리마케팅의 진화: RTB House는 어떻게 딥러닝으로 증분(Incrementality)을 증명하는가?

퍼포먼스 마케팅 시장에서 '리마케팅(Remarketing)'은 양날의 검입니다. 높은 ROAS를 보여주며 마케터들을 안심시키지만, 동시에 "이 사람들이 광고를 안 봤어도 어차피 샀을 사람들이 아닐까?"라는 근본적인 의심을 남기기 때문입니다.

이러한 의구심을 기술적으로 정면 돌파하며 급성장한 기업이 있습니다. 바로 폴란드에 본사를 둔 글로벌 애드테크 기업, RTB House입니다. 이들은 업계 최초로 자사의 모든 DSP(Demand-Side Platform) 엔진을 100% 딥러닝(Deep Learning)으로 전환하였고, 리마케팅의 진짜 성과인 증분(Incrementality)을 증명하는 데 사활을 걸고 있습니다.

RTB House가 어떻게 딥러닝을 활용하고 있으며, 리타게팅의 한계로 지적되는 성과 측정 문제를 어떻게 해결(Ghost Ads)하고 있는지 상세히 분석해 보겠습니다.

🧠 1. 머신러닝을 넘어선 딥러닝(Deep Learning) 리타게팅

일반적인 애드테크 솔루션들이 사용하는 전통적 머신러닝(ML)은 마케터가 정의한 규칙이나 정형화된 데이터(예: 장바구니에 담은 상품, 단순 클릭)에 크게 의존합니다. 하지만 2017년, RTB House는 업계 최초로 입찰 엔진 전체를 딥러닝으로 교체했습니다.

딥러닝의 도입은 리타게팅의 차원을 완전히 바꾸어 놓았습니다.

• 비정형 행동 데이터 분석: 단순한 클릭(CTR)이 아니라, 사용자가 특정 상품 페이지에 머문 시간, 방문한 서브페이지의 순서, 결제 시도 방식 등 겉으로 드러나지 않는 '숨은 맥락(Hidden layers)'을 스스로 학습합니다.
• 초개인화된 다이내믹 크리에이티브: 유저가 어떤 상품을 가장 구매할 확률이 높은지 예측할 뿐만 아니라, 배너 내에서 상품이 노출되는 '순서'까지 실시간으로 최적화합니다.
• 쿠키리스(Cookieless) 대응: 서드파티 쿠키 종말에 대비해, 시간당 150만 개의 아티클을 스캔하여 문맥을 파악하는 ContextAI 기술과 구글의 프라이버시 샌드박스 기술인 Product-Level TURTLEDOVE를 도입하여, 개인을 특정하지 않고도 정교한 추천을 가능하게 만들었습니다.

⚖️ 2. Head-to-Head 테스트의 함정: 크레딧 가로채기(Credit Capture)

광고주들은 보통 여러 리타게팅 매체(A사 vs B사)를 동시에 돌려보고, 대시보드 상에서 전환을 더 많이 잡는 매체에 예산을 몰아줍니다. 이를 Head-to-Head 테스트라고 부릅니다.

⚠️ WARNING

크레딧 가로채기 (Credit Capture) Head-to-Head 방식의 치명적인 단점은, 매체들이 "어차피 자연적으로 발생했을 오가닉 구매(Organic Sales)" 마저 자신들의 성과로 가로챈다는 점입니다. 누가 진짜 새로운 수요를 창출했는지 알 수 없는 상태에서 ROAS 숫자만 비교하는 것은 환상에 불과합니다.

이 문제를 해결하기 위해 등장한 것이 바로 증분 테스트(Incrementality Testing)입니다. "이 광고가 없었다면 발생하지 않았을 순수한 추가 매출(Causal Lift)이 얼마인가?"를 계산하는 것입니다.

👻 3. RTB House의 증명법: 고스트 애드(Ghost Ads)

증분을 측정하기 위해 RTB House는 고스트 애드(Ghost Ads)라는 진일보한 방법론을 활용합니다. 무작정 광고를 끄는 전통적인 A/B 테스트(Holdout) 방식을 개선한 기술입니다.

RTB House의 Ghost Ads 설계 방식

실험이 종료되면, 대시보드에 찍힌 전체 기여 매출(Attributed Sales) 중 진짜로 광고 때문에 발생한 매출의 비율인 증분 비율(Incrementality Ratio)을 산출해 광고주에게 투명하게 제공합니다.

