미국 프로그래매틱 광고 시장에서 RTB(Real-Time Bidding) 전략을 이야기할 때, 대부분의 마케터는 여전히 평균 CPM, 평균 CPA, 목표 ROAS, 승률 같은 익숙한 숫자에 매달립니다. 물론 중요하죠. 하지만 미국의 상위 광고주들은 이 평균 지표들이 오히려 수익성을 갉아먹는 원인이라고 봅니다. 이유는 단순합니다. RTB는 '값싼 노출을 사는 시장'이 아니라 100밀리초 안에 수천 개의 시장 참여자가 가격을 결정하는 실시간 경매 시장이기 때문입니다.
여기서는 흔히 회자되는 '비드 셰이딩을 몇 퍼센트로 잡으세요' 같은 단편적 팁이 아니라, 시장 미시구조(market microstructure)라는 렌즈로 RTB를 다시 들여다보려고 합니다. 특히 미국 시장에서 실무적으로 거의 논의되지 않는 세 가지 지점, 즉 ① 패배한 입찰 데이터를 활용한 수요곡선 역설계, ② 기대이익 곡선 기반의 한계 입찰 최적화, ③ 공급측 플로어 알고리즘을 교란하는 전략적 입찰 노이즈에 주목합니다.
평균 CPM의 함정: 낙찰 인벤토리는 무작위가 아니다
2019년 구글이 퍼스트 프라이스 경매로 전환한 이후, 미국 프로그래매틱 디스플레이 시장은 사실상 퍼스트 프라이스가 표준이 되었습니다. 퍼스트 프라이스 경매에서는 내가 적어낸 금액이 곧 낙찰가가 됩니다. 그래서 모든 광고주가 비드 셰이딩을 고민하죠. "입찰가를 낮추면 CPM이 낮아지고, CPM이 낮아지면 CPA가 개선되지 않을까?"라는 생각이요.
그런데 여기서 많은 광고주가 결정적인 실수를 합니다. 입찰가를 낮출 때 패배하는 노출은 무작위로 선택되지 않는다는 사실을 놓치는 거죠. 나와 비슷한 타기팅과 알고리즘을 가진 경쟁사가 있다고 가정해 보세요. 경쟁사가 어떤 노출의 전환 가능성을 높게 평가했다면, 그 경쟁사는 당연히 그 노출에 더 높은 입찰가를 제시할 겁니다. 만약 제가 입찰가를 $10 CPM에서 $8 CPM으로 낮추면, 저는 경쟁사가 $8 이상의 가치를 부여한 노출에서 체계적으로 패배하게 됩니다.
이것은 전형적인 역선택(adverse selection) 문제입니다. 낮은 입찰가로 낙찰받은 인벤토리는 시장 전체의 평균 품질이 아니라, 경쟁자들이 높은 가치를 두지 않아 남아 있던 인벤토리일 가능성이 크거든요.
실무에서 흔히 관찰되는 패턴은 이렇습니다.
- 입찰가를 15% 낮췄더니 CPM은 12% 줄었습니다.
- 그런데 낙찰된 노출의 전환율이 25% 하락했습니다.
- 결과적으로 CPA는 오히려 상승했습니다.
이게 바로 승자의 저주(winner’s curse)의 반대편에서 벌어지는 일입니다. 퍼스트 프라이스 RTB에서 '싸게 샀다'는 착각은 종종 '품질이 낮은 인벤토리만 골라 샀다'는 뜻이에요. 그래서 요즘 미국의 정교한 광고주들은 평균 CPM을 낮추는 데 집착하지 않습니다. 대신 각 노출의 한계 기대가치(marginal expected value)에 따라 입찰가를 다르게 배분하는 쪽으로 방향을 틀었습니다.
잃어버린 입찰은 무료 시장 데이터다
대부분의 광고주는 낙찰된 노출 데이터만 분석합니다. 그런데 미국의 성숙한 프로그래매틱 바이어들은 패배한 입찰이 가장 값진 데이터라고 말합니다. 왜일까요? 매 입찰이 곧 시장 조사이기 때문입니다. 수십 밀리초마다 퍼블리셔가 설정한 플로어 프라이스, 내 입찰가, 경매 결과, 실제 지불 가격, 패배 사유 코드, 사이트, 광고 슬롯, 디바이스, 지역, 타기팅 세그먼트 같은 정보가 오갑니다. 이걸 로그 레벨로 저장하면 시장의 수요 곡선을 역으로 추정할 수 있습니다.
