모바일 ASO 설계 접근성 향상을 위한 스토어 메타데이터 키워드 평가 방법 제안과 실증 = Improving Mobile ASO Design Accessibility: A Proposed Store Metadata Keyword Evaluation Method and Its Empirical Validation

국문 초록 (Abstract)

모바일 앱 시장의 경쟁 심화 속에서 앱스토어 최적화(App Store Optimization, ASO)는 사용자 검색 기반 노출을 확보하는 핵심 마케팅 전략으로 자리 잡고 있다. 특히 스토어 메타데이터 내 키워드 구성은 검색 유입을 좌우하는 요소임에도, 기존 상용 ASO 플랫폼은 비용·접근성 한계로 인해 개인 개발자나 중소 개발사 마케터가 활용하기 어렵다는 문제가 있다. 이에 본 연구는 일반 개발자 혹은 소규모 개발자가 무료로 사용할 수 있는 경량화된 키워드 평가 알고리즘을 제안하고, 실제 앱 사례에 적용하여 그 실효성을 검증하는 것을 목표로 한다. 연구는 주요 ASO 플랫폼(AppTweak, Sensor Tower, MobileAction)의 공통 지표 구조를 분석한 뒤, 검색량·경쟁도·연관성·경쟁 앱 파워를 통합한 평가 모델을 설계하였다. 이 알고리즘은 Google Keyword Planner, 스토어 검색 결과, 경쟁작 정보 등 무료로 접근 가능한 자료만을 활용해 키워드를 수집·선정할 수 있도록 구성되었다. 제안된 알고리즘은 실제 모바일 게임 앱의 Google Play 스토어 디스크립션에 적용되었으며, 변경 전후의 유입 흐름을 비교함으로써 그 효과를 검토하였다. 실험 결과, 알고리즘이 도출한 키워드를 디스크립션에 반영한 이후 앱의 스토어 방문자 수가 증가하며 검색 노출과 유입 측면에서 긍정적 효과가 확인되었다. 반면 다운로드 전환율은 즉각적으로 개선되지 않았는데, 이는 텍스트 기반 요소가 주로 검색 단계에 영향을 미치고, 설치 결정은 아이콘·스크린샷·영상 등 시각적·행동적 요인의 영향을 크게 받는다는 ASO의 구조적 특성을 보여준다. 이러한 결과는 키워드 최적화가 검색 가시성 향상에 효과적임을 실증적으로 확인함과 동시에, 전환 단계 개선을 위해서는 추가적 요소와의 통합적 접근이 필요함을 시사한다. 본 연구는 유료 ASO 플랫폼에 대한 의존 없이도, 개인 개발자·소규모 팀·비전문가가 실제 실무 환경에서 활용할 수 있는 키워드 분석 절차와 평가 알고리즘을 제시했다는 점에서 의미가 크다. 또한 제한된 리소스 환경에서도 재현 가능한 분석 모델을 구축함으로써, ASO 전략의 기본적 접근성을 확장하고 실무적 의사결정에 실질적 도움을 줄 수 있는 기반을 마련하였다. 향후 연구에서는 다국가 실험, A/B 테스트, 시각적 요소 결합을 통한 멀티모달 ASO 모델 등으로의 확장을 통해 알고리즘의 범용성과 설명력을 더욱 강화할 수 있을 것이다.

다국어 초록 (Multilingual Abstract)

Amid intensifying competition in the mobile app market, App Store
Optimization (ASO) has emerged as a core marketing strategy for securing
search-based visibility. In particular, keyword composition within store metadata
plays a decisive role in driving organic search traffic. However, existing
commercial ASO platforms often pose barriers for individual developers and
marketers at small and medium-sized studios due to their high costs and limited
accessibility. In response, this study proposes a lightweight keyword evaluation
algorithm that can be freely used by anyone and aims to empirically verify its
effectiveness through application to real-world app cases.
This study first analyzes the common metric structures of major ASO platforms —AppTweak, Sensor Tower, and MobileAction—and then designs an integrated
evaluation model that combines search volume, competition level, relevance, and
competitor app power. The proposed algorithm is designed to enable keyword
collection and selection using only freely accessible data sources, such as Google
Keyword Planner, store search results, and publicly available competitor
information. The algorithm was applied to the Google Play Store description of
an actual mobile game app, and its effectiveness was examined by comparing
search-based traffic flows before and after the metadata modification.
The experimental results indicate that incorporating the algorithm-derived
keywords into the app description led to an increase in store visitors, 128
demonstrating positive effects in terms of search exposure and organic traffic
acquisition. In contrast, the download conversion rate did not show immediate
improvement. This finding reflects a structural characteristic of ASO in which
text-based elements primarily influence the search and discovery stage, while
installation decisions are more strongly affected by visual and behavioral factors
such as icons, screenshots, and videos. These results empirically confirm the
effectiveness of keyword optimization in enhancing search visibility, while also
suggesting that improvements at the conversion stage require an integrated
approach that incorporates additional ASO elements.
This study is significant in that it presents a practical keyword analysis
procedure and evaluation algorithm that can be utilized by individual developers,
small teams, and non-experts without reliance on paid ASO platforms. By
establishing a reproducible analytical model suitable for resource-constrained
environments, the study expands the fundamental accessibility of ASO strategies
and provides a practical foundation for data-driven decision-making. Future
research may further enhance the generalizability and explanatory power of the
proposed algorithm through extensions such as multi-country experiments, A/B
testing, and multimodal ASO models that integrate visual elements.

