Web vehicle로 구성된 매체 스케줄을 평가하는데 있어 기존의 광고매체 모델이 인터넷 오디언스의 노출 양상을 얼마나 정확하게 예측하고 도달과 빈도를 추정할 수 있는가를 평가하는 것이 본 연구의 주된 목적이다.
TV와 잡지 등에 있어서의 매체 모델의 도달/빈도 추정력은 이제까지의 여러 연구에서 보고되었는데, 본 연구에서는 인터넷 매체와 기존 매체에 있어서의 매체 모델의 노출과 빈도 추정력을 비교해봄으로써 인터넷 환경에서의 매체모델의 적용 가능성 여부를 검증해보고자 한다.
다음에서는 본 연구에서 사용된 광고 매체 모델에 대해 간략하게 기술하고
모델 검증 과정의 입력 자료로 사용된 Web audience data를 어떻게 구성했는지에
대해 기술하기로 한다. 모델 검증 작업에 따른 결과와 결론은 마지막 부분에서
논의된다.
인터넷 광고의 노출 분포를 검증하기 위해 여섯 개의 광고 매체 모델이 본 연구에 사용되었는데 이들은 1) Binomial Distribution (BIN), 2) Beta Binomial Distribution (BBD), 3) Conditional Beta Distribution (CBD); 4) Sequential Aggregation Distribution (SAD); 5) Dirichlet Multinomial Distribution (DMD); 그리고6) Hofmans Beta Binomial Distribution (HBBD) 이다.
이들 모델은 이제까지 여러 다른 매체에 있어서의 도달과 빈도 추정 연구에서
사용되었으며 광고회사에서 매체 스케줄의 도달과 빈도를 추정하는데 실무적으로
널리 사용되어온 모델들이다 (Chandon, 1976, Danaher 1988a, b, Danaher
1989, Headen, Klompmaker와 Rust, 1979, Hofmans 1969, Ju 1990, Kim 1994,
Kishi 1987, Leckenby와 Kim 1992, Lee 1988, Rice 1985, Rust 1986, Rust와
Leone 1984). 따라서 이 모델들은 인터넷 매체계획의 도달과 빈도 추정을
위한 대표적인 모델의 틀을 제공해준다고 할 수 있다.
매체 모델의 도달/빈도 추정력 검증을 위해서는 매체의 오디언스 자료가 입력 변인으로 사용되는데 이 자료는 기본적으로 각 매체 vehicle의 오디언스 측정을 통해 얻어진다. 잡지 매체의 경우 SMRB와 MRI가 독자에 관한 구독 정보를 측정하고 있고 TV 시청자에 관한 시청 자료는 A. C. Nielsen이 제공하고 있다.
인터넷의 경우 사이트 방문자에 관한 정보는 현재 Media Metrix / RelevantKnowledge사와 Nielsen / NetRatings사, 그리고 PC Data사가 사용자 중심의 측정 방법 (User-centric measurement)에 의거한 인터넷 사용자 정보를 제공하고 있고 I/Pro사와 AdKnowledge, Andromedia, MatchLogic, NetGravity사 등은 사이트 중심의 측정자료 (Site-centric measurement)를 제공하고 있다. 이들 자료를 통해 인터넷 사용자의 Web site 방문 행태 및 사이트 방문량에 관한 정보를 얻게 된다.
본 연구에서는 두 종류의 인터넷 오디언스 자료가 매체 모델의 도달/빈도 추정력 검증에 사용되었다.
첫 번째 연구에서는 잡지에서 행해지는 Recent Reading독자 측정 방법을 이용하여 인터넷 오디언스 측정을 했으며 이를 바탕으로 매체 모델의 추정력을 검증하였다. 1998년 1월부터 2월 사이 웹 사용자 설문조사 사이트를 개설하여 (URL: http://uts.cc.utexas.edu/~jphong/) 온라인 상으로 인터넷 사용자들의 25개 유명 사이트 방문 여부를 2주일에 걸쳐 조사하였다. 모델 검증을 위한 입력 자료에 필요한 중복 방문자 (Duplicated audience)의 통계치를 계산하기 위해 응답자는 같은 설문조사에 일주일 간격으로 두 번 반복해서 응답해야만 했다.
