다. 매체 이용은 생활 패턴을 공유하므로 서로 얽혀 있으며, 그래서 실제 중복은 곱한 값보다 크거나 작게 나온다. 어느 쪽으로 얼마나 어긋나는지는 매체 조합마다 다르며, 그것은 따져서 알 일이 아니라 재서 알 일이라고 보아야 한다.

조정계수 k

이 어긋남을 다루는 고전적인 방법은 Lancaster와 Katz(1989)가 제시한 비확률 결합이다. 중복 항에 계수 하나를 붙여 실제 데이터가 말하는 만큼 키우거나 줄이는 방식이다.

통합 도달률 = r₁ + r₂ − k × (r₁ × r₂)

k가 1이면 앞의 교과서 공식과 같아진다. k가 1보다 크면 두 매체를 겹쳐 보는 사람이 독립 가정보다 많다는 뜻이고, 1보다 작으면 서로 다른 사람에게 닿고 있다는 뜻이다. 국내 연구는 이 아이디어를 확장해 도달률 항에도 각각 계수를 붙였고(Park, Bae & Lee, 2010), 세 매체를 두 단계로 결합하는 방식으로 늘렸다(Lee, 2013).

그러므로 문제는 k를 어디서 얻느냐로 옮겨 간다. k는 이론에서 나오지 않고 데이터에서 나온다. 같은 사람이 여러 매체를 어떻게 이용했는지를 한자리에 기록한 자료, 곧 싱글소스 패널이 있어야 구할 수 있으며, 그 자료를 가진 쪽과 갖지 못한 쪽의 차이가 결국 추정의 정확도를 가를 것으로 보인다.

실제로 재 보면 k는 얼마인가

필자가 참여한 연구에서 닐슨코리아의 싱글소스 데이터로 이 계수를 추정한 적이 있다(박현수·이인성·이도율, 2021). 2018년 3월과 2019년 3월, 2019년 5월 세 시점에 걸쳐 광고 캠페인 3,300여 건을 모아 TV와 PC, 모바일 세 매체의 통합 도달률 예측 모형을 세웠고, 결과는 다음과 같았다.

이 표가 말하는 바는 두 가지다. 첫째, 교과서 공식은 크게 틀리지 않는다. 두 매체 조합의 계수가 1에서 5% 안팎을 오가므로, 급하게 어림할 때 독립 가정을 쓰는 것이 터무니없는 선택은 아니다. 둘째, 조합마다 방향이 다르고 매체 수가 늘수록 어긋남이 커진다. TV와 PC는 겹쳐 보는 사람이 가정보다 많은 반면 TV와 모바일은 오히려 적으며, 세 매체를 한꺼번에 본 사람을 다루는 항에서는 1이 아니라 0.631이 나왔다.

한편 같은 연구에서 통합 도달률을 가장 크게 끌어올리는 매체는 TV였고, 중복을 가장 많이 만들어 내는 조합은 TV와 모바일이었다. 3스크린에 모두 집행한 캠페인의 평균 통합 도달률은 2018년 3월 54.0%에서 2019년 3월 51.7%로 소폭 내려갔으며, 같은 기간 TV와 PC의 중복은 줄고 모바일이 낀 조합의 중복은 늘었다. 한 해 사이에도 중복 구조가 움직인다는 뜻이고, 작년에 쓴 계수를 올해 그대로 쓰면 틀린다는 실무적 함의가 여기서 나온다.

더 큰 문제는 넣는 숫자에 있다

그러나 계수를 아무리 정교하게 다듬어도 식에 넣는 도달률 자체가 틀리면 소용이 없다. 같은 연구에서 디지털 광고를 집행한 브랜드 열한 곳을 골라 매체사가 보고한 노출량과 싱글소스 패널로 추정한 노출량을 맞춰 보았는데, 둘의 차이가 평균 2.7배였다. 가장 크게 벌어진 브랜드는 매체사 쪽 숫자가 8.8배였고, 반대로 매체사가 더 작게 보고한 브랜드도 있었다.

그런데 이 격차는 한쪽이 거짓말을 해서 생기는 것이 아니라 세는 단위가 달라서 생긴다. 매체사는 자사 플랫폼 안에서 광고가 몇 번 재생되었는지를 기기나 계정을 기준으로 세는 반면, 싱글소스 패널은 같은 사람이 여러 기기에서 본 것을 한 사람으로 묶는다. 한 사람이 스마트폰과 PC, 거실 TV에서 같은 광고를 보면 플랫폼 집계에서는 두세 명이 된다.

