프로그램매틱 광고를 운영하다 보면 한 번쯤 이런 의문이 듭니다. “분명히 클릭은 나오는데, 왜 매출은 안 나오지?” 미국 시장에서 연간 수십억 달러가 사라지는 이유가 바로 여기에 있습니다. 그런데 흥미로운 점은, 광고주들이 쓰는 기존 탐지 도구가 오히려 사기범들에게 학습 교재가 되고 있다는 사실입니다.
이 글은 미국 디지털 마케팅 현장에서 프로그램매틱 캠페인을 직접 운영하며 터득한, 조금은 다른 접근법을 다룹니다. 우리가 지금까지 놓치고 있던 질문은 “이 노출이 진짜 사람에게 도달했는가?”가 아니라 “이 노출이 실제 인간의 행동 변화를 일으켰는가?” 입니다. 이 관점의 전환이 사기 탐지의 판을 바꿀 수 있습니다.
1. 기존 탐지 방식이 계속 뚫리는 이유
현재 미국 시장에서 가장 널리 쓰이는 사기 탐지 방식은 크게 두 가지입니다. 하나는 프리비드(Pre-Bid) 단계에서 IVT(Invalid Traffic)를 걸러내는 방식이고, 다른 하나는 포스트비드(Post-Bid) 단계에서 공급망의 신원을 검증하는 방식입니다. 둘 다 여전히 필요하지만, 구조적인 한계가 분명합니다.
1) 프리비드 IVT 필터링의 덫
IP 블랙리스트, 기기 지문, 사용자 에이전트 분석, 행동 패턴 기반 머신러닝 등이 대표적입니다. 초기에는 효과가 있었지만, 지금은 상황이 다릅니다. 사기 네트워크는 감염된 일반 가정용 IP를 사용하고, 실제 스마트폰을 대량으로 운영하는 클릭팜을 동원하며, 헤드리스 크롬으로 정상적인 뷰어빌리티와 마우스 움직임까지 흉내 냅니다. 문제는 사기범들이 IVT 필터링 로직을 학습해 보통 48~72시간 안에 우회한다는 점입니다. 차단 목록을 아무리 자주 갱신해도, 적응 속도가 더 빠릅니다.
2) 포스트비드 공급망 검증의 허점
ads.txt, sellers.json, SupplyChain Object 같은 도구로 퍼블리셔와 리셀러의 신원을 확인하는 방식입니다. 하지만 이 도구들은 공급망의 ‘신원’은 검증할 수 있어도, 그 공급망에서 나온 트래픽이 실제 사람인지는 검증하지 못합니다. 합법적인 퍼블리셔가 외부에서 트래픽을 사 오면서 보이지 않게 오염되는 경우도 흔합니다. 게다가 사기 주체는 합법적인 퍼블리셔의 ads.txt 파일에 자신을 슬쩍 끼워 넣어 신뢰를 가장하기도 합니다.
결국 기존 방식은 모두 ‘가짜를 식별하는 기술’에 집중해 왔습니다. 그런데 사기범은 가짜를 식별하는 기준 자체를 회피하도록 진화합니다. 우리가 질문을 바꾸지 않는 한, 이 술래잡기는 끝나지 않습니다.
2. 패러다임 전환: 인과적 증분성 검증이라는 새로운 시선
제가 미국 광고주들을 컨설팅하며 주목한 방법은 광고 노출이 실제 인간만이 만들어 낼 수 있는 행동 변화를 유발했는지를 통계적으로 검증하는 것입니다. 사기성 인벤토리는 이 검증을 통과하기 매우 어렵습니다. 왜냐하면 봇이나 클릭팜은 광고 소재의 의미를 이해하지 못하기 때문에, 어떤 소재가 나오든 균일한 반응을 만들어 내기 때문입니다.
반면 실제 인간의 반응은 광고 메시지의 내용, 브랜드 친숙도, 맥락, 타이밍에 따라 크게 달라집니다. 이 차이를 이용하면 사기 네트워크가 IP, 기기, 뷰어빌리티를 아무리 정교하게 조작해도 소재 콘텐츠에 대한 인과적 반응 차이까지 만들기는 어렵다는 사실을 알 수 있습니다. 이 접근법은 단순히 사기를 잡는 것을 넘어, “돈이 되는 인벤토리인가?”를 직접 검증하기 때문에 마케팅 성과 목표와도 자연스럽게 연결됩니다.
3. 실전 방법 1: 카나리 입찰 (Canary Bidding)
카나리 입찰은 광고주가 의도적으로 의미 없는, 하지만 추적 가능한 ‘미끼 광고’를 특정 셀러나 퍼블리셔 인벤토리에 집행하는 방법입니다. 브랜드 메시지가 전혀 없는 무해한 공익성 소재에 고유 추적 픽셀과 고유 랜딩 URL을 심어 집행하는 것이죠.
예를 들어, “물을 아껴 주세요” 같은 공익 메시지를 브랜드 로고 없이 만들어 특정 SSP의 특정 셀러 ID에 집행합니다. 정상적인 인간이라면 이런 광고를 보고 클릭하거나 전환할 이유가 없습니다. 만약 해당 인벤토리에서 카나리 광고가 실제 브랜드 광고와 유사한 CTR, 전환율, 체류시간을 보인다면, 그 반응은 거의 확실히 조작된 반응입니다.