각 설문 조사 기간마다 온라인 조사 응답자들은 MRI의 Recent Reading잡지
독자 측정 방법에서 사용되는 두 가지 질문에 답을 했는데 질문 (2)의 Yes,
I am sure I did. 항목을 표시한 응답자는 질문 문항의 사이트 방문자로
간주되었다. 총 511명의 고유한 응답자가 조사에 했으며 이 중 두 번의 측정에
모두 참여한 응답자 수는 309명이었다.
질문 (1): During the past 6 months, have you ever read or looked into this Web site?
___ Yes, I am sure I have.
___ I am not sure.
___ No, I am sure I have not.
질문 (2): During the past 7 days, did you happen to read or look into this Web site?
___ Yes, I am sure I did.
___ I am not sure.
___ No, I am sure I did not.
두 번째 연구는 Media Metrix사의 Web 오디언스 자료를 사용했는데 앞서 기술한 것처럼 Media Metrix사는 PC Meter라는 장치를 패널 구성원의 PC에 설치해 놓고 그들의 웹 활동을 기록하는 사용자 중심의 측정 방법을 운용하고 있다. 1997년 3월 1일부터 14일까지 50개의 유명 사이트에 대한 두 주간의 방문 자료를 Media Metrix사로부터 제공받아 이를 모델 추정력 검증의 입력 자료로 사용하였다. 이 자료에는 고유 개인의 id, 방문한 사이트 도메인 이름, 그리고 방문한 날짜가 기록되어 있어 이를 근거로 Web 오디언스 통계치를 계산할 수 있었다. 두 주 동안 기록된 전체 고유한 사용자 수는 7,162명이었고 두 주 동안 중복된 사용자 수는 3,775명이었다. 첫 번째 연구와 두 번째 연구의 오디언스 자료에서 모두 오디언스 측정 간격이 일주일이었기 때문에 웹의 publication interval은 일주일로 가정되었다.
이 오디언스 자료에 근거해 평균 사이트 방문자 (Average site audience), 누적 사이트 방문자(Cumulative site audience), 사이트 간 방문자 (Between-vehicle audience)의 세가지 통계치가 계산되고 매체 모델의 입력 변인으로 사용되는데, 각 통계치의 계산은 Simmons Market Research Bureau (SMRB)의 정의에 따라 다음과 같이 계산되었다.
첫 번째 연구에서는 Recent Reading 자료를 사용하여 여섯 개 모델의 도달/빈도 추정력을 검증하였고 두 번째 연구에서는 Media Metrix의 오디언스 자료에 근거해 동일한 여섯 개 모델의 추정력 정확도를 검증하였다. 이를 위해 각 오디언스 자료에서 각기 25개 사이트와 50개 사이트로부터 무작위로 추출된 Web vehicle로 구성된 560개의 매체 스케줄이 생성되었다. 560개의 스케줄은 2개의 Web vehicle을 선택한 스케줄로부터 15개의 Web vehicle을 선택한 스케줄에 이르기까지 총 14개의 스케줄마다 각 40개의 sample 스케줄이 포함된 것으로 구성되어 있다 (표 1 참조).
