Encore는 SKAN, 안드로이드 및 실시간 기여 분석 환경에 유연하게 대응합니다. iOS에서는 IDFA 없이도 컨텍스트 시그널과 합성 데이터(Synthetic Data)를 사용하여 예측 정확도를 유지합니다. 미식별 설치 데이터는 자체 합성 데이터 파이프라인을 통해 경매 컨텍스트와 매칭되며, 이를 통해 시그널이 부족한 환경에서도 학습 데이터를 보강하고 모델 성능을 향상시킵니다

Encore의 모델은 데이터를 통해 학습하며, 분석가는 캠페인 전 과정에 참여합니다. 분석가들은 캘리브레이션 곡선을 모니터링하고 특이치를 식별하며, 세그먼트 간 예산을 재배정하고 기대 수익이 가장 높은 코호트로 트래픽을 유도합니다. 이러한 감독 레이어 덕분에 Encore는 과거의 모델 패턴에만 의존하지 않고 실제 비즈니스 목표에 부합하는 방향을 유지할 수 있습니다

캠페인 학습은 탐색, 최적화, 스케일업의 세 단계로 진행됩니다. 대부분의 캠페인은 초기 2주 이내에 유의미한 최적화 성과를 보이며, 모델이 인벤토리 소스와 유저 세그먼트 전반에서 시그널을 수집함에 따라 성과는 비약적으로 향상됩니다

네, Encore는 모바일 UA, 리타겟팅 및 CTV 캠페인을 지원하는 통합 인프라입니다. 오디언스 시그널, 입찰 로직 및 퍼포먼스 학습 내용이 모든 제품에 공유되므로, 각 채널의 캠페인들이 서로의 데이터를 통해 함께 학습하며 시너지를 냅니다

Encore의 모든 입찰은 단순한 이벤트 횟수가 아닌 실제 매출에 맞춰 조정됩니다. 기반 모델은 단계별로 LTV를 예측합니다. 먼저 설치나 구매와 같은 핵심 이벤트의 발생 확률을 추정한 후, 해당 이벤트로부터 기대되는 매출을 산출합니다. IAP(인앱 결제) 캠페인은 구매자별 결제 매출을, IAA(인앱 광고) 캠페인은 광고 시청자별 광고 매출을 고려합니다. 그 결과, 유저가 비즈니스에 기여하는 진정한 가치를 반영한 단일 입찰 점수가 생성됩니다

Encore는 각 캠페인 유형에 최적화된 타임 윈도우가 적용된 기여 데이터를 기반으로 학습합니다. 리타겟팅의 경우, 일반적인 기여 분석보다 훨씬 긴 행동 윈도우를 활용해 LTV를 예측함으로써 단기 윈도우에서 놓칠 수 있는 패턴을 포착합니다. UA의 경우, 포스트 인설(Post-install) 모델이 기여 및 미기여 데이터를 결합해 콜드 스타트(Cold-start) 문제를 해결하므로, 신규 캠페인도 첫날부터 앱 간 교차 학습의 혜택을 누릴 수 있습니다