[앱 광고 트렌드와 미래 대비] - 머신 러닝의 고도화, 마케터의 역할은 무엇인가?
최재형 마케터
2026-04-22
조회수 : 103
댓글 0
안녕하세요, Ampm 글로벌 퍼포먼스 3본부 5팀 최재형입니다.
1편에서 다룬 ''데이터 추적의 한계'가 마케터에게 닥친 위기라면, 2편은 매체들이 이 위기를 타개하기 위해 내놓은 머신 러닝이라는 무기.
그리고 그 속에서 마케터가 어떻게 살아남아야 하는지에 대한 생존 전략을 다뤄보도록 하겠습니다.
1. 마케팅 트렌드의 변화
-> 구글 Ads의 UAC(앱 캠페인)나 메타의 어드밴티지+ 캠페인 등 주요 매체의 자동화 솔루션이 이제는 선택이 아닌 필수가 되고 있습니다.
- 과거에는 연령, 성별, 관심사, 게재 위치, 입찰가 등을 마케터가 하나하나 깎아가며 타겟을 찾았습니다. 하지만 이제는 매체의 AI가 실시간으로 수만 개의 변수를 계산하며 최적화를 진행합니다.
2. 실무자의 딜레마
-> 기계의 압도적인 효율, 이제는 인정할 수 밖에 없습니다. 타겟을 넓게 열어두고 기계에게 맡겼을 때, 사람의 생각으로 교집합 타겟을 짰을 때 보다 CPA나 ROAS가 우수하게 나오는 경우가 많습니다.
하지만 이러한 머신 러닝에도 치명적인 단점이 있습니다. '과정이 보이지 않는다'는 점입니다.
- 실무를 하다 보면, 타겟팅을 내 의도대로 좁히고 싶어서 어드밴티지 설정을 끄려 해도, 자동으로 활성화되어 있거나 끌 수 조차 없게 막혀 있는 상황이 있습니다.
- 또한, 효율이 떨어졌을 때 과거에는 "어떤 식으로 변경했더니 A 타겟의 노출이 줄어서 그렇다" 원인 분석이 가능했지만, 지금은 "머신 러닝이 일시적으로 흔들렸다" 혹은 "소재가 피로해졌다" 외에는 뾰족한 답을 찾기 힘든 딜레마가 있습니다.
3. 마케터의 역할 변화
-> 기계가 아무리 똑똑해도 입력되는 데이터가 쓰레기면 결과도 쓰레기를 배출합니다. 마케터의 핵심 역량은 매체 화면을 만지는 것이 아니라, 앱과 매체 사이의 '데이터 파이프라인'을 완벽하게 설계하는 것으로 이동했습니다.
- 파이어베이스나 MMP에서 어떤 인앱 이벤트(가입, 장바구니, 결제 등)를 매체로 쏠 것인가
- 구글 UAC 이벤트 최적화나 가치 최적화 캠페인을 돌릴 때, 단순히 '결제' 하나만 학습 시킬 것인가, 아니면 결제 유저와 패턴이 비슷한 '특정 콘텐츠 3회 이상 조회'라는 커스텀 이벤트를 만들어 머신 러닝에게 풍부한 시그널을 줄 것인가 등 이런 데이터 구조를 짜고 정합성을 맞추는 기획력이 곧 퍼포먼스 성과를 좌우하게 되었습니다.
4. 크리에이티브 디렉터 & 테스터
-> 1편에서 강조했듯, 넓은 타겟팅 속에서 유저를 낚아채는 것은 소재입니다. 마케터는 머신 러닝이 학습할 수 있는 소재(에셋)을 깔아주어야 합니다.
- 단순 제작을 넘어서서 '실험 설계'를 해야 합니다. 하나의 캠페인에 이미지, 숏폼 영상, 캐러셀 등 다양한 포맷과 소구점을 넣고 기계에게 A/B 테스트를 하게 만듭니다.
- "디자인이 예쁘다"가 아니라, A 소재(가격 할인 소구)와 B 소재(기능 강조 소구) 중 어떤 것이 알고리즘의 선택을 받아 예산을 소진했는지, 그리고 실제 데이터 상 CTR, CPI, CPA, CVR 등은 어떤 소재가 좋았는지를 분석하여 다음 크레에이티브를 디벨롭 하는 통찰력이 필요합니다.
5. 풀퍼널 전략
-> 이제 퍼포먼스 마케팅은 '광고 매체 운영'만을 의미하지 않습니다. 기계가 트래픽을 저렴하게 데려와도, 앱의 그릇이 깨져있으면 밑 빠진 독에 물 붓기입니다.