목차 (Table of Contents)

• 그림목차 iv
• 표목차 vi
• 국문초록 viii
• 제 1 장 서론 1
• 제 1 절 연구의 배경 및 목적 1
• 제 2 절 연구 문제 및 연구 질문 5
• 2-1 핵심 연구 문제 5
• 2-2 핵심 연구 질문 6
• 제 3 절 연구의 필요성 7
• 제 4 절 논문의 구성 10
• 제 2 장 이론적 배경 및 선행연구 검토 11
• 제 1 절 ASO(App Store Optimization)의 개념과 구성요소 11
• 제 2 절 앱 마케팅 전략과 사용자 유입 16
• 제 3 절 ASO 선행 논문 검토 19
• 제 4 절 키워드 전략의 중요성 20
• 제 5절 주요 상용 ASO 플랫폼 소개 및 비교 23
• 5-1 플랫폼 선정 기준 24
• 5-2 App Tweak 26
• 5-3 Sensor Tower 28
• 5-4 Mobile Action 30
• 제 3 장 연구 방법론 33
• 제 1 절 연구 설계 개요 33
• 제 2 절 연구 순서 및 사전 조건 설정 34
• 제 3 절 자료 수집 방법 35
• 3-1 상용 플랫폼 데이터 수집 방법 35
• 3-2 지표 및 알고리즘 확인 방식 36
• 3-3 지표 비교 앱 선정 방식 및 비교 결과 37
• 제 4 절 분석 지표 및 상용 ASO 플랫폼의 지표 기준 비교 결과 39
• 4-1 검색량 39
• 4-2 경쟁도 41
• 4-3 연관성 42
• 4-4 기회 점수 42
• 4-5 KEI 43
• 제 4 장 알고리즘 제안: 일반 개발자를 위한 키워드 평가 수식 44
• 제 1 절 알고리즘 개요 및 설계 방향 44
• 제 2 절 핵심 지표 점수 산정 방법 45
• 2-1 데이터 수집 절차 45
• 2-2 데이터 수집 출처 46
• 2-3 검색량 산정 방법 49
• 2-4 경쟁도 산정 방법 50
• 2-5 연관성 산정 방법 52
• 2-6 앱 파워 산정 방법 55
• 제 3 절 핵심 지표 간 상관관계 분석 58
• 3-1 검색량과 경쟁도의 관계 59
• 3-2 검색량과 KEI 간의 상관관계 59
• 3-3 기회 점수와 앱 파워의 관계 59
• 3-4 연관성과 키워드 효과성 60
• 제 4 절 가중치 조정 및 최종 수식 결정 과정 60
• 4-1 지표 정의 및 정규화 60
• 4-2 최종 수식(표준형)과 초기 가중치 62
• 4-3 요약 62
• 제 5 절 최종 제안 알고리즘 설명 및 적용 지침 63
• 5-1 최종 수식 요약 63
• 5-2 디스크립션 내 적용 지침 64
• 5-3 종합 논의 64
• 제 5 장 제안 알고리즘 적용 결과 분석 66
• 제 1 절 적용 사례 앱 선정 66
• 제 2 절 실제 사용 키워드 데이터 선정 기준 66
• 2-1 후보군 확인 단계 66
• 2-2 게임과의 연관성 확인 단계 70
• 제 3 절 제안 알고리즘 적용 결과의 점수 분포 분석 70
• 3-0 데이터 수집 및 분석 설정 선언 71
• 3-1 KEI 산정 72
• 3-2 기회 점수 산정 77
• 3-3 Final Score 산정 83
• 제 4 절 연구 진행 및 결과 85
• 4.1 실제 키워드 반영 전 후 디스크립션 내용 85
• 4.2 연구 결과 89
• 제 5 절 시사점 및 유효성 91
• 5-1 검색 노출 및 유입 확대 측면에서의 유효성 91
• 5-2 실무적 관점에서의 적용 가능성 91
• 5-3 디스크립션 외 요소와의 통합 최적화 필요성 92
• 제 6 장 논의 및 결론 93
• 제 1 절 연구 결과 요약 93
• 제 2 절 이론적/실무적 기여 94
• 제 3 절 연구의 범위와 한계 95
• 제 4 절 향후 연구 과제 및 방향 97
• 참고문헌 100
• 부록 105
• Abstract 127