핵심 논리는 단순합니다. 봇이나 클릭팜은 광고 소재의 의미를 이해하지 못하기 때문에, 소재가 무엇이든 균일한 반응을 만듭니다. 하지만 실제 인간의 반응은 광고 메시지의 내용, 브랜드 친숙도, 맥락에 따라 달라집니다. 사기 네트워크가 IP, 기기, 뷰어빌리티를 아무리 정교하게 조작해도, 소재 콘텐츠에 대한 인과적 반응 차이까지 만들기는 사실상 불가능합니다.
실행할 때는 다음 요소를 명확히 설정해야 합니다.
- 타겟 인벤토리: 특정 SSP의 특정 셀러 ID, 또는 특정 퍼블리셔 도메인
- 카나리 소재: “물을 아껴 주세요” 같은 무해한 공익 메시지, 브랜드 로고 없음
- 추적 요소: 고유 픽셀, 고유 랜딩 URL, 캠페인 ID
- 비교 지표: CTR, 전환율, 평균 세션 시간, 이탈률, 재방문율
정상적인 인간이 공익 광고를 클릭할 확률은 매우 낮습니다. 그런데 해당 인벤토리에서 CTR이 브랜드 캠페인과 유사하게 0.3% 이상 나오고, 전환까지 발생한다면 이는 거의 확실히 사기성 트래픽입니다. 봇넷은 광고의 의미를 해석하지 않고 그저 클릭과 전환 이벤트를 발생시키기 때문입니다.
이 방법의 강점은 사기범이 모든 소재에 대해 동일한 반응을 만들어 내야 하는 구조라는 점입니다. 사기범 입장에서는 어떤 소재가 카나리인지 알 수 없고, 만약 알더라도 모든 인벤토리에 대해 인간과 유사한 반응 차이를 구현하는 것은 사실상 불가능합니다.
4. 실전 방법 2: 플라시보 대조군과 합성 대조군 활용
같은 맥락에서 특정 셀러 ID나 퍼블리셔 노드에 대해 고스트 비드(Ghost Bid) 또는 PSA(공익광고) 소재를 집행하고, 데이터 클린룸에서 노출 그룹과 비노출 유사 그룹의 행동을 비교하는 방법입니다.
비교 지표는 다음과 같습니다.
- 브랜드 검색량 증가
- 직접 방문(direct traffic) 증가
- 앱 설치, 가입, 장바구니 추가
- 전화 문의, 매장 방문 등 오프라인 전환
예를 들어, 특정 퍼블리셔 인벤토리에서 브랜드 캠페인을 집행하면서 동시에 같은 조건으로 PSA 소재를 집행합니다. 이후 데이터 클린룸에서 두 그룹의 행동을 비교합니다. 만약 브랜드 캠페인 노출 그룹에서 브랜드 검색량 증가가 뚜렷하게 나타나고 PSA 그룹에서는 증가가 없다면, 해당 인벤토리는 정상적인 인간에게 도달했을 가능성이 높습니다. 반대로 두 그룹 모두에서 전환율이 비슷하거나, 브랜드 캠페인 노출 그룹에서 브랜드 검색 증가가 전혀 없다면 그 인벤토리는 인과적으로 무가치하거나 사기성일 가능성이 높습니다.
수백만 노출이 발생했는데도 비노출 대조군 대비 증분 행동이 0에 가까우면, IVT 점수가 낮더라도 그 인벤토리는 사실상 가치가 없습니다. 이 방식이 강력한 이유는 사기범들이 포스트 클릭·포스트 뷰 행동까지 실제 인간과 동일하게 만들기 어렵기 때문입니다. 봇넷은 광고 요청, 노출, 클릭, 심지어 장바구니 담기까지는 시뮬레이션할 수 있습니다. 하지만 며칠에 걸친 재방문, 자연스러운 브랜드 검색, 실제 구매 후 고객 서비스 문의, 앱 내 개인화 행동까지는 만들기 어렵습니다.
이 방법은 특히 미국 시장에서 데이터 클린룸을 활용할 때 효과적입니다. Google Ads Data Hub, Amazon Marketing Cloud, Snowflake 기반 클린룸 등에서 노출 로그와 자사 고객 데이터를 결합해 증분성을 검증할 수 있습니다.
5. 실전 방법 3: 공급망 경제적 타당성 감사
또 하나 실무에서 거의 다뤄지지 않지만 강력한 방법은 공급망 노드가 경제적으로 존재할 수 있는가를 감사하는 것입니다. 사기든 MFA(Made for Advertising)든 결국 광고비를 빼내려면 비즈니스 모델이 유지되어야 합니다. 따라서 다음을 점검합니다.
- 해당 사이트가 월 수백만 노출을 생성하는데, 유기 검색 트래픽·소셜 언급·직접 방문이 0에 가까운가?
- 광고 슬롯 수가 비정상적으로 많은데, 이를 운영할 콘텐츠 제작비와 트래픽 유입 경로가 존재하는가?
- 미국 타겟인데 미 동부 시간 새벽 3시에 노출과 CTR이 급증하는가?
- 한 페이지에 광고 슬롯이 10개 이상인데, 실제 콘텐츠는 100단어 미만인가?
이런 신호를 종합해 ‘경제적 비현실성 점수(Economic Plausibility Score)’를 만들면, 기술적 IVT 점수와는 다른 차원에서 사기성 인벤토리를 걸러낼 수 있습니다. 사기범은 트래픽 패턴은 위조할 수 있어도, 유