오디언스의 인구통계를 분석해 미디어 플랜이 적합한 그룹에 도달하게 하는 방법이 궁금하다면, 짧은 답은 다소 불편합니다. 인구통계는 어디에 집행할지는 알려 주지만, 사람들이 왜 귀를 기울이는지는 거의 알려 주지 않습니다. 성과를 내는 플랜은 사람들이 무엇을 생각하고, 두려워하고, 이야기하는지에서 출발하며, 나이나 소득은 집행 범위를 좁히는 데에만 씁니다. AI를 쓰면 이 일을 대규모로 할 수 있습니다. 다만 판단력을 갖춘 사람이 끝까지 핸들을 잡고 있어야 합니다.
최신 사례는 스페인에서 나왔습니다. 보험사 Santalucía의 마케팅 디렉터 Laia Prunera는 Reason Why와의 인터뷰에서, 회사가 매년 열던 피칭을 중단하고 브랜드 플랫폼을 Oriol Villar에게 직접 맡기며 장기적인 브랜드 구축에 나선 과정을 설명합니다. 비보조 인지도는 5년 만에 45%에서 62%로 올랐고, Prunera에 따르면 경쟁사들은 최대 여덟 배를 투자합니다.
여덟 배의 지출이면 GRP를 엄청나게 살 수 있습니다. 물량으로 이길 수 없다면 이해로 이겨야 합니다. Santalucía는 연령대가 아니라 서비스, 고객 곁을 지키는 태도, 관계의 정서적인 면에서 차별점을 찾았습니다. 미디어를 플래닝하는 사람에게 교훈은 저절로 나옵니다.
미디어 플래닝에 인구통계만으로는 왜 더 이상 충분하지 않습니까?
서로 전혀 닮지 않은 수많은 사람을 한데 묶어 설명하기 때문입니다. “도시 거주 여성, 35–54세, 중상위 소득”에는 첫 아이를 막 낳은 사람도, 부모를 돌보는 사람도, 자기 사업을 시작하는 사람도 들어갑니다. 스프레드시트에서는 같은 행에 있지만, 걱정도 일상도 보는 화면도 서로 다릅니다.
인구통계 타기팅은 더 이상 우위도 아닙니다. 어떤 광고주든 클릭 몇 번이면 똑같은 플랫폼에서 똑같은 오디언스를 살 수 있습니다. 내 플랜이 경쟁사 플랜과 다른 점이 예산 배분 방식뿐이라면, 사실상 차이가 없는 것입니다.
여기에 파편화 문제도 있습니다. 패널은 이렇게 말하고, 플랫폼 데이터는 저렇게 말하고, 클라이언트의 CRM은 또 다르고, 소셜 리스닝은 또 다른 이야기를 합니다. 각 소스는 부분적인 진실만 말하고, 플래너는 서로 대화하지 않는 시스템 사이의 통역사가 됩니다. 몇 주가 사라지는 곳이 바로 여기이며, 더 나쁜 것은 사람들이 정말 관심을 두는 것이 무엇인지 놓치게 된다는 점입니다.
진짜 문제는 데이터는 많은데 이해는 부족하다는 것입니다
데이터 품질 이론(Data Quality Theory)은 단순한 생각으로 요약됩니다. 데이터는 내려야 할 의사결정에 도움이 될 때 좋은 데이터입니다. 더 정확해서도, 양이 많아서도 아닙니다. 어떤 메시지가 스크롤을 멈추게 할지가 의사결정이라면, 완벽하게 측정된 나이는 나쁜 데이터입니다.
플래닝에서는 정밀함과 유용함을 혼동하기 쉽습니다. 타깃 대비 도달률은 소수점까지 측정하면서, 광고가 노출되는 순간 그 타깃이 무슨 생각을 하고 있는지는 거의 알지 못합니다. 인게이지먼트가 그토록 끈질기게 오르지 않는 이유가 여기에 있습니다. 인게이지먼트는 숫자가 아니라 이해에서 나오기 때문입니다.
소스가 파편화되어 있으면 이 효과는 배가됩니다. 팀마다 자기 데이터만 최적화하고, 정작 중요한 질문은 아무도 책임지지 않습니다. 이 사람에게 지금 무슨 일이 일어나고 있으며, 브랜드는 그 순간 어떻게 도움이 될 수 있는가라는 질문입니다.
텐션 중심 미디어 플래닝이란 무엇입니까?
텐션이란 사람이 원하는 것과 그것을 가로막는 것 사이의 충돌입니다. 성향이 아니라 현재 진행 중인 문제이며, 사람들은 소셜 미디어, 포럼, 리뷰, 댓글에서 이를 이야기합니다. 이 접근에서 페르소나란 나이가 달라도 같은 텐션을 공유하는 사람들의 집단입니다.
저가 헬스장 체인을 예로 들어 보겠습니다. 전통적인 브리프라면 “18–34세, 도시 거주”라고 쓸 것입니다. 하지만 오디언스가 실제로 올리는 글을 읽어 보면, 예컨대 두 집단이 나올 수 있습니다. 운동을 시작하고 싶지만 기구 사용법을 몰라 부끄러운 사람들, 그리고 피크 시간대에 붐비는 헬스장 바닥에 불만인 단골들입니다. 연령대는 같지만 플랜은 정반대입니다. 첫 번째 집단에는 안심시키는 튜토리얼 스타일 콘텐츠가, 두 번째 집단에는 의사결정 순간에 맞춰 보내는 영업시간과 혼잡도 메시지가 필요합니다.