🤔 4. 증분 테스트의 한계와 논쟁점

RTB House가 정교한 모델을 제시하고 있지만, 증분 테스트 자체가 마법의 지팡이는 아닙니다. 현업 마케터들이 반드시 알아야 할 현실적인 제약과 논란거리들이 존재합니다.

1. 막대한 기회비용 (Opportunity Cost)
   • 대조군(Control Group)에게 광고를 고의로 노출하지 않거나 줄이기 때문에, 이로 인해 실제로 잃어버리는 당장의 매출 손실이 발생합니다.
2. 높은 재무적/데이터 비용
   • 유의미한 증분 테스트를 하려면 브랜드 월간 전체 광고 예산의 5% ~ 10% 정도를 통제된 실험에 온전히 할당해야 합니다.
3. 규모와 안정성의 전제 조건
   • 캠페인을 시작하자마자 테스트할 수 없습니다. 머신이 충분히 학습하고 데이터가 쌓이도록 최소 2~3개월간 캠페인이 안정적으로 운영된 이후에야 테스트가 가능합니다. 트래픽이나 결제 건수가 적은 브랜드는 통계적으로 유의미한 값을 얻을 수 없습니다.
4. 크로스체크의 부담
   • 매체가 제공하는 리포트를 100% 맹신할 수 없으므로, 광고주 내부의 데이터 분석 팀이 자사의 CRM 데이터와 매체 데이터를 대조(Validation)하는 작업이 필수적입니다.

🔬 5. 학계와 시장의 검증: 고스트 애드와 리타게팅은 정말 과학적인가?

RTB House가 주장하는 기술력과 방법론은 단순한 마케팅 용어(Buzzword)가 아니라, 실제 학술 연구와 글로벌 시장 지표를 통해 교차 검증된 사실에 기반하고 있습니다.

1) Ghost Ads의 학술적 기원 (마케팅 과학의 혁신)

RTB House가 핵심 성과 측정 도구로 사용하는 'Ghost Ads(고스트 애드)' 방법론은 사실 최고 권위의 마케팅 학술지인 Journal of Marketing Research에 등재된 논문(Johnson, Lewis, & Nubbemeyer, 2017)에서 기원합니다. 해당 연구팀은 기존 A/B 테스트에서 발생하는 막대한 기회비용을 비판하며, 가짜 광고(PSA) 대신 실험군의 입찰 로그를 활용하여 대조군의 타겟을 식별해내는 고스트 애드 방법론을 고안했습니다. 연구 결과, 이 방식은 실험 비용을 획기적으로 낮추면서도 진정한 인과적 리프트(Causal Lift)를 정확히 측정할 수 있음이 수학적으로 증명되었습니다. RTB House는 이 학술적 성과를 상용 DSP 환경(80:20 분할 및 노출 빈도 제어)에 맞게 실무적으로 최적화한 것입니다.

2) 언제 리타게팅이 효과적인가? (Lambrecht & Tucker, 2013)

리타게팅의 한계에 대한 또 다른 유명한 학술 논문(Lambrecht & Tucker, 2013)은 "고객의 취향(Preference)이 아직 뚜렷하게 형성되지 않은 초기 단계에 리타게팅 광고를 노출하면 오히려 역효과가 난다"고 증명했습니다. 오직 고객이 특정 상품을 명확히 탐색하여 취향이 구체화된 순간(Specific Preference)에만 동적 리타게팅(Dynamic Retargeting)이 작동한다는 것입니다. 이는 RTB House가 전통적인 머신러닝 대신 딥러닝을 고집하는 이유를 완벽하게 뒷받침합니다. 딥러닝 알고리즘이 사용자의 서브페이지 체류 시간이나 동선 등 비정형 데이터를 깊게 파고드는 이유는, 고객의 취향이 '구체화되는 바로 그 찰나의 순간'을 포착해내기 위함입니다.

3) 금융 시장의 객관적 지표 (Financial Times 1000)

학술적 검증 외에도 RTB House의 성과는 재무적 수치로 증명되고 있습니다. 유럽 내에서 가장 빠르게 성장하는 기업을 선정하는 'FT 1000 (Financial Times & Statista)' 리스트에 2018년부터 최근까지 연속으로 선정되었습니다. 이는 이들의 딥러닝 솔루션이 실제로 글로벌 광고주들의 예산을 성공적으로 유치하고, 증분(Incrementality) 성과를 통해 계약을 유지·확장하고 있다는 강력한 시장의 증거입니다.

