고객이 누른 상품, 광고 성과에 제대로 잡히고 있을까?

고객이 물건을 사기 전 누른 상품 가운데 기존 광고 계산법이 놓치는 구매 관련 클릭이 적지 않았다. 알리바바·난징대 연구에서는 구매 직전 3일 동안 모은 클릭 6만 9,680개 가운데 34.00%가 구매와 관련됐다. 전체 클릭의 14.91%는 기존 규칙으로는 잡기 어려운 「함께 쓰는 물건」과 「같은 취향」이었다.

고객이 사기 전에 뭘 눌렀는지도 중요할까?

온라인 광고에서 「전환 기여」는 구매 한 건이 있기까지 고객이 눌렀던 광고나 상품에 구매의 공을 나눠 주는 계산이다. 이 계산에 따라 광고주가 보는 광고 성과가 달라지고, 다음 광고를 누구에게 보여 줄지 정하는 모델의 학습 재료도 달라진다.

이번 연구는 타오바오·티몰 계열 플랫폼에서 구매 1,000건을 골라 구매 직전 3일의 클릭을 살펴봤다. 클릭마다 상품 사진, 제목, 가게, 분류 정보를 붙였고, 평가자들이 관련 여부를 분류했다.

사람이 분류한 결과는 크게 세 가지였다. 같은 상품이나 같은 가게처럼 관계가 드러나는 클릭, 함께 쓰는 물건이나 같은 취향처럼 관계를 바로 알기 어려운 클릭, 그리고 구매와 관련 없는 클릭이다.

기존 광고 계산법은 무엇을 놓쳤을까?

사람이 분류한 클릭 가운데 드러난 관련은 19.09%였다. 같은 상품, 같은 가게, 같은 브랜드, 같은 세부 분류처럼 기존 규칙으로 비교적 쉽게 찾을 수 있는 관계다.

숨은 관련은 14.91%였다. 예를 들어 카메라를 산 고객이 앞서 메모리카드를 봤다면 함께 쓰는 물건으로 볼 수 있고, 같은 애니메이션 캐릭터 상품을 봤다면 같은 취향으로 볼 수 있다.

두 종류를 합치면 구매와 이어진 클릭은 34.00%다. 이 가운데 숨은 관련이 차지하는 비율은 43.9%로, 구매와 이어진 클릭의 상당 부분이 기존 규칙에서 빠져 있었다.

AI가 보면 이런 관계도 찾을 수 있을까?

연구진은 GPT-5.5, 제미나이 3.1 프로, 클로드 오퍼스 4.7 등 AI 여덟 종에게 같은 분류를 시켰다. 점수는 정확하게 찾으면서 놓치지 않는지를 함께 보는 F1 점수로 측정했고, 1에 가까울수록 좋다.

드러난 관련은 AI가 비교적 잘 찾았다. 가장 높은 점수는 0.9095였지만, 숨은 관련의 최고 점수는 0.5426이었다. 즉 AI도 함께 쓰는 물건이나 같은 취향처럼 관계를 바로 드러내지 않는 클릭에서는 아직 사람의 분류만큼 안정적이지 않았다.

묻는 방식도 영향을 줬다. 클릭 목록을 한꺼번에 보여 주는 것보다 클릭을 하나씩 따로 물었을 때 평균 종합 점수가 0.6490에서 0.6954로 높아졌다.

특히 작은 모델에서 차이가 컸다. 반면 「생각하기」 기능을 켰을 때의 평균 상승폭은 목록에서는 0.0196, 하나씩 물었을 때는 0.0082에 그쳤다.

숨은 관련까지 광고 계산에 넣으면 달라질까?

연구진은 AI가 찾아낸 숨은 관련 클릭까지 구매 예측 모델의 학습 재료로 넣어 봤다. 같은 가게 클릭만 사용한 기존 방식과 비교했을 때 구매 예측 정확도인 GAUC가 0.35포인트 높아졌다.