| 기준 | 인구통계 기반 플랜 | 텐션 중심 플랜 |
|---|---|---|
| 플래닝 단위 | 나이, 성별, 소득, 지역별 타깃 | 공통의 텐션으로 묶은 페르소나 |
| 주요 소스 | 패널 및 플랫폼의 자기 신고 데이터 | 오디언스가 게시하는 대화와 콘텐츠 |
| 답하는 질문 | 누구에게 집행할 것인가? | 사람들은 왜 주목할 것인가? |
| 채널 선택 | 친밀도와 접촉당 비용 | 텐션이 나타나는 곳과 시점 |
| 메시지 | 타깃 전체에 하나의 범용 메시지 | 텐션마다 하나, 각각 고유한 톤 |
| 성과 측정 | 도달률과 빈도 | 도달률과 텐션별 반응 |
| 주요 리스크 | 경쟁사와 똑같은 플랜 | 검증하지 않으면 텐션을 잘못 읽을 위험 |
AI로 텐션 중심 미디어 플랜 짜는 방법, 단계별로 알아보기
현재의 플랜을 폐기할 필요는 없습니다. 순서를 바꾸는 것입니다. 먼저 이해하고, 그다음에 집행합니다.
- 브랜드가 아니라 카테고리를 정의합니다. 클라이언트가 해결하는 문제에 관한 대화를 수집하고, 경쟁사를 둘러싼 대화도 포함합니다. 텐션은 대개 브랜드의 자체 채널 밖에 있습니다.
- 콘텐츠를 페르소나와 텐션으로 묶습니다. AI가 수작업으로 몇 주씩 걸리는 일을 줄여 주는 단계입니다. 예를 들어 Defy Monitor는 오디언스 콘텐츠를 페르소나와 텐션으로 자동 클러스터링하므로, 인구통계 자료집이 아니라 실제 대화를 바탕으로 플래닝할 수 있습니다.
- 모든 텐션을 사례로 검증합니다. 그 뒤에 있는 게시물을 읽어 봅니다. 구체적인 사례로 뒷받침되지 않는 텐션은, 덱에서 아무리 그럴듯해 보여도 버립니다.
- 볼륨과 적합도로 우선순위를 정합니다. 임계 규모를 갖추었고 브랜드가 신뢰성 있게 해결할 수 있는 텐션을 두세 개 남깁니다.
- 각 텐션을 채널, 타이밍, 메시지로 옮깁니다. 그 문제가 어디서, 하루 중 혹은 한 해 중 언제 불거지는지 묻습니다. 그것이 곧 집행 맥락입니다.
- 인구통계는 마지막에 씁니다. 이제, 그리고 이제야 연령, 지역, 소득으로 범위를 좁혀 맞지 않는 접촉에 비용을 쓰지 않도록 합니다.
- 텐션별로 반응을 측정합니다. 메시지 라인별로 성과를 나눠 어떤 텐션이 사람들을 가장 크게 움직이는지 파악하고, 다음 집행 기간에 예산을 재배분합니다.
리스닝부터 분석까지 이 워크플로가 하나의 환경에서 어떻게 이어지는지 보고 싶다면 Defy 플랫폼을 살펴보시기 바랍니다.
클라이언트와의 대화는 무엇이 달라집니까?
쌓아 가는 지식의 종류가 달라집니다. Prunera는 Reason Why에서 연이은 피칭에 반대하는 논거로 이 점을 짚습니다. 브랜드를 만드는 데는 지식, 코드, 학습, 신뢰가 필요하고, 그것은 지속적인 관계에서만 생긴다는 것입니다.
텐션 맵이 바로 그런 누적되는 지식입니다. 집행할 때마다 어떤 텐션이 반응했고 어떤 텐션이 반응하지 않았는지 알게 되고, 다음 플랜은 더 날카로워집니다. 인구통계 기반 플랜은 어떤 피칭에서든 베낄 수 있습니다. 오디언스에 대한 깊은 이해는 베낄 수 없습니다.
미팅의 분위기도 달라집니다. 더 이상 퍼센트로 예산 배분을 방어하지 않고, 사람들이 하는 말을 그들의 언어 그대로 보여 주며 각 라인이 왜 그 자리에 있는지 설명합니다. 가설보다 실제 대화에 반박하기가 훨씬 어렵습니다.
AI에 맡기지 말아야 할 일은 무엇입니까?
AI는 수천 건의 대화를 클러스터링하고 패턴을 포착하는 데 매우 뛰어납니다. 하지만 브랜드에 무엇이 중요한지 결정하는 데는 서투릅니다. 세 가지 한계를 염두에 두어야 합니다.
- 게시하는 사람이 전부는 아닙니다. 소셜 대화는 목소리가 큰 사람들을 과다 대표합니다. 큰 예산 라인을 옮기기 전에 클라이언트 자체 데이터와 텐션을 교차 검증합니다.
- 증거 없는 텐션은 의견일 뿐입니다. 모든 결론 뒤에 있는 게시물을 반드시 확인해야 합니다.
- 판단은 사람의 몫입니다. 브랜드가 어떤 텐션을 어떤 톤으로 해결할지 고르는 일은 전략 업무입니다. 분류는 AI가 맡고, 판단은 팀이 유지합니다.
Santalucía가 17포인트의 인지도를 얻은 것은 누구보다 많은 데이터를 가졌기 때문이 아닙니다. 마케팅 디렉터에 따르면, 브랜드의 진실을 찾아 꾸준히 지켜 나갔기 때문입니다. 그 부분은 자동화할 수 없습니다. 자동화할 수 있는 것은, 그 일에 합당한 시간을 쏟지 못하게 가로막는 나머지 모든 일입니다.