📊 6. 실제 시장의 평가: 성공 사례와 '블랙박스'의 그림자

그렇다면 RTB House는 현업에서 실제로 증분을 만들어내고 있을까요? 긍정적인 성공 사례와 함께, 현업 마케터들이 토로하는 치명적인 단점(그림자)을 모두 살펴보겠습니다.

긍정적 검증: 실제 증분(Lift) 창출 사례

RTB House가 공개한 다수의 글로벌 브랜드 케이스 스터디에 따르면, 딥러닝 기반 리타게팅은 명확한 성과를 거두었습니다.

• Huuuge Games: 고스트 애드를 통한 증분 검증 결과, 투입 3개월 만에 메인 리타게팅 매체로 자리 잡았으며 목표 ROAS를 3~4배 초과 달성했습니다.
• AllBeauty (뷰티 이커머스): 리타게팅 캠페인을 통한 전년 대비 매출(YoY Revenue)이 65% 증가했으며, 전체 전환율 또한 45% 상승하는 순수 리프트(Lift)를 증명했습니다.
• Hoang Ha Mobile: 머신러닝에서 딥러닝으로 전환한 후, CPC(클릭당 비용)를 39%나 낮추면서도 CTR(클릭률)은 34% 증가시키는 압도적 효율을 보였습니다.

부정적 평가 및 한계: 투명성의 부재와 비용

하지만 애드테크 산업 분석가들과 마케터들은 RTB House의 한계점 또한 명확히 지적합니다. 현재 공식적으로 "RTB House의 증분이 거짓으로 판명났다"는 식의 논문은 존재하지 않지만, 다음과 같은 구조적 결함이 꾸준히 비판받고 있습니다.

1. '블랙박스(Black-Box)' 알고리즘의 한계 가장 큰 비판은 100% 딥러닝에 의존하기 때문에 도출되는 '투명성 부족'입니다. 마케터는 인공지능이 왜 특정 유저에게 그 배너를 보여주었는지, 왜 그 입찰가를 썼는지 전혀 알 수 없습니다. 그저 결과만 보고 AI를 맹신해야 하므로, 데이터 기반의 인사이트를 얻거나 통제력을 발휘하기 어렵습니다.
2. 과도한 데이터 의존성 및 니치(Niche)한 포지셔닝 강력한 성능을 내기 위해서는 광고주의 방대한 1st-party 데이터가 필수적입니다. 또한, 브랜딩이나 옴니채널 마케팅보다는 철저히 '하단 퍼널(Lower-funnel) 리타게팅'에만 특화되어 있어 범용 DSP로 쓰기에는 한계가 있습니다.
3. 증분 테스트 자체의 막대한 출혈 RTB House가 자랑하는 고스트 애드를 실행하려면, 브랜드는 월 광고 예산의 5%~10%를 오직 테스트 비용으로 태워야 합니다. 게다가 20%의 대조군에게는 광고를 제한하므로 당장의 잠재 매출을 잃어버리는 막대한 기회비용을 브랜드가 고스란히 떠안아야 합니다.

💡 Marketer's Takeaway

RTB House의 사례는 리마케팅 시장의 패러다임이 '누가 더 고객을 끈질기게 쫓아다니는가'에서 '누가 진짜 새로운 가치를 창출하고 그것을 데이터로 증명하는가'로 이동했음을 보여줍니다.

ROAS 3,000%라는 화려한 숫자 뒤에 숨은 '어차피 살 사람들의 자연 구매'를 걷어내십시오. 진정한 퍼포먼스 마케팅은 고스트 애드나 통제 실험을 통해 우리 예산이 진짜 새로운 매출(Incremental Lift)을 가져오고 있는지 끊임없이 의심하고 검증하는 과정에서 완성됩니다.

📚 참고자료

• Johnson, G. A., Lewis, R. A., & Nubbemeyer, E. I. (2017). Ghost Ads: Improving the Economics of Measuring Online Ad Effectiveness. Journal of Marketing Research, 54(6), 867-884.
• Lambrecht, A., & Tucker, C. (2013). When Does Retargeting Work? Information Specificity in Online Advertising. Journal of Marketing Research, 50(5), 561-576.
• Financial Times. (2023). FT 1000: Europe's Fastest Growing Companies.
• RTB House Blog. (n.d.). Head-to-Head Testing vs. Incrementality Testing—Which Is Best?.
• RTB House Blog. (n.d.). What's the best way to run your incrementality test? (Ghost Ads).
• NotebookLM Deep Research (Synthesis based on RTB House official publications and technical whitepapers).