토스는 어떻게 내가 모르는 고객을 찾아내나

김수언 마케터

2026-06-09

타겟 설정, 이제 마케터가
직접 안 해도 된다

데이터로 증명하는 토스애즈의 타겟 최적화 전략

광고 세팅할 때 가장 시간 많이 쓰는 게 뭐냐고 물으면, 많은 마케터들이 타겟팅이라고 한다.

성별, 연령, 관심사, 지역… 조합하다 보면 모수가 너무 좁아지고, 넓히면 예산 낭비가 걱정되고. 정답 없는 고민을 반복하게 된다.

토스애즈의 타겟 최적화는 이 고민을 다른 방식으로 접근한다.

수동 타겟팅의 한계

우리가 흔히 하는 타겟 설정 방식을 생각해보자. "우리 제품은 30대 여성, 인테리어 관심 있는 사람"이라고 가설을 세우고 조건을 입력한다. 논리적으로는 맞는 것 같지만 이건 결국 마케터의 추정이다.

실제로 구매하는 사람이 그 조건과 정확히 일치한다는 보장이 없다. 생각지도 못한 40대 남성이 더 잘 살 수도 있고, 관심사 태그 없이도 구매 의도가 높은 사람이 타겟 밖에 있을 수 있다. 수동 타겟팅은 마케터가 모르는 고객을 찾지 못한다.

리드 수집이 중요한 업종이라면 이 한계가 더 크게 느껴진다. 더 많은 전환, 더 낮은 단가, 더 좋은 고객 — 이 세 가지를 동시에 잡으려면 단순히 CPC를 조정하거나 소재를 바꾸는 것만으로는 한계가 있다.

타겟 최적화는 어떻게 다른가

타겟 최적화는 방향이 반대다. 마케터가 먼저 조건을 설정하는 게 아니라, 실제 전환 데이터에서 패턴을 찾아 비슷한 사람을 자동으로 탐색한다.

이미 전환한 사람들의 데이터를 시드(Seed)로 삼아 "이 사람들과 비슷한 사람"을 실시간으로 찾아나가는 방식이다. 여기서 토스만의 강점이 나온다. 관심사 추정이 아니라 실제 결제 데이터를 기반으로 모델이 학습한다.

V "인테리어에 관심 있을 것 같은 사람" (추측)
V "실제로 인테리어 관련 결제를 한 사람" (팩트)

실제로 어떻게 쓰나

세팅 방식도 기존과 다르다. 핵심은 타겟 범위를 좁히지 않는 것이다.

머신러닝은 탐색할 수 있는 모수가 넓을수록 더 잘 작동한다. 조건을 잔뜩 걸어서 좁혀놓으면 오히려 학습 공간이 줄어든다.

대신 제외할 대상만 디타겟팅으로 걸어두고 나머지는 머신러닝에 맡기는 게 권장 방식이다.

자동입찰과의 시너지

타겟 최적화가 "누구에게 보여줄지"를 잡아주면, 전환 최대화 자동입찰이 "얼마에 입찰할지"를 자동으로 조정한다.

전환 가능성이 높은 유저에게는 더 강하게 입찰하고, 낮은 유저에게는 비용을 줄이는 구조다.

성공 사례: 오늘의집

(사진 출처 : 토스애즈)

인테리어 직접 시공 서비스를 운영하는 오늘의집의 마케팅 목표는

상담·견적 신청 리드를 더 많이, 더 낮은 단가로 확보하는 것이었다.

처음에는 토스 퍼스트파티 데이터 기반으로 인테리어 관심 타겟을 직접 설정했다.

성과는 어느 정도 나왔지만 모수 확장에 한계가 있었고, 운영 리소스도 계속 들어갔다.

도입 결과

1. 타겟 최적화 적용: 수동 타겟팅 대비 CPA 29% 절감
2. 전환 최대화 자동입찰 병행: 최종적으로 CPA 62% 절감

타겟 최적화로 찾아낸 유망 유저에게 더 강하게 입찰하고, 가능성이 낮은 유저에게는 비용을 아끼는 구조가 작동하면서 예산을 늘려도 성과가 흔들리지 않고 안정적으로 소진됐다.

토스애즈, 어디서부터 시작해야 할지 막막하다면?

캠페인 목표 설정부터 소재 제작, 성과 분석까지 — 김수언 마케터에게 문의해 주세요.

내선번호 02-6049-4490 / 010-5221-9867
E-mail sooan0524@ampm.co.kr

마케팅 인사이트

데이터가 없습니다.