예를 들어 볼까요? 특정 오디언스 세그먼트에서 제가 $8 CPM으로 100번 입찰해 20번 낙찰받았다고 합시다. 단순 승률은 20%죠. 하지만 이건 평균일 뿐입니다. 진짜 중요한 건 입찰가를 $6, $7, $8, $9, $10으로 바꿨을 때 승률이 어떻게 움직이는지에 대한 곡선입니다. 이걸 조건부 낙찰 확률 곡선(win rate curve)이라고 부릅니다.
통계학적으로 보면, 패배한 입찰은 우측 중도절단(right-censored) 데이터입니다. 내 입찰가보다 높은 어딘가에 경쟁사의 입찰가나 클리어링 프라이스가 존재한다는 정보만 남는 거죠. 이건 생존분석(survival analysis)에서 다루는 전형적인 데이터 구조예요. 그래서 Kaplan-Meier 추정이나 Cox 비례위험 모형, 혹은 Gradient Boosting Machine을 이용해 경쟁 입찰가 분포를 피처별로 추정할 수 있습니다.
이렇게 추정한 분포는 단순한 승률보다 훨씬 강력합니다. 어떤 광고 슬롯에서 경쟁 입찰가의 중앙값이 $7, 80분위수가 $12라고 추정됐다고 가정해 보세요. 제가 이 슬롯의 노출당 기대가치를 $15 CPM으로 계산했다면, $11~$12 정도의 입찰가는 합리적입니다. 반대로 기대가치가 $5 CPM이라면 아예 입찰하지 않는 게 낫고요.
이 접근의 핵심은 패배 데이터를 비용이 아닌 시장 정보로 보는 것입니다. 미국의 상위 광고주들은 DSP가 제공하는 블랙박스 자동입찰에 그냥 의존하지 않습니다. 로그 레벨 데이터를 내부 데이터 인프라로 끌어와 자체 입찰 텔레메트리(bid telemetry) 시스템을 구축하죠.
한 단계 더 나아가면 RTB는 실시간 시장 센서가 될 수 있습니다. 특정 세그먼트에서 제가 $8에 입찰했을 때 패배 빈도가 갑자기 증가했다면, 그건 다음과 같은 신호로 읽을 수 있어요.
- 새로운 경쟁자가 유입됨
- 퍼블리셔가 플로어를 인상함
- 계절적 수요 변화가 발생함
- 특정 데이터 세그먼트의 품질이 변함
저는 이걸 Shadow Market Intelligence라고 부릅니다. 공식 시장 보고서가 아니라 내 입찰 로그에서 실시간으로 경쟁 구도를 읽어내는 방식이에요. 미국 시장에서 이런 인프라를 가진 광고주는 경쟁사보다 훨씬 빠르게 시장 변화에 대응할 수 있습니다.
기대이익 곡선으로 한계 입찰가를 찾아라
승률 곡선을 추정했다면 이제 입찰가를 최적화할 차례입니다. 이때 단순히 CPA 타깃이나 목표 ROAS에 맞추는 게 아니라, 노출 단위의 기대이익(expected profit)을 극대화하는 입찰가를 계산해야 합니다.
기대이익의 공식은 간단합니다.
기대이익 = (노출당 기대가치 EV − 입찰가) × 낙찰 확률
여기서 노출당 기대가치는 전환 예측 모델이 산출한 전환 가치에 전환율을 곱한 값입니다. 예를 들어, 어떤 오디언스 세그먼트에서 노출당 기대가치가 $12이고, 추정된 승률 곡선상 입찰가 $8일 때 승률이 40%, $10일 때 20%, $12일 때 8%라고 가정해 봅시다.
- $8 입찰: (12 − 8) × 0.40 = $1.6
- $10 입찰: (12 − 10) × 0.20 = $0.4
- $12 입찰: (12 − 12) × 0.08 = $0
이 경우 최적 입찰가는 $8 부근이라는 게 수치로 확인됩니다. 물론 실제로는 각 노출