AppLovin CEO 아담 포로기(Adam Foroughi)가 회사의 성장, 진화하는 광고 기술 환경, 광고의 미래에 인공지능이 미칠 영향에 대해 논의합니다.
이 아티클
아티클 전체를 저장하고 메모를 남길 수 있어요.
AppLovin은 초기 단계 벤처 캐피털 투자를 피함으로써 조용한 개발 문화를 조성했습니다. 이러한 접근 방식은 회사가 초기 성장기 동안 외부 압력 없이 실질적으로 성장할 수 있도록 했습니다.
포로기는 AppLovin을 주로 10억 명 이상의 일일 활성 사용자를 자랑하는 방대한 모바일 캐주얼 게임 세계에서 모바일 게임 개발자가 제품으로 수익을 창출하도록 돕는 광고 회사로 정의했습니다.
2년 전 AppLovin 플랫폼은 연간 110억 달러의 광고 지출을 처리하여 상당한 규모를 보여주었습니다. 이후 플랫폼은 전년 대비 약 60% 성장하여 현재 추정 광고 지출은 약 200억 달러에 달합니다.
전체 모바일 게임 생태계는 매년 약 500억 달러의 광고 지출을 창출하는 것으로 추정되어 거대하고 지속적으로 확장되는 시장임을 나타냅니다.
모바일 게임 사용자는 종종 게임 내 보상을 얻기 위해 광고를 시청하며, 이는 광고 역학을 근본적으로 변화시킵니다. 이러한 보상 기반 상호 작용은 게임 경험 내에서 직접 사용자 의도를 생성할 수 있는 독특한 가능성을 제공합니다.
이러한 역학은 플레이어가 이미 가치를 위해 새로운 콘텐츠에 참여할 준비가 되어 있으므로 다양한 게임 경험 간의 원활한 전환을 가능하게 합니다.
이러한 고급 기능은 AppLovin이 게임을 넘어 성인 소비자에게 맞춤형 경험을 제공할 수 있도록 합니다.
딥러닝 모델을 통한 전자상거래로의 전략적 확장은 훨씬 더 큰 경제 규모를 활용하고 회사의 도달 범위와 수익 잠재력을 크게 확장하는 데 중요합니다.
광고는 현재 인공지능을 구동하는 많은 딥러닝 기술의 초기 구현 기반 역할을 했습니다. 이러한 역사적 역할은 광고를 'ML 1.0'으로 확립하며, 현대 AI 발전의 중요한 선구자 역할을 합니다.
대규모 언어 모델(LLM) 연구와 추천 시스템 연구 사이에는 상당한 중복이 있으며, 이는 한 분야의 발전이 다른 분야에 직접적으로 도움이 될 수 있음을 시사합니다. 예측을 즉각적인 가치로 전환하는 능력은 광고 사업의 핵심 강점입니다.
2005년 초기의 디지털 광고는 낮은 품질과 스팸이 특징이었으며, 이는 당시 사용 가능한 기술의 한계를 반영합니다. 그 당시 기술은 효과적인 타겟팅을 가능하게 할 만큼 강력하지 않아 사용자 경험이 좋지 않았습니다.
이러한 진화는 소비자들이 이제 인스타그램과 같은 소셜 미디어 플랫폼을 통해 쇼핑 추천을 자주 발견하게 되면서 콘텐츠와 상업의 경계가 모호해지고 있음을 의미합니다.
관련성 높은 추천의 효과는 다른 게임에 내장된 미니 게임 미리 보기와의 상호 작용에서 분명히 드러나며, 광고가 사용자 경험의 환영받는 부분이 될 수 있음을 보여줍니다.
대규모 언어 모델(LLM)은 깔때기형 광고 시장의 상당 부분을 차지할 것으로 예상됩니다. 과거에는 구글 검색이 사용자에게 연구 및 거래를 지원했으며, 이 과정은 이제 LLM에 의해 효율적으로 처리됩니다.
AI 기반 질의의 증가는 전통적인 검색 기반 광고 모델에 직접적인 경쟁을 제시합니다. 대부분의 사용자가 AI 서비스가 무료로 유지될 것으로 기대하는 점을 감안할 때, 이러한 고급 플랫폼을 유지하기 위해서는 광고 지원 모델이 필요할 것입니다.
발견 광고는 소비자들이 이전에 알지 못했고 필요하다는 것을 깨닫지 못했던 제품을 소개함으로써 경제적 확장을 창출합니다. 이와 대조적으로 검색 기반 광고는 주로 기존 의도를 포착하며 새로운 경제 성장을 촉진하지 않습니다.
예를 들어, 메타의 비즈니스 모델은 새로운 거래를 효과적으로 이끄는 '발견의 순간'을 창출하는 데 탁월합니다. 이러한 발견 광고는 소비자를 흥분시킬 뿐만 아니라 실질적인 경제 성장에 기여합니다.
