크리에이티브와 캠페인 운영: 광고를 만들고 올리기

수요측 플랫폼(DSP, Demand-Side Platform) 화면을 처음 켜면 결정해야 할 항목이 수십 개입니다. 캠페인 목적, 타겟팅 조건, 입찰 전략, 빈도 제어, 예산 소진 속도, 시간대 분할, 기여 기간. 각 항목의 의미와 그 뒤에서 작동하는 메커니즘을 모르면, 화면 위의 결정은 그저 “기본값”으로 채워집니다. 이번 편은 그 화면 위의 모든 결정이 무엇을 의미하는지, 어떤 메커니즘과 연결되는지를 정리합니다.

광고주는 무엇을 올려야 하는가

지금까지 다섯 편에서 광고가 어떻게 굴러가는지를 봤습니다.

이 인프라 위에서 광고주가 무엇을 어떻게 던지는가 운영의 영역입니다. 같은 인벤토리, 같은 사용자, 같은 실시간 경매(RTB, Real-Time Bidding) 메커니즘이라도 광고주가 화면 위에서 어떻게 결정하느냐에 따라 결과가 갈라집니다.

광고 업계의 한 흐름을 보여주는 통계로, 동적 크리에이티브 최적화(DCO, Dynamic Creative Optimization)를 도입한 광고주는 정적 광고 대비 클릭률(CTR, Click-Through Rate)이 약 30% 안팎, 전환율(CVR, Conversion Rate)이 약 20% 안팎 상승한다는 보고가 있습니다. 같은 인벤토리, 같은 사용자에게 다른 크리에이티브를 던졌을 뿐인데 결과가 그 정도 갈라집니다.

1. 크리에이티브 자동화: 광고를 자동으로 만든다

광고주가 던지는 “광고”는 더 이상 한 장의 고정 이미지가 아닙니다. 사용자, 시점, 맥락에 따라 동적으로 조립되는 크리에이티브의 시대로 넘어가 있습니다.

1) 동적 크리에이티브 최적화(DCO)

DCO는 사용자별, 시점별로 광고 요소(이미지, 카피, 행동 유도 버튼(CTA, Call To Action), 가격, 상품)를 동적으로 조립하는 방식입니다. 한 줄로 정의하면 다음과 같습니다.

DCO는 정적인 광고 한 장을 만드는 대신, 모듈형 크리에이티브 자산과 데이터 피드, 머신러닝 최적화 엔진을 묶어 임프레션마다 다른 광고를 조립해 송출하는 시스템입니다.

작동 원리는 세 부품의 결합입니다.

첫째, 크리에이티브 템플릿. 헤드라인, 메인 이미지, CTA, 배경, 가격이 들어갈 자리를 미리 비워둔 골격입니다.
둘째, 데이터 피드. 상품 정보(가격, 재고, 할인율), 사용자 정보(과거 본 상품, 구매 이력, 위치, 디바이스), 시점 정보(날씨, 시간대)가 실시간으로 흐릅니다.
셋째, 머신러닝(ML, Machine Learning) 최적화 엔진. 어떤 조합이 어떤 사용자에게 가장 잘 먹히는지 학습합니다.

여기서 머신러닝이 어떻게 학습하는지가 핵심입니다. 모듈형 자산 5종(헤드라인 5개·이미지 5개·CTA 3개·배경 4개·가격 3개)만 있어도 가능한 조합은 900개입니다. 이걸 일일이 사람이 비교하는 일은 가능한 자리가 아닙니다. DCO 엔진은 통상 멀티 암드 밴딧(MAB, Multi-Armed Bandit)* 또는 컨텍스추얼 밴딧(Contextual Bandit)* 같은 강화학습 알고리즘으로 작동합니다. 즉, 새 조합을 시험하는 탐색(Exploration)과 성과 좋은 조합을 강화하는 활용(Exploitation)을 동시에 굴리며, 한 발 더 나아가 사용자 맥락(연령, 디바이스, 시간대)을 입력으로 받아 “이 맥락에는 이 조합”이라는 조건부 정책을 학습합니다.