- 사용자 경험(UX)과 ASO: 유저가 광고를 클릭하고 앱에 들어왔을 때 이탈하지 않도록 앱 스토어 최적화를 하고 있는가
- 앱 설치 후 첫 화면(온보딩)에서 회원가입까지 넘어가는 허들은 없는가
- 마케터는 매체 데이터를 넘어 GA4, MMP 등을 활용해 앱 내부의 이탈 구간을 찾아 내고, 서비스 기획이나 개발 팀에 개선을 요구할 수 있는 거시적인 시야를 가져야 합니다.
6. 기계를 조종하라
-> 구글과 메타의 머신 러닝은 마케터의 일자리를 뺏는 경쟁자가 아닌, 조력자입니다.
기계가 가장 잘하는 '반복 계산과 타겟 매칭'은 기계에게 넘겨주고, 사람만이 할 수 있는 '목표 설정, 데이터 구조 기획, 메시지 발굴'에 집중하는 시대가 되었습니다.
ㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡ
앞서, 설명한 데이터 파이프라인에 대한 설계 가이드를 간단하게 드려보도록 하겠습니다.
1. 이벤트 택소노미 설계: "어떤 데이터를 기계에게 학습 시킬 것인가"
-> 머신 러닝은 마케터가 던져주는 이벤트를 기준으로 최적화를 진행합니다. 단순히 '앱 설치'만 매체로 넘겨주고 끝내기 보다, 유저가 앱 내에서 하는 의미 있는 행동들을 세밀하게 정의하고 추적해야 합니다.
- 표준 이벤트와 커스텀 이벤트의 조화: '회원가입, 장바구니 담기, 구매'처럼 매체에서 기본적으로 인식하는 표준 이벤트와, 구매한 '상품 id, 가격, 통화' 등의 파라미터 값을 함께 넘겨주어야 메타의 가치 기반 최적화나 구글의 ROAS 입찰 머신 러닝이 제대로 작동합니다.
- 선행 지표 발굴: LTV가 길거나 고관여 제품의 경우 유저가 당일 설치 후 바로 결제하지 않습니다. 이때 매체에 '결제' 데이터만 넘기면 머신 러닝은 학습할 모수 자체가 부족해집니다. 이런 경우 결제할 확률이 높은 유저들의 선행 행동(찜하기 3회 이상, 상세 페이지 체류 시간 1분 이상 등)을 분석하여 '커스텀 이벤트'로 세팅하고, 이 이벤트를 최적화 목표로 삼아 기계에 던져주는 전략적 접근이 필요합니다.
2. 포스트백 매핑: "누구에게, 얼마나 데이터를 열어줄 것인가"
-> 앱 내에서 발생한 이벤트를 정의했다면, 이제 이 데이터를 메타나 구글 같은 매체에 보내주어야 합니다.
- 기여된 이벤트만 VS 모든 이벤트: 메타 광고를 보고 들어온 유저가 발생시킨 이벤트만 메타로 보내진다면, 매체 머신 러닝이 학습할 수 있는 전체적인 모수가 적어집니다. 자연 유입이나 다른 매체를 통해 들어와서 결제한 데이터까지 모두 메타로 보내줍니다.
- 타겟팅이 브로드해진 현재 트렌드에서는 모든 이벤트를 매체로 보내어 머신 러닝의 학습 볼륨을 키워주는 것이 유리합니다.
3. 데이터 정합성 교차 검증
-> 파이프 라인 설계가 끝이 아닙니다. 실무를 하다 보면, 파이어베이스에 찍힌 수와 MMP에 찍힌 수치가 차이 나는 상황을 자주 마주하게 됩니다.
- 차이의 원인을 이해하는 통찰력: 툴마다 '기여 기간'이 어떻게 설정되어 있는지 확인해야 합니다.
- 파이어베이스는 구글 생태계에, 에어브릿지는 다양한 서드파티 매체에 강점이 있다는 것을 이해하고, 라스트 클릭 기준인지 뷰스루 기여를 포함했는지 등을 교차 검증해야 합니다.
- 데이터가 100% 일치할 수 없음을 인정하고, 각 툴의 숫자가 벌어지는 이유를 분석해 매체 효율을 판단하는 마케터의 직관과 분석력이 중요합니다.
댓글
0
마케팅 인사이트
전체 글 보기 데이터가 없습니다.