이 채널의 새 영상도 아티클로 메일 받으세요.
소비자들은 대화 중에 언급한 제품에 대한 광고가 곧바로 나타날 때 불안감을 느끼며, 이는 휴대폰이 '도청'하고 있다는 흔한 오해로 이어집니다. 그러나 매우 관련성 높은 광고는 일반적으로 제품 검색이나 웹사이트 탐색과 같은 추적된 디지털 행동의 결과입니다. 이러한 온라인 행동은 마이크를 활성화할 필요 없이 정교한 타겟팅을 위한 충분한 데이터를 제공합니다.
애플리케이션이 광고를 유발하기 위해 마이크 오디오를 지속적으로 분석한다는 생각은 기술적으로 비효율적이고 비현실적입니다. 그러한 프로세스는 엄청난 계산 리소스를 필요로 하고 배터리 수명을 크게 소모하여 광고 회사에게는 비실용적입니다.
또한 광고 렌더링을 위한 정밀 위치 추적 개념도 무겁고 비효율적인 방법으로 간주됩니다. 현대 광고 플랫폼은 온라인 활동에서 수집된 인구 통계, 관심사 및 행동 데이터 포인트를 조합하여 개인화된 광고를 효과적으로 제공합니다.
'트위터 세상'은 종종 기술 채택 속도를 과대평가하며, 일반 쇼핑객의 선호도가 다르다는 것을 잊고 있습니다. 대부분의 사람들은 여전히 '도파민 분비'를 제공하는 전통적인 아이쇼핑 경험에서 만족감을 얻습니다.
결과적으로 기술 에이전트가 대다수 소비자의 개인적인 거래 경험을 완전히 대체할 가능성은 낮습니다. 이는 기술 애호가들의 예측과 광범위한 소비자 행동 사이의 격차를 나타냅니다.
메타와 구글 같은 회사들은 광고 부문에서 수십 년간 지배력을 유지하며 높은 경쟁 장벽을 설정했습니다. 그러나 AppLovin은 매일의 위협을 가정하고 이를 극복하기 위해 끊임없이 노력하는 끊임없는 경계심을 받아들임으로써 번창합니다.
린 팀 구조를 유지함으로써 AppLovin은 더 크고 관료적인 조직보다 더 빠르고 적응적으로 움직일 수 있습니다. 이러한 민첩성은 빠르게 진화하는 시장 환경을 탐색하는 데 중요합니다.
우리는 결코 우리가 이겼다고 생각하지 않습니다. 우리는 매일 아침 깨어나서 아마도 지금 곤경에 처할 것이고 더 열심히 일해야 한다고 생각합니다.
이러한 높은 수익성은 주로 광고주가 고객 유치 비용을 즉각적인 가치로 충당하는 방식으로 플랫폼을 활용하는 독특한 비즈니스 모델에 의해 주도됩니다.
회사의 수익성은 전체 체인 비즈니스 모델에 의존하기보다는 집중적인 알고리즘 접근 방식에서 비롯됩니다. 이러한 전문화를 통해 고도로 효율적인 운영과 최소화된 손실이 가능합니다.
높은 EBITDA 마진은 자연스럽게 '과도한 이익'에 대한 질문을 제기하지만, AppLovin은 전략적 우위를 통해 수익성을 유지합니다. 기본 기술의 내재된 복잡성과 고도로 차별화된 데이터에 대한 접근성은 잠재적 경쟁자들에게 상당한 진입 장벽을 만듭니다.
또한 회사의 규모와 광범위한 커뮤니티 채택은 새로운 시장 진입자들에 대한 강력한 방어 역할을 합니다. 이러한 요소들이 결합하여 강력한 경쟁 해자를 구축합니다.
AppLovin은 중국 팀의 상당한 기여를 포함하여 전 세계 최고 수준의 인재와 협력하는 것을 최우선으로 합니다. 최고의 인재를 고용하려는 이러한 노력은 회사의 혁신 전략의 핵심입니다.
목표는 리더가 방에서 가장 지식이 부족한 사람이라고 느끼는 환경을 조성하는 것이며, 포로기는 이를 짜릿하게 생각합니다. 이러한 문화는 끊임없이 한계를 뛰어넘는 똑똑하고 겸손한 개인을 유치하는 데 기반을 두고 있습니다.
자막에서 근거가 되는 대목을 찾아 답합니다.
All-In Podcast의 다음 영상도 받아볼까요?
All-In Podcast에 새 영상이 올라오면, 방금 읽으신 것처럼 정리해서 메일로 보내 드릴게요.
이 채널은 지난 7일 동안 10편 올렸어요.
