어떤 광고가 수익을 낼까? AI 기반 광고 수익 최적화 (SK AI SUMMIT 발표)

SK플래닛은 OK캐쉬백, 시럽, 오락: 등 여러 앱에 광고를 노출하는 디지털 광고 플랫폼에서, OpenRTB 기반의 실시간 입찰 구조를 운영하며 수익 최적화를 추진했다. 광고 요청이 들어오면 수십 개의 Ad Network에 동시에 입찰을 보내고, 가장 높은 가격의 광고를 선택해 노출하는 방식으로, 트래픽과 가격, 응답률이 실시간으로 얽히는 구조를 다뤘다.

광고 운영의 핵심 딜레마는 Minimum Price와 Fill Rate의 균형이었다. 최소 입찰가를 높이면 단가와 품질은 올라가지만 노출 기회가 줄고, 낮추면 노출은 늘지만 단가와 품질이 흔들릴 수 있어, 시간대별 응답률과 단가 패턴을 함께 보며 최적점을 찾아야 했다. 이를 위해 광고 요청을 모든 네트워크에 무차별적으로 보내지 않고, 필요한 수량의 몇 배수만큼을 Display Weight로 조절해 선택적으로 요청하는 구조도 설계했다.

운영 측면에서는 AWS 클라우드 기반의 MLOps 파이프라인을 구성해, OpenRTB 응답에서 가격과 메타 정보를 추출하고 정제한 뒤 머신러닝 서버로 전달했다. 서버는 MAB(Multi-Armed Bandit) 을 수행하면서 부가 데이터를 Data Warehouse에 저장하고, 이상 탐지 결과가 좋지 않으면 초기값이나 과거의 고성과 파라미터로 복귀하도록 만들었다.

머신러닝 측면의 첫 시도는 휴리스틱 기반 조정이었다. 지면과 네트워크 조합이 수백 개 수준으로 늘어나자 수동 조정은 한계에 부딪혔고, 이에 MAB를 도입해 탐색과 활용의 균형으로 bid floor를 조정했다. 초기에는 성과가 개선됐지만, 시간이 지나며 시간대·디바이스·지역 같은 Context를 반영하지 못하고, 비선형적인 가격-수익 관계를 충분히 설명하지 못하는 약점이 드러났다.

그 다음 단계로 GMM(Gaussian Mixture Model) 을 적용해 수익 구조를 여러 개의 봉우리로 나눠 보며, 단일 평균이 아니라 여러 수익 클러스터를 동시에 탐색했다. 그 결과 MAB가 0.5~1.0 구간에 집중하는 경향을 보인 반면, GMM은 1.1~2.9 이상의 더 넓은 가격대를 탐색하며 숨겨진 수익 기회를 찾았다.

최종적으로는 과거의 장기 패턴을 담은 Past GMM과 최근 몇 시간의 트렌드를 반영한 Recent GMM을 결합한 GMM 블렌딩 전략을 도입했다. 이를 통해 시장 변화에 민첩하게 대응하면서도 구조적으로 안정적인 성과를 확보했고, 모든 적용 지면에서 예외 없이 수익 향상을 확인했다. 광고 수익 최적화는 단순한 가격 조정이 아니라, 생태계 구조와 실시간 데이터, 그리고 모델 진화를 함께 다뤄야 하는 문제라는 점이 분명해졌다.