규칙으로 다른 가게의 관련 클릭까지 더한 방식보다도 0.15포인트 높았다. 다만 이 결과는 실제 서비스에 적용한 결과가 아니라 서비스에 내보내기 전 시험인 오프라인 결과다.

이 변화가 중요한 이유는 광고 성과 계산과 광고 노출 방식이 연결돼 있기 때문이다. 어떤 클릭에 구매 기여를 인정하느냐가 달라지면 광고주가 보는 성과와 다음 광고를 보여 줄 때 사용하는 학습 재료도 달라질 수 있다.

작은 가게는 상품 설명을 어떻게 써야 할까?

플랫폼이 숨은 관련까지 계산하기 시작하면 우리 상품을 사기 전에 고객이 본 다른 가게의 상품도 구매 기여를 인정받을 수 있다. 반대로 우리 상품을 본 고객이 다른 가게의 상품을 구매했을 때 우리 상품의 클릭이 기여 요소로 잡힐 가능성도 생긴다.

연구에서 AI가 가장 어려워한 부분이 「함께 쓰는 물건」과 「같은 취향」이었다. 따라서 상품 제목과 설명에 무엇과 함께 쓰는지, 어떤 취향의 고객이 찾는지를 사실대로 적어 두는 것이 AI가 상품 사이의 관계를 읽는 데 도움이 될 것으로 보인다(예상).

이것은 광고비를 더 쓰라는 이야기가 아니다. 고객이 상품을 찾고 비교하는 과정에서 실제로 어떤 관계가 있는지를 상품 정보에 빠뜨리지 않는 것이 중요하다는 뜻이다.

광고비를 쓰는데 성과 계산은 얼마나 알 수 있을까?

중소기업중앙회가 2026년 온라인 플랫폼 입점사 1,250곳을 조사한 결과, 수수료와 광고비를 합친 거래비용은 평균 매출의 21.7%였다. 쇼핑몰은 20.6%, 배달앱은 26.2%였다.

매출에서 적지 않은 비용을 플랫폼에 쓰고 있지만, 광고 성과가 어떤 규칙으로 계산되는지는 입점사가 직접 알기 어렵다. 그래서 앞으로 광고 성과를 볼 때는 단순히 어떤 광고를 눌러서 바로 구매했는지만 보는 것이 아니라, 고객이 구매 전에 어떤 상품과 함께 움직였는지도 중요해질 수 있다.

이번 연구는 AI가 모든 숨은 관계를 정확하게 찾아낸다는 결과는 아니다. 오히려 드러난 관련은 잘 찾지만 숨은 관련은 아직 어려워한다는 점과, 그 관계를 광고 계산에 넣었을 때 구매 예측 모델의 성능이 달라질 수 있다는 점을 보여준다.

같이 읽을 글

• AI 답에 가게 이름이 나오면 매출까지 잴 수 있을까?
• 챗GPT 유입이 늘면 정말 GEO 효과일까?
• 상품 설명 한 줄이 AI 장바구니를 바꿀 수 있을까?

자료 출처

• Can Large Language Models Identify Meaningful Touchpoints in Conversion Attribution?(Wu·Chen 외, 난징대·알리바바 타오바오&티몰, 2026년 8월 arXiv 제출·CIKM 2026, 구매 1,000건·클릭 6만 9,680개)
• 같은 논문 전체 본문 PDF(표 1 모델별 점수, 표 2 생각하기 기능, 표 3 구매 예측 향상)
• LiDDA: Data Driven Attribution at LinkedIn(링크드인, 데이터 기반 전환 기여 계산 선행 연구)
• 「플랫폼 비용에 매출 21.7% 지출…中企 수수료 낮춰야」(한국일보, 중소기업중앙회 2026 온라인 플랫폼 입점사 거래 실태조사, 입점사 1,250곳)
• 「온라인플랫폼 입점 中企, 월평균 매출 21% 수수료로 빠져나가」(뉴스핌, 중소기업중앙회 조사 1,250개사, 2026.9.15)
• Causally Driven Incremental Multi Touch Attribution Using a Recurrent Neural Network(Du 외, 여러 접점에 공을 나누는 계산 선행 연구)