CTV·모바일·웹 간 크로스 디바이스 매칭(Cross-Device Matching) 기술 구조
디지털 광고 환경에서 사용자는 더 이상 단일 기기에서만 브랜드와 상호작용하지 않는다. 거실에서는 CTV(Connected TV)로 콘텐츠를 시청하고, 이동 중에는 모바일을 활용하며, 최종 구매는 데스크톱 웹에서 이루어지는 등 기기 간 이동이 자연스러워졌다. 이러한 다중 접점 환경에서 동일한 사용자가 여러 기기에서 발생시킨 행동을 하나의 연속된 여정으로 통합하는 기술이 바로 크로스 디바이스 매칭(Cross-Device Matching)이다. 이 기술은 CTV 광고가 성장하면서 더욱 중요해지고 있는데, 이유는 TV 기반 노출이 모바일 및 웹 행동으로 이어지는 실제 연계 구조를 정확하게 파악하지 않으면 광고 효과를 제대로 측정할 수 없기 때문이다. 크로스 디바이스 매칭은 단순히 기기 간 데이터를 연결하는 기술이 아니라, 사용자 기반 광고 전략의 근간을 이루는 정교한 데이터 인공지능 시스템이다.
첫째, 크로스 디바이스 매칭의 핵심은 결정적 매칭(Deterministic Matching) 구조다. 결정적 매칭은 로그인 기반 ID, 이메일, 전화번호, 계정 정보 등 사용자가 스스로 서비스에 입력한 고신뢰도 식별자에 기반한다. 예를 들어 사용자가 CTV 앱에서 로그인하고 같은 계정으로 모바일 앱에서도 로그인한다면 두 기기는 동일 사용자로 정확하게 매칭된다. 결정적 매칭의 장점은 정확도가 매우 높다는 점이다. 단점은 플랫폼별 로그인이 필수이기 때문에 활용 가능한 데이터가 제한적이라는 것이다. CTV·모바일·웹 모두 동일한 환경에서 로그인이 이루어져야만 안정적인 연결이 가능하다는 점은 여전히 해결해야 할 과제다.
둘째, 결정적 매칭의 한계를 보완하기 위해 사용되는 방식이 **확률적 매칭(Probabilistic Matching)**이다. 확률적 매칭은 기기 특성(Device Fingerprint), IP 주소, 네트워크 환경, 위치 패턴, 브라우저 정보, 이용 시간대 등 다양한 신호를 조합해 동일 사용자를 추정하는 방식이다. 예를 들어 특정 지역에서 동일한 네트워크 환경을 사용하는 CTV와 모바일 기기가 동일한 시간대에 비슷한 콘텐츠 유형을 반복 패턴으로 소비한다면 두 기기는 동일 사용자로 묶일 확률이 높아진다. 확률적 매칭은 로그인 없이도 작동하며, 데이터 규모가 커질수록 정확도가 향상된다. 하지만 개인정보 규제에 따라 사용할 수 있는 신호가 제한될 수 있어 환경 변화에 취약한 측면도 존재한다.
셋째, 크로스 디바이스 매칭은 **그래프 기반 사용자 연결 구조(User Graph Structure)**로 발전한다. 이는 기기-사용자 관계를 노드와 엣지로 구성한 네트워크 모델로 표현하는 방식이다. 예를 들어 하나의 사용자 노드는 CTV 기기, 모바일 기기 두 개, 웹 브라우저 세 개와 연결될 수 있다. 이를 통해 단순한 1:1 매칭이 아니라 사용자가 소유한 다수 기기의 생태계를 전체적으로 파악할 수 있다. 이 사용자 그래프는 시간에 따라 확장되며, 신규 기기가 사용자의 행동 패턴과 일치할 때 기존 그래프에 자연스럽게 추가된다. 대규모 광고 플랫폼과 데이터 기업들은 머신러닝 기반 그래프 모델을 활용해 사용자 연결 신뢰도를 지속적으로 업데이트한다.
넷째, CTV와 모바일·웹 간 매칭 기법에서는 **광고 노출 연동 신호(Ad Exposure Linking Signals)**가 중요한 역할을 한다. 예를 들어 CTV 광고를 본 직후 1시간 이내 특정 브랜드 모바일 앱에서 검색이 증가하거나, CTV 광고 시청 지역과 모바일 접속 위치가 일치하는 경우 광고 연동 가능성이 높아진다. 광고주들은 이를 기반으로 CTV 광고의 실질적 ‘후속 행동 영향력’을 측정할 수 있으며, 이는 CTV ROAS 분석의 핵심 지표가 된다. 특히 광고 노출과 행동 간 시간 기반 상관성(Time-Sequence Correlation)은 크로스 디바이스 매칭의 정확도를 강화하는 주요 요소이다.
다섯째, 크로스 디바이스 매칭 기술은 **프라이버시 보존 기술(Privacy-Preserving Techniques)**과 함께 운영되어야 한다. 최근 개인정보 보호 규제로 인해 광고 플랫폼은 개인 식별 정보를 직접 사용하기 어려워졌으며, 이에 따라 해싱(Hashing), 암호화, 가명처리(Pseudonymization), 페더레이티드 러닝(Federated Learning) 기반의 분석 방식이 도입되고 있다. 예를 들어 사용자의 식별 정보는 암호화된 형태로만 매칭 시스템에 들어가며, 원본 데이터는 플랫폼 외부로 이동하지 않는다. 이는 크로스 디바이스 매칭의 확장성과 규제 준수를 동시에 충족시키는 핵심 기술 구조다.
결론적으로 CTV·모바일·웹 간 크로스 디바이스 매칭은 단순한 기술이 아니라 결정적·확률적 매칭 방식, 사용자 그래프 구조, 노출 연동 데이터, 프라이버시 기술 등이 복합적으로 결합된 고도화된 데이터 시스템이다. 이 기술이 발전할수록 광고주는 사용자 여정을 정확하게 재구성하고, 디바이스 간 영향을 반영한 정교한 성과 분석과 타게팅 전략을 운영할 수 있게 된다. CTV가 중심 매체로 성장하는 지금, 크로스 디바이스 매칭은 앞으로의 광고 성과 측정과 예측 모델링의 필수 기반 기술로 자리 잡을 것이다.