그러므로 디지털 매체의 도달률을 플랫폼 보고서에서 그대로 가져와 공식에 넣는 순간, 통합 도달률은 이미 부풀려져 있다. 중복을 걷어 내는 계산을 아무리 정확히 해도 들어간 값이 큰 쪽으로 기울어 있으면 결과도 그만큼 기울어질 수밖에 없는 것이다.

디지털 안에서도 같은 문제가 되풀이된다

지금까지의 이야기는 TV와 디지털이라는 이종 매체의 결합을 전제로 한 것이다. 그런데 요즘 캠페인에서 디지털 예산은 유튜브와 인스타그램, 네이버, 카카오, OTT로 다시 쪼개지므로 디지털 안에서도 같은 중복 문제가 그대로 반복된다. 그리고 이쪽이 더 어렵다. 플랫폼마다 사람을 세는 기준이 다르고, 각자 자사 상품 안의 중복만 걷어 낸 값을 내놓기 때문이다.

유튜브와 SMR을 대상으로 두 매체의 통합 도달을 추정한 연구에서도 같은 방식이 쓰였다(이인성·정진완, 2020). 각 매체의 도달 곡선으로 도달률을 먼저 구한 뒤 중복을 제거해 결합하는 구조이며, 예산 배분 시나리오마다 이 계산을 반복하면 디지털 안에서 도달을 최대로 만드는 비율을 찾을 수 있다. 원리는 TV와 디지털 사이에서 본 것과 다르지 않으며, 플랫폼이 늘어날수록 이 계산의 값어치도 함께 커질 것으로 판단된다.

실무에서 무엇을 할 것인가

첫째는 단순 합을 보고서에서 걷어 내는 일이다. 매체별 도달률을 더한 숫자가 표 어딘가에 남아 있으면 누군가는 반드시 그것을 캠페인 도달률로 읽는다.

둘째는 쓰고 있는 식의 가정을 밝혀 두는 일이다. 독립 가정으로 계산했다면 그 사실을 각주로라도 적어야 한다. 가정이 적혀 있지 않은 숫자는 시간이 지나면 측정값으로 둔갑한다.

셋째는 넣는 값의 출처를 가르는 일이다. 플랫폼이 준 기기 기준 도달률과 패널 조사의 사람 기준 도달률은 다른 숫자이며, 한 표에 섞어 놓으면 뒤에 어떤 계산을 해도 복구되지 않는다.

넷째는 계수를 쓸 수 있는 조건을 갖추는 일이다. 싱글소스 자료가 있다면 매체 쌍별 계수를 추정해 쓰고, 없다면 독립 가정으로 계산하되, 세 매체 이상에서는 통합 도달률이 과대 추정된다는 점을 감안해 읽는 편이 안전할 것이다.

남는 문제

통합 도달을 정확히 재려면 같은 사람의 여러 매체 이용을 한자리에서 기록한 데이터가 필요한데, 이 자료를 구하기는 갈수록 어려워지고 있다. 기기와 계정으로 쪼개진 식별자는 좁아지고 있으며, 플랫폼은 자사 울타리 밖의 중복을 알려 줄 유인이 없다.

그렇다면 당분간은 완전한 답 대신 가정을 분명히 적은 추정치로 일하게 될 것으로 보인다. 중요한 것은 숫자의 소수점이 아니라 그 숫자가 어떤 가정 위에 서 있는지를 보고서를 읽는 사람이 알 수 있게 해 두는 일이며, 그렇게 해 둔 추정치만이 다음 해에 고쳐 쓸 수 있는 자산이 된다.

참고문헌

• 박현수, 이인성, & 이도율 (2021). TV/PC/Mobile 3-screen 광고 통합 노출 효과 모델링: 싱글소스 데이터 사례연구. 광고학연구, 32(1), 7-31.
• 이인성, & 정진완 (2020). 디지털 미디어 동영상광고 도달률 예측모델 연구: YouTube와 SMR을 중심으로. 동서언로, 49, 39-61.
• 이인성, & 박현수 (2019). TV와 디지털 매체에서 GRPs-Reach n+ 예측 모델 개선 연구. 한국방송학보, 33(5), 191-220.

본문에 나온 Lancaster & Katz(1989)의 비확률 결합, Park, Bae & Lee(2010), Lee(2013)의 확장은 위 2021년 논문이 정리한 계보를 따랐다. 각 원전의 서지사항은 그 논문의 참고문헌에 있다.