Earticle

생성형 AI의 활용이 광고 제작 전반으로 확산되고 있으나, 생성형 AI를 활용한 노스탤지어 광고에서도 기존의 설득 메커니즘이 동일하게 작동하는지에 대해서는 아직 충분히 검증되지 않았다. 본 연구는 생성형 AI 광고 환경에서 노스탤지어 소구의 설득 효과와 그 심리적 과정을 살펴보기 위해 두 개의 실험을 수행하였다. 실험 1에서는 실제 소셜미디어 광고를 활용한 현장 실험을 통해 노스탤지어적 특성을 중심으로 구성된 광고 크리에이티브와 일반 광고 크리에이티브의 온라인 참여 성과를 탐색적으로 비교하였다. 그 결과, 노스탤지어적 특성을 중심으로 구성된 광고 크리에이티브가 일반 광고 크리에이티브보다 유의하게 높은 참여율을 보였다. 실험2에서는 브랜드 헤리티지 지각이 노스탤지어 소구와 브랜드 태도 간의 관계를 매개하는 것으로 나타났다. 반면, 광고 제작 주체(AI vs. 인간)의 조절효과는 유의하지 않은 것으로 나타났다. 본 연구는 생성형 AI 광고 환경에서 노스탤지어 소구의 설득 과정과 광고 제작 주체의 역할을 실증적으로 검토하였다는 점에서 학술적·실무적 의의를 지닌다.

As the use of generative AI expands in advertising, it remains unclear whether the persuasive mechanisms underlying conventional nostalgia advertising operate similarly when advertisements are identified as AI-generated. This research investigated the effectiveness of nostalgia appeals and the psychological mechanism underlying their effects in generative AI advertising. Study 1 employed a field experiment using a Facebook A/B test. The results demonstrated that the AI-generated ad featuring a nostalgic (vs. control) appeal achieved higher social media engagement. Study 2 employed a 2 (ad appeal: nostalgia vs. control) × 2 (disclosed creator type: AI vs. human) between-subjects experiment. Nostalgia appeals increased brand attitude through perceived brand heritage. In addition, advertisements attributed to a human creator elicited higher perceived brand heritage and more favorable brand attitudes than those attributed to AI. However, disclosed creator type did not significantly moderate the effects of nostalgia appeals. These findings contribute to the advertising literature by identifying perceived brand heritage as a mechanism through which nostalgia appeals enhance brand attitude while providing no evidence that this process differs by disclosed creator type.

오늘날 모바일 커머스 시장에서는 이용자의 라이프스타일과 소비 취향에 기반한 개인화 마케팅의 중요성이 증가하고 있다. 이에 본 연구는 모바일 콘텐츠 앱 이용행태와 커머스 플랫폼 신규 유입 간의 관계를 분석하고, 이러한 관계가 콘텐츠 및 커머스 플랫폼의 특성에 따라 어떻게 다르게 나타나는지를 실증적으로 살펴보고자 하였다. 분석에는 엠브레인 모바일 패널의 실제 앱 이용행태 데이터(N=23,173)를 활용하였다. 콘텐츠 앱 이용행태는 OTT(영상), 음악·오디오, 웹툰(이미지) 앱의 이용시간과 이용빈도를 중심으로 측정하였으며, 커머스 플랫폼은 버티컬 커머스의 무신사와 C2C 커머스의 당근을 대상으로 신규 유입 여부를 분석하였다. 무신사 신규유입에 대해서는 회귀분석을 실시하였으며, 당근 이용자 특성 및 신규 유입을 예측하기 위해 나이브 베이즈 분류모형을 적용하였다. 분석 결과, 무신사 신규 유입과의 관계는 콘텐츠 유형보다 개별 앱 수준에서 이질적으로 나타났다. OTT 중 Twitch는 정적, seezn과 U+모바일TV는 부적 관계를 보였으며, 음악·오디오는 대체로 부적 방향이었으나 유의하지 않았고 웹툰도 유의한 예측력을 보이지 않았다. 3월 신규 유입은 유의하게 높았고 6월은 증가 경향을 보였다. 당근은 비이용자 판별에는 높은 성능을 보였으나 이용자 판별력은 제한적이었다. 본 연구는 동일 패널의 모바일 행동 로그를 통해 콘텐츠 접점과 후속 커머스 행동을 연결하고, 플랫폼 특성에 따라 유효한 행동 신호가 달라질 수 있음을 보여주었다. 이는 행동 기반 소비자 세분화와 광고 타기팅 연구에 실증적 근거를 제공할 것으로 기대한다.

As personalized marketing based on consumers’ lifestyles and consumption preferences becomes increasingly important in the mobile commerce market, this study examines the relationship between mobile content app usage behavior and commerce platform acquisition, as well as how this relationship varies across content and platform characteristics. The analysis uses actual mobile app usage data from an Embrain consumer panel (N = 23,173). Content app usage was measured in terms of usage time and frequency across three categories: OTT/video, music/audio, and webtoon/image apps. Musinsa, a vertical commerce platform, and Karrot, a C2C commerce platform, were selected as focal platforms. Regression analysis was conducted for new user acquisition on Musinsa, while a Naive Bayes classification model was applied to examine user characteristics and acquisition on Karrot. The results showed that the relationship with new user acquisition on Musinsa was heterogeneous at the individual app level rather than uniform across content categories. Among OTT apps, Twitch showed a positive association, whereas seezn and U+ Mobile TV showed negative associations. Music/audio apps generally showed negative but statistically nonsignificant relationships, while webtoon apps did not demonstrate significant predictive power. New user acquisition on Musinsa was significantly higher in March and showed an increasing tendency in June. For Karrot, the classification model performed relatively well in identifying non-users, but its ability to identify actual users was limited. By linking mobile content touchpoints with subsequent commerce behavior using behavioral logs from the same panel, this study demonstrates that the relevance of behavioral signals may differ according to platform characteristics. The findings provide empirical implications for behavior-based consumer segmentation and advertising targeting strategies.