AI 시대 SEO가 놓치고 있는 핵심 지표: '결정 거리'

핵심

지난 20년간 SEO의 성공은 클릭, 노출수(impressions), 클릭률(click-through rate), 순위로 정의돼 왔다. AI 등장 이후 브랜드 언급(citations), 프롬프트 노출(prompt coverage), AI 추천 전환 같은 새로운 지표들이 추가됐다. 하지만 이 모든 지표는 근본적으로 같은 것을 측정한다: 의사결정 이후의 결과.

전통 지표의 한계

전통 지표는 "무엇이 일어났는가"만 보여준다

• 누군가 어떤 결과를 선택한 후 무슨 일이 벌어졌는지는 알려주지만, 그 결과가 올바른 선택이었던 이유는 거의 드러내지 않음
• 프롬프트 답변에 브랜드가 언급되거나 언급되지 않은 이유를 설명하지 못함
• 클릭률은 사람들이 클릭했다는 것만 보여줄 뿐, 왜 한 결과가 다른 것보다 더 매력적으로 느껴졌는지는 설명하지 않음
• 이탈률은 사용자가 떠났다는 것만 알려주지, 어떤 기대가 충족되지 않았는지 드러내지 않음

AI 시대에 더욱 심각해진 문제

• 생성형 언어모델(LLMs)이 검색 여정을 대폭 단축했음. 사용자가 웹사이트를 방문하기 전에 이미 답변을 얻을 수 있음(예: 구글의 AI 개요(AI Overview), 또는 대화식 쿼리로 LLM 직접 이용)
• 기존의 체계적인 검색 과정이 통합되거나 대체됨
• AI 개요와 대화식 검색이 사용자들이 클릭 전에 결과를 평가하도록 하면서, 의사결정의 대부분이 웹사이트 밖에서, 우리 시야 밖에서 일어남
• 결정이 내려질 때쯤에는 이미 행동이 취해진 상태이므로 더 이상 영향력을 미칠 수 없음

측정해야 할 것: 결정 거리(Decision Distance)

결정 거리의 정의

모든 의사결정은 기능적, 감정적, 사회적 동기의 조합으로 이루어진다. 브랜드의 메시지가 이러한 동기들과 얼마나 잘 맞는지가 사람들을 행동으로 이끌 확률을 결정한다. 결정 거리는 사용자의 기저 의사결정 동기와 고객 여정 전반에 걸쳐 브랜드가 소통하는 메시지 간의 의미론적 간격이다. 즉, 브랜드의 메시지와 제안이 실제로 누군가를 행동으로 움직이게 하는 동기에서 얼마나 떨어져 있는지를 추정하는 것이다.

실생활 예시

일상에서 우리는 끊임없이 의사결정을 내리며 선택지가 우리의 필요, 목표, 가치에 얼마나 적합한지 평가한다. 통근 경로를 선택할 때 항상 가장 빠른 길을 가는 것이 아니라, 그 순간에 중요한 것에 맞춰 선택한다. 교통 회피, 체육관 경유, 빠른 귀가 등 여정을 지속 조정하며 이동한다. 온라인 행동도 마찬가지다. 어떤 스트리밍 서비스를 구독할지, 어떤 소프트웨어를 구매할지 결정할 때도 각 선택지가 우리의 필요, 목표, 가치에 얼마나 잘 맞는지 평가한 후 결정한다. 편의성을 추구하는 우리의 자연스러운 경향에 따라, 지각된 거리(perceived distance)가 가장 작은, 즉 우리의 암묵적 요구 사항과 가장 잘 맞는 선택지를 택한다.

예시: 급여 관리 소프트웨어 검색

누군가 급여 소프트웨어를 찾는데, 가장 큰 우려가 민감한 직원 데이터를 공급자에게 맡기는 것에 대한 신뢰라고 하자. 그런데 페이지가 기능, 통합, 대시보드에 대해 대부분의 시간을 할애한다면, 결정 거리가 높으며 전환을 유도할 가능성이 낮다. 콘텐츠가 주요 쿼리와는 일치했지만, 그 브랜드에 유리한 의사결정을 위한 요구 사항과는 맞지 않은 것이다.

