양승빈Yang Seungbin

PROBLEM
12개국에서 전달되는 광고 데이터의 파일 형식·언어·통화·Campaign Taxonomy·Conversion 기준이 모두 달랐고, 수작업 정제는 누락·중복·오분류 위험과 담당자 의존을 만들었다. Launch·YoY 분석은 국가별 Timezone과 Naming 차이로 동일 기준 비교가 어려웠다.

APPROACH
공통 Schema 정규화 파이프라인을 구축하고, 파일 구조가 바뀌어도 Header와 법인을 자동 식별하는 Rule 기반 Parser를 구성했다. 다중 Field Deduplication Key와 누락·이상치·Taxonomy Validation을 설계하고, Local Time을 절대시간으로 변환해 전작과 동일 경과시간 기준의 YoY 비교 체계를 만들었다.

RESULT
Weekly Cleansing 11시간 → 1.5시간. 누적 49만 행의 일관 QA 운영. 집계 오류(-93%)를 실제 성과(+52%)로 정정해 글로벌 리포팅 안정성 향상. 분석 규칙을 LLM Wiki로 자산화해 세션이 바뀌어도 동일한 기준을 재사용.

PROBLEM
신규 Creative의 CPO가 급등했는데, 실제 성과 저하인지 측정 구조 문제인지 구분할 수 없었다. Branch와 광고 플랫폼의 Attribution 기준이 달라 동일 캠페인이 서로 다른 성과로 집계됐고, App·Media·Web 데이터가 분리돼 주간 분석마다 반복 작업이 발생했다.

APPROACH
Attribution을 Method 레벨로 해체해 SAN과 Link 집계를 분리하고, 동일 조건 재집행 실험과 타 캠페인 교차 검증으로 가설을 확인했다. Vendor의 공식 확인을 받아 기간 비교 Rule을 정립하고, S3 Select 기반 서버단 필터링으로 대용량 RAW에서 분석 대상만 자동 추출하는 구조를 만들었다.

RESULT
"성과 하락"으로 보이던 것이 측정 구조 문제였음을 규명해 리포팅 기준을 재정립. 650만 행 → 3천 행으로 처리 효율화. Branch·Media·CM360이 하나의 기준으로 결합된 주간 분석 환경 구축.

PROBLEM
ADID Pool 갱신이 수동 Query와 CSV 병합에 의존했고, 매체별 파일 구조가 모두 달랐다. 수천만 건 누적 데이터의 신규·중복 관리 체계와, Enrichment 데이터가 실제로 갱신되는지 확인할 품질 검증 체계가 없었다.

APPROACH
매체별 Parser를 갖춘 Python 수집 파이프라인을 구축하고 기존 SQL Mapping 로직을 Python으로 이관해 산출물 호환성을 유지했다. 기존 Pool과 신규 데이터를 비교하는 증분 Update 구조를 만들고, 일별 Missing Pattern과 ADID 집합을 대조해 갱신 구조를 검증했다.

RESULT
2,500만 건 규모 Pool의 주간 증분 운영 체계 확보. Enrichment가 일별 재계산 없이 동일 Snapshot으로 반복 제공되던 구조를 규명해 광고주 리포팅에 품질 기준 반영. 신규 DSP 연동 기준을 표준화해 반복 활용.