YouTube는 월간 로그인 사용자가 수십억 명에 달하고, 매일 사용자가 수십억 시간 분량의 동영상을 시청하며 수십억 건의 조회수가 창출되는 플랫폼입니다. 비즈니스는 YouTube 광고를 사용하여 YouTube 사용자와 접할 수 있습니다. YouTube 광고란 웹사이트와 앱에 표시되는 프로모션용 동영상을 말하며, 동영상 광고 형식과 목표가 천차만별입니다.
ABCD에 주안점을 둔 효과적인 동영상 광고.
하지만 각각의 YouTube 광고에는 객체, 배경 음악, 로고 등 다양한 구성요소가 포함되어 있습니다. 이러한 구성요소 각각은 동영상 광고의 광고 노출 대비 조회율(View Through Rate)(이하 VTR로 지칭)에 영향을 미칩니다. 따라서 광고에 포함된 구성요소의 관점에서 동영상 광고를 분석하면 비즈니스에서 그 광고의 어떤 면이 VTR을 높이는지 이해하는 데 도움이 됩니다. 이러한 분석을 통해 얻은 인사이트를 새로운 크리에이티브를 제작하기 위한 기초 정보로 활용하고, 기존 크리에이티브를 최적화하여 VTR을 개선할 수도 있습니다.
Google에서는 회사의 YouTube 광고를 분석하는 데 머신러닝 기반 접근 방식을 제안합니다. 이를 통해 VTR에 영향을 미치는 구성요소가 무엇인지 평가하여 동영상 광고의 성과를 최적화하는 것입니다. 여기에서는 다음을 수행하는 방법을 설명합니다.
여기에서 제안하는 분석은 아래와 같이 5단계로 구성됩니다.
각각 다른 제품 특징을 강조하는 2가지의 서로 다른 웹 브라우저용 YouTube 동영상 광고를 고려해 보세요. 광고 A에는 "바이러스 차단 기본 제공"이라는 텍스트가 있고, 광고 B에는 "자동 비밀번호 저장"이라는 텍스트가 있습니다.
각 동영상 광고에서 원시 텍스트를 추출하여 아래와 같은 테이블 형식의 데이터 세트를 만들 수 있습니다. 간결성과 단순함을 위해, 다음 단계로 전달되는 예시에서는 텍스트 특징만 다루고 타임스탬프 측정기준은 생략합니다.
각 광고에서 원시 구성요소를 추출하고 나면, 대소문자 구분이나 구두점을 제거하는 등의 사전 처리를 적용해야 할 수 있습니다.
"제품 특징을 언급하는 텍스트가 있으면 VTR에 영향이 있을까?"라는 비즈니스 질문에 답하는 것이 목표인 상황을 고려해 보세요.
이 특징은 샘플의 모든 동영상에 포함된 모든 텍스트를 둘러보고 한 가지 제품 특징을 텍스트로 언급하는 토큰이나 문구의 목록을 작성하여 수동으로 빌드할 수 있습니다. 하지만 이 접근 방식은 시간이 오래 걸리고 확장에 한계가 있습니다.
위에서 설명한 수동 특징 엔지니어링 대신, 각 동영상 광고 크리에이티브에서 탐지된 텍스트를 자동으로 특징 엔지니어링을 수행하는 프롬프트와 함께 LLM으로 전달할 수도 있습니다.
예를 들어 동영상 광고에서 한 가지 제품 특징을 강조하면 어떤 가치가 있는지 알아보는 것이 목표라면, LLM에 "'바이러스 차단 기본 제공'이라는 텍스트가 특징 콜아웃인지" 물은 다음, LLM에 "'자동 비밀번호 저장'이라는 텍스트가 특징 콜아웃인지" 물어봅니다.
답변을 추출하여 0이나 1로 변환한 다음, 나중에 머신러닝 모델에 전달할 수 있습니다.
특징 엔지니어링 단계의 결과로 데이터프레임이 도출됩니다. 여기에서 열은 처음 물어본 비즈니스 질문이고, 이것을 샘플의 각 동영상 광고 VTR이 있는 데이터프레임과 합칠 수 있습니다.
*값은 무작위이며 어떤 식으로든 해석하면 안 됩니다.
모델링은 고정 효과, 부트스트랩 및 ElasticNet을 사용하여 수행됩니다. 자세한 정보는 Manisha Arora와 Nithya Mahadevan이 작성한 디스커버리 광고 성능 분석 소개 게시물을 참조하세요.
모델 출력을 사용해 유의미한 특징, 계수 값 및 표준 편차를 추출할 수 있습니다.
계수 값(+/- X%)은 VTR의 상승 비율을 절댓값으로 나타낸 것입니다. 값이 양수이면 VTR에 긍정적인 영향이 있다는 뜻이고, 값이 음수이면 VTR에 부정적인 영향이 있다는 뜻입니다.
유의미한 값(True/False)은 주어진 특징이 VTR에 통계적으로 유의미한 영향을 미치는지를 나타냅니다.
*값은 무작위이며 어떤 식으로든 해석하면 안 됩니다.
위의 가설 예시에서는 "특징 콜아웃 있음" 특징이 통계적으로 유의미하고, VTR에 긍정적인 영향을 미칩니다. 이것은 "광고에 제품 특징을 언급한 텍스트가 있는 경우 VTR이 2.22%(절댓값) 상승하는 것으로 확인된다"고 해석할 수 있습니다.
위와 같은 접근 방식의 문제점은 다음과 같습니다.
Ads Creative Studio는 비즈니스에서 텍스트, 이미지, 동영상 클립이나 오디오를 신속하게 조합해 한 가지 동영상의 여러 버전을 만드는 데 효과적인 도구입니다. 이 도구를 사용해 모델 출력에 따라 특징을 추가/제거하여 빠른 속도로 새 동영상을 제작할 수 있습니다.
분석에서 얻은 인사이트에 따라 구성요소에 변화를 주어 새로운 크리에이티브를 만들고 AB 테스트를 실행합니다. 예를 들어 로고 크기를 변경한 다음 Video Experiments를 사용해 실험을 설정할 수 있습니다.
광고에는 다양한 구성요소가 포함되어 있으므로, YouTube 광고에서 어느 구성요소가 VTR에 영향을 미치는지 파악하기는 쉽지 않습니다. 하지만 광고주가 VTR을 개선하기 위해 크리에이티브를 최적화하면 좋은 점이 있습니다. Google Cloud 기술, GenAI 모델과 ML을 사용하면 크리에이티브 중심의 비즈니스 질문에 확장 가능하고 실행 가능한 방식으로 답을 얻을 수 있습니다. 또한 그 결과로 얻은 인사이트를 사용해 YouTube 광고를 최적화하여 비즈니스 성과를 실현할 수 있습니다.
Luyang Yu, Vijai Kasthuri Rangan, Ahmad Emad, Chuyi Wang, Kun Chang, Mike Anderson, Yan Sun, Nithya Mahadevan, Tommy Mulc, David Letts, Tony Coconate, Akash Roy Choudhury, Alex Pronin, Toby Yang, Felix Abreu, Anthony Lui 등 Google 공동작업자 여러분께 감사드립니다.