표 1. 모델 추정력 검증을 위한 560개 스케줄 구성
스케줄에 포함된 Web Vehicle의 수 (insertion 수) |
Sample 스케줄 수 |
2 (4) |
40개 |
3 (6) |
40개 |
4 (8) |
40개 |
5 (10) |
40개 |
6 (12) |
40개 |
7 (14) |
40개 |
8 (16) |
40개 |
9 (18) |
40개 |
10 (20) |
40개 |
11 (22) |
40개 |
12 (24) |
40개 |
13 (26) |
40개 |
14 (28) |
40개 |
15 (30) |
40개 |
총계 |
560 개 스케줄 |
표 2는 560개 스케줄 중 3개의 Web vehicle로 구성된 하나의 sample 스케줄을
보여준다. 이 tabulation 결과는 측정기간 동안 스케줄에 포함된 vehicle에
대한 노출 분포를 보여주는데 왼쪽에서 두 번째 행은 관찰된 오디언스의
실제 노출 분포에 대한 정보를 제공하고 있다. 이는 2주 동안 인터넷 사용자의
실제 매체 사용 패턴을 나타낸다. 다시 말해ZDNet.com, MapQuest.com, Excite.com사이트를
인터넷 광고에 사용할 때 2주에 걸쳐 각 vehicle에 두 번씩 insertion을
구매하는 매체계획을 세운 경우 가능한 노출 빈도 분포는 0번에서 여섯 번까지이고
이 스케줄의 도달률은 27.4% (100% - 72.6%) 임을 알 수 있다. 아울러 표
2에서는 여섯 개의 모델을 사용해 이 스케줄의 도달과 빈도율을 추정했을
때의 결과를 알 수 있는데, 이 모델들의 추정력은 다음에 기술되는 오차
준거에 의해 평가된다.
표 2. 세가지 Web Vehicle로 구성된 노출 분포와 모델 추정 오차의 예
(ZDNet.com, MapQuest.com, Excite.com에 각 2회의 insertion)
Observed
|
Binomial |
BBD |
CBD |
SAD |
DMD |
CBD |
|
# of exp. |
% |
% |
% |
% |
% |
% |
% |
0 |
72.63 |
68.46 |
72.31 |
72.12 |
72.72 |
72.04 |
71.90 |
1 |
20.01 |
26.78 |
20.56 |
20.51 |
19.24 |
20.14 |
21.18 |
2 |
5.84 |
4.36 |
5.54 |
6.35 |
6.80 |
7.20 |
5.48 |
3 |
1.10 |
.38 |
1.30 |
.86 |
1.07 |
.32 |
1.20 |
4 |
.38 |
.02 |
.25 |
.15 |
.15 |
.29 |
.21 |
5 |
.04 |
.00 |
.03 |
.00 |
.00 |
.00 |
.02 |
6 |
.00 |
.00 |
.00 |
.00 |
.00 |
.00 |
.00 |
Errors |
|||||||
AER |
--- |
15.24 |
1.17 |
1.86 |
.33 |
2.16 |
2.89 |
APE |
--- |
34.23 |
4.31 |
5.52 |
7.38 |
8.80 |
6.61 |
도달과 빈도율을 예측하는데 있어 모델의 추정력 정확도는 모델의 오차를
어떻게 정의하느냐에 따라 다소 달라질 수 있는데 본 연구에서는 선행 연구에서
여러 차례 인용된 Average percentage error in reach (AER)과 Average percentage
error in exposure distribution (APE) 준거를 사용했다 (Kishi와 Leckenby,
1982, Leckenby와 Kishi, 1984, Danaher, 1992). AER은 실제 관찰된 도달률과
모델에 의해 추정된 도달률과의 차이 비율로 정의되며, APE는 각 빈도 분포에
있어서의 실제 관찰치와 추정치의 차이 비율로 정의된다. APE는 AER보다
더 노출 분포 추정에 관한 정확한 정보를 제공할 수 있는 준거이다. 표 2에서
보면 SAD 모델이 가장 정확하게 sample 스케줄의 도달률을 추정한 것으로
나타났고 (AER=.33) 빈도 분포 추정에 있어서는 BBD 모델이 가장 예측력이
높았다 (APE=4.31). Binomial 모델은 도달과 빈도율 추정에 있어 가장 정확도가
낮았다.
다음은 각 오차 준거를 계산하는 공식이다.
Average percentage error in reach (AER)
AER=(|oi-ei|/oi)/K
여기서
oi = observed reach of schedule i
ei = estimated reach of schedule i
K = total number of schedules
Average percentage error in exposure distribution (APE)
APE = (PEi ) / K
여기서
PEi = (| oij - eij| ) /oij
PEi = percentage error in the schedule i
oij = observed frequency at exposure level j of schedule i
eij = estimated frequency at exposure level j of schedule i
oij = observed reach of schedule i
K = total number of schedules.