메타 광고 성과가 안 나오는 이유, 타겟팅의 함정에 빠져 있지는 않나요?

안녕하세요 광고퍼포먼스 3본부 5팀 김경연입니다.

오늘은 메타 타겟팅에 대해서 얘기해보려고 합니다!

분명 메타 광고의 머신러닝이 똑똑하게 고객을 찾아준다고 들었는데 막상 광고를 집행해보면 기대만큼의 성과가 나오지 않아 답답한 마음이 들 때가 많으셨을 겁니다.

타겟팅을 아주 정교하게 설정하면 그만큼 정확한 고객에게 광고가 도달할 것이라 믿었지만 현실은 예산 소진조차 원활하지 않거나 노출당 비용만 급격히 상승하는 결과를 초래하기도 합니다. 이는 메타 광고의 핵심인 머신러닝이 충분히 학습하고 활동할 수 있는 환경을 만들어주지 못했기 때문에 발생하는 전형적인 문제입니다.

타겟팅은 좁히는 것보다 적절하게 펼치는 것이 때로는 더 강력한 무기가 된다는 사실을 이해해야 합니다.

---

맞춤타겟의 정의와 활용 가치

맞춤타겟이란 광고주가 이미 확보하고 있는 비즈니스 데이터를 기반으로 생성하는 타겟팅 방식입니다. 웹사이트 방문자, 특정 페이지 체류자, 장바구니에 상품을 담은 고객, 혹은 직접 업로드한 고객 연락처 리스트 등을 소스로 활용합니다. 우리 브랜드와 한 번이라도 접점이 있었던 사람들을 대상으로 하기 때문에 리마케팅의 핵심 요소로 활용됩니다.

이 타겟의 가장 큰 장점은 전환 가능성이 매우 높다는 점입니다. 이미 브랜드를 인지하고 있는 상태이므로 구매로 이어질 확률이 신규 고객보다 훨씬 높습니다. 반면 단점은 모수의 크기가 한정적이라는 점입니다. 웹사이트 유입량이 적은 초기 비즈니스라면 맞춤타겟의 규모가 작아 광고가 노출될 기회 자체가 적을 수 있습니다. 주로 기존 고객의 재구매를 유도하거나 결제를 망설이는 사람들에게 확신을 주는 단계에서 사용하면 매우 효과적입니다.

---

유사타겟의 정의와 확장성

유사타겟이란 위에서 언급한 맞춤타겟을 소스 데이터로 삼아 이들과 비슷한 행동 패턴이나 특성을 가진 새로운 사람들을 메타의 알고리즘이 찾아주는 기능입니다. 1퍼센트에서 10퍼센트까지 범위를 설정할 수 있으며 비율이 낮을수록 소스 타겟과 더 유사한 사람들을 찾아내고 비율이 높을수록 더 넓은 잠재 고객에게 도달합니다.

장점은 우리 브랜드에 관심이 있을 법한 새로운 고객을 대량으로 발굴할 수 있다는 확장성에 있습니다. 단점은 소스가 되는 맞춤타겟의 품질이 낮거나 데이터의 양이 부족할 경우 유사타겟의 정확도 역시 비례해서 떨어진다는 점입니다. 부실한 표본을 바탕으로 복제본을 만드는 격이기 때문입니다. 유사타겟은 신규 고객 유입을 통해 비즈니스 덩치를 키워야 하는 확장 단계에서 필수적으로 활용해야 합니다.

---

머신러닝을 가로막는 좁은 타겟팅의 함정

많은 마케팅 담당자가 저지르는 실수 중 하나는 타겟팅을 너무나도 세밀하게 쪼개는 것입니다. 예를 들어 '최근 3일 이내에 결제 시도까지 완료했지만 구매는 하지 않은 사람'처럼 매우 좁은 조건을 설정하는 식입니다. 조건이 정교할수록 효율이 좋을 것 같지만 실상은 반대인 경우가 많습니다.

메타의 머신러닝이 유의미한 데이터 학습을 하려면 주당 최소 50건 이상의 전환 데이터가 필요한데 타겟 모수 자체가 너무 작으면 이 학습 단계를 넘어설 수 없습니다.

만약 광고가 머신러닝 학습 중 단계에서 며칠째 머물러 있거나 성과가 정체되어 있다면 타겟의 모수를 점검해봐야 합니다. 이때는 과감하게 조건을 완화하여 머신러닝에게 더 넓은 운동장을 제공해야 합니다.

1. 3일 이내 방문자 대신 30일 또는 90일 이내 방문자로 기간을 대폭 늘리기
2. 특정 행동을 한 사람 대신 전체 방문자로 소스 범위를 확장하기
3. 유사타겟 범위를 1%에서 3~5%까지 넓혀 데이터 수집 기회 주기

---

데이터 양과 타겟 정교함 사이의 균형 찾기

맞춤타겟과 유사타겟 중 무엇이 더 우월하다고 단정 지을 수는 없습니다. 두 기능은 서로 보완하며 시너지를 내는 관계이기 때문입니다. 비즈니스 초기에는 맞춤타겟의 모수가 부족하므로 유사타겟을 넓게 설정하여 일단 사람들을 웹사이트로 불러모으는 데 집중해야 합니다. 이렇게 유입된 트래픽이 맞춤타겟의 소스가 되어 다시 양질의 데이터를 쌓아가는 선순환 구조를 구축하는 것이 중요합니다.

어느 정도 규모가 커진 후에도 특정 타겟팅에만 고착되지 않아야 합니다. 타겟이 너무 좁으면 광고 피로도가 급격히 상승하여 광고 비용이 비싸지기 때문입니다. 성과가 떨어지는 시점이 온다면 타겟 범위를 다시 한번 넓히거나 소스 데이터를 최근 데이터로 갱신하는 등의 유연한 대처가 필수적입니다.

결국 메타 광고의 승패는 머신러닝이 원활하게 작동할 수 있는 데이터의 양을 얼마나 확보해주느냐에 달려 있습니다. 정교한 타겟팅이라는 명목 아래 머신러닝의 손발을 묶고 있지는 않은지 지금 운영 중인 캠페인을 다시 한번 살펴보시길 바랍니다. 타겟 모수를 적절히 조정하고 범위를 넓혀주는 것만으로도 막혔던 성과가 다시 흐르기 시작할 것입니다.