대형 플랫폼 밖에 있는 화면 시간의 3분의 2
Moloco의 출발점은 안익진 대표가 Google에서 광고 시스템을 만들며 본 것입니다. 안 대표는 2008년 무렵, 본인 말로는 80명 남짓이던 YouTube팀에 합류해 동영상 수익성 예측 시스템을 만들었습니다. 이후 Android 데이터팀의 초대 테크 리드 매니저를 맡았습니다. 머신러닝에 자신이 공부한 경제학을 접목해 그곳의 광고 수익률을 50% 넘게 끌어올렸다고도 말합니다. 사람들이 디지털 시간을 실제로 어디에 쓰는지 따져 보니, Google 같은 플랫폼이 차지한 몫은 3분의 1 정도에 그쳤습니다. 나머지 3분의 2는 독립 앱, 쇼핑몰, 서비스의 몫이었습니다. 이들은 데이터가 많아도 이를 매출로 바꾸지 못했습니다. 안 대표는 2013년 대형 테크 기업에서 비슷한 시스템을 만들던 엔지니어들과 Moloco를 공동 창업했습니다. 회사 이름은 Machine Learning Company의 줄임말입니다.
구글 등 빅테크가 디지털 세상을 온통 장악한 것 같지만 수치로 계산해보니 3분의 1일 뿐이었다
Ikkjin Ahn · 몰로코 공동 창업자 겸 CEO · 한국경제 인터뷰, 한국어 원문 · 2026-01-04
Moloco를 다른 회사와 구분 짓는 것은 하나의 믿음입니다. 여러 광고주와 수백만 개 앱의 데이터로 학습한 공용 예측 엔진 하나가, 대형 플랫폼이 사내 시스템으로 누리는 효과를 다른 모든 회사에도 줄 수 있다는 것입니다. 회사는 이 엔진을 CARA(복합 광고 추천 아키텍처)라고 부릅니다. CARA는 캠페인 자동화, 지면 공급, 광고 추천, 입찰, 소재, 신호의 여섯 기술 영역으로 이뤄집니다. 회사 추산으로 CARA는 하루 1조 건이 넘는 광고 기회를 평가하고, 하루 60억 건이 넘는 이벤트로 학습하며, 업데이트한 모델을 빠르면 두 시간마다 다시 배포합니다. 서울 머신러닝 엔지니어 공고에 따르면 처리량은 초당 600만 건이 넘는 입찰 요청이고, 예측은 7밀리초 안에 끝납니다. 회사는 개선 효과가 복리처럼 쌓인다고 설명합니다. 소재를 잘 고를수록 학습 데이터가 좋아지고, 지면 데이터가 풍부할수록 입찰이 정교해진다는 것입니다.
왜 지금인가: 스마트폰 보급, 개인정보 규제, 최고가 입찰 경매
이 승부수가 지금 통하는 이유는 세 가지 변화에 있습니다. 첫째, 스마트폰이 데이터와 광고 지면을 크게 늘렸습니다. 안 대표는 사람들이 스마트폰을 들고 다니는 모습을 보고, 새 데이터의 양과 다양성이 새 시장을 열 것이라고 확신했다고 말합니다. 둘째, 개인정보 규제로 기업은 자사 고객 데이터에 기댈 수밖에 없게 됐습니다. 안 대표는 2021년 투자 유치 발표에서 개인정보 규제가 엄격해질수록 기업이 자사 데이터를 활용하는 일이 점점 더 중요해진다고 말했습니다. 셋째, 지금 앱 생태계의 경매는 대부분 최고가 경매입니다. 낙찰자가 써낸 가격을 그대로 내기 때문에, 입찰가를 정확히 매기는 만큼 실제 돈이 됩니다. Moloco는 서두르지 않았습니다. 회사는 머신러닝과 데이터 인프라를 만드는 데 6년을 썼다고 밝혔고, 창립 10주년 국내 보도는 본격적인 영업 시작을 2018년으로 적었습니다.
광고 가격을 정하는 것이 가장 어려운 문제다.
Donghwan Jeon · 몰로코 공동 창업자 겸 CTO · MOLOCON 25를 앞둔 서울 미디어 브리핑(한국어 보도) · 2025-06-12
캠페인 하나가 엔진을 거치는 과정
미국에 진출하는 한국 게임사의 앱 마케터를 예로 들어 보겠습니다(설명을 위한 가상 사례입니다). 마케터는 구매, 입금, 구독처럼 사업에 중요한 성과를 목표로 정합니다. 그리고 AppsFlyer나 Adjust 같은 모바일 측정 파트너를 연동하고, 소재를 올리고, 예산을 정합니다. 새 캠페인의 최소 예산은 하루 300달러입니다. 그다음부터는 CARA가 노출 단위로 판단합니다. 35곳이 넘는 광고 거래소나 Moloco 자체 SDK로 광고 요청이 들어오면, CARA는 이 사용자가 앱을 설치하고 전환한 뒤 계속 결제할 가능성을 예측합니다. 이어서 수십 밀리초 안에 입찰가를 정하고, 소재를 고르거나 조합합니다. 성과는 측정 파트너를 거쳐 돌아오고, 모델은 이를 바탕으로 재학습합니다. 마케터는 Moloco Ads Manager에서 지출, 설치, 수익률을 매체, 지면, 소재 단위까지 확인합니다.
엔진이 대신할 수 없는 결정은 여전히 사람이 내립니다. 마케터는 목표와 소재를 고르고, 숫자를 믿을지 판단합니다. 이 마지막 판단을 Moloco 직원이 돕습니다. 2026년 1월 넥슨 사례에서 Moloco 데이터 과학자들은 고스트 입찰을 이용한 무작위 대조 실험을 설계했습니다. 넥슨은 이 실험으로 CTV 광고가 기여도 분석에 잡힌 것 이상으로 어떤 성과를 더했는지 확인했습니다. 리테일 쪽에서는 리테일러가 운영 정책과 소재 검수를 직접 맡고, Moloco는 그 아래에서 타기팅, 상품 선정, 입찰을 처리합니다.
이 장의 수치는 대부분 Moloco 내부 추산이며, 웹사이트에 각주로 출처가 달려 있습니다. 엔진이 정말 효과가 있는지는 결국 고객이 판가름합니다. 그래서 가장 믿을 만한 사례는 고객이 직접 비교해 본 경우입니다. 넥슨의 증분 효과 실험, 무신사가 여름 프로모션 기간에 다른 매체와 성과를 비교한 사례가 그렇습니다.
서울의 채용 포지션은 대부분 이 엔진을 다룹니다. 랭킹·입찰 모델, 마케터가 쓰는 Ads Manager, 테스트 자동화, CTV 프로그램입니다. 나머지 두 자리는 커머스 미디어 쪽으로, 리테일러가 자사 쇼핑객을 대상으로 같은 엔진을 믿고 쓰도록 돕습니다. 어느 쪽이든 핵심은 같습니다. 비용을 내는 고객이 예측 시스템의 결과를 믿게 만드는 일입니다.