전통 지표와의 관계

결정 거리는 전통 SEO 지표를 대체하는 것이 아니라 보완적 지표다. 순위, 클릭, 노출수는 콘텐츠가 보였거나 행동이 취해졌는지 알려주고, 결정 거리는 행동 자체를 가능하게 했던 동기가 제대로 충족됐는지를 설명한다.

결정 거리 측정 방법 (4단계)

1단계: 고객 언어에서 의사결정 동기 파악

먼저 사용자 검색의 동기를 파악한다. 쿼리가 완전한 이야기를 말하지는 않지만, 기능적, 감정적, 사회적 동기에 대한 강한 신호를 종종 포함하며, 이는 오디언스의 의사결정 프로필을 형성하는 데 도움이 된다.

탐지하고자 하는 의사결정 동기를 정의하고 각각에 대해 짧은 설명을 작성한다. 이 설명들은 문장 임베딩(sentence embeddings)을 사용해 고객 언어와 비교할 수 있는 의미론적 참조점 역할을 하므로, 시간을 들여 이들을 정제하고 모호한 분류를 검토하는 것이 중요하다.

일반적인 의사결정 동기 예시:

• 가성비: 비용 대비 인지된 가치를 극대화하려는 욕구
• 신뢰: 브랜드가 약속을 지킬 것이라는 확신의 필요
• 편의성: 노력, 복잡도, 시간을 최소화하려는 욕구
• 사회적 증거: 다른 사람들의 행동이나 의견에서 비롯된 확신
• 품질: 뛰어난 성능, 내구성, 장인정신에 대한 기대

오디언스 데이터 수집은 검색 쿼리부터 시작해 소셜 리스닝, 고객 인터뷰, 지원 대화, CRM 데이터로 확장하여 각 단계에서 의사결정을 추진하는 요소들에 대해 더 풍부한 그림을 구축한다.

2단계: 브랜드 메시지가 이 동기들을 얼마나 잘 반영하는지 측정

다음으로 동일한 의사결정 동기 프레임워크를 사용해 브랜드의 메시지를 분석한다. 제품 페이지, 랜딩 페이지, 블로그 콘텐츠, 광고 문안 등 자신의 콘텐츠로부터 브랜드의 동기 프로필을 추정한다.

브랜드의 페이지, 주장, 메시지를 1단계에서 정립한 동일한 동기 프레임워크로 매핑하며, 각 메시지가 어느 동기들과 가장 강한 유사성을 보이는지 파악한다. 브랜드가 강화하는 동기가 무엇이고, 어느 것을 간과하는지 이해하는 것이 목표다.

3단계: 프로필 비교하여 결정 거리 계산

오디언스 프로필과 브랜드 프로필을 비교해 콘텐츠가 말하는 것과 오디언스가 움직이기 위해 실제로 들어야 할 것 간의 차이를 파악한다. 두 프로필을 비교하면 실험적 결정 거리 점수와 함께 개별 동기 간극(driver gaps)이 도출되며, 이 간극들이 최적화 및 우선순위 지정의 기회가 된다.

예시: 오디언스 프로필에서 인식 단계(awareness stage)의 주요 동기가 품질인데, 콘텐츠는 편의성을 크게 강조한다면, 품질은 미충족된 동기이자 사용자가 보고 싶어 하는 것과 더 잘 맞추기 위한 기회다.

4단계: 메시지와 콘텐츠 변경으로 간극 감소

도출된 인사이트를 사용해 정렬성(alignment)을 개선한다. 메시지 변경, 더 강력한 신뢰 신호 도입, 콘텐츠 재구성, 현재 충족되지 않는 필요를 해결하기 위한 다른 팀과의 협력이 포함될 수 있다. 이것이 사용자와의 더 나은 정렬로 향하는 로드맵이 된다.

결론

전통 검색은 쿼리 일치에 보상을 주었다. AI는 점점 더 쿼리의 이유(the reasons behind them)와의 일치에 보상을 준다. 이 이유들을 이해하는 것이 앞으로 검색에서 가장 큰 경쟁 우위 중 하나가 될 수 있다.