멀티 암드 밴딧(MAB, Multi-Armed Bandit): 여러 가지 선택지 중에서 어떤 것이 가장 큰 보상(수익)을 줄지 모르는 상황에서, 한정된 자원(시간, 기회)을 효율적으로 배분하여 최적의 선택을 찾아내고 수익을 최대화하는 강화학습 알고리즘. 원 암드 밴딧이라는 카지노 슬롯 머신에서 유래.

컨텍스추얼 밴딧(Contextual Bandit): 머신러닝 및 강화 학습에서 ‘현재 상황(Context)’을 고려하여 어떤 행동(Action)을 취할지 결정하는 알고리즘

같은 광고 슬롯에서 사용자 A가 보는 광고와 사용자 B가 보는 광고가 다릅니다. A에게는 어제 본 적 있는 상품과 할인 쿠폰이, B에게는 추천 상품과 후기 별점이 들어갑니다. 정적 크리에이티브와 비교하면 다음과 같은 차이가 있습니다.

비교 축	정적 크리에이티브	DCO
제작 단위	광고 한 장	모듈형 자산(이미지·카피·CTA)
변형 수	수~수십 개 (수동 제작)	수백~수천 개 (자동 조립)
개인화 수준	세그먼트 단위	임프레션 단위
운영 부하	변형 추가가 비용 큼	자산만 추가하면 조합이 자동 확장
조합 선택	사람이 사전 설계	머신러닝이 실시간 탐색·활용
통상 성과 보고치	기준선	CTR·CVR 20~50% 상승 (자료별 편차 있음)

DCO의 효과 보고치는 자료마다 편차가 큽니다. CTR 30% 상승, CVR 20% 상승, 광고비 대비 매출(ROAS, Return On Ad Spend) 30% 이상 상승 같은 숫자가 자주 인용되지만, 도메인과 비교 기준선에 따라 결과가 갈립니다. 그래서 본문에서는 통상 보고치의 범위만 제시하고, 광고주는 자기 기준선과의 비교(A/B)로 효과를 검증해야 합니다.

2) 크리에이티브 관리 플랫폼(CMP, Creative Management Platform)

CMP는 광고주가 한 캠페인에 수백 개의 크리에이티브 변형을 다뤄야 하는 환경에서, 그 변형을 한 자리에서 만들고 관리하는 도구입니다. CMP가 처리하는 일은 네 가지로 묶입니다.

기능	설명
모듈형 자산 라이브러리	이미지, 카피, CTA, 배경 등 크리에이티브 요소를 부품 단위로 모아두고 캠페인별로 조합해 사용하는 구조
광고 형식 자동 변환	동일 자산을 디스플레이(300×250, 728×90 등), 비디오(15초·30초), 소셜(스토리 9:16, 피드 1:1) 형식으로 자동 리사이징 및 리포맷
다국어·다시장 로컬라이제이션	하나의 자산을 여러 언어로 변환하고, 시장별 가격·법적 고지 등을 자동으로 반영
브랜드 가이드라인 자동 적용	컬러, 로고 위치, 폰트 규칙 등을 시스템에 내장해 모든 변형에서 브랜드 일관성 유지

첫째, 모듈형 자산 라이브러리입니다. 이미지·카피·CTA·배경 같은 부품을 한 자리에 모아두고, 캠페인마다 골라 쓰는 자리입니다.
둘째, 광고 형식 자동 변환입니다. 같은 자산을 디스플레이(300×250, 728×90 등 수십 개 사이즈)·비디오(15초·30초)·소셜(인스타그램 스토리 9:16, 피드 1:1) 형식으로 자동 리사이징·리포맷합니다.
셋째, 다국어·다시장 로컬라이제이션입니다. 한 자산을 영어·한국어·일본어 등 여러 언어로 변환하고, 시장별 가격·법적 고지를 자동 삽입합니다.
넷째, 브랜드 가이드라인 자동 적용입니다. 컬러 팔레트, 로고 위치, 폰트 규칙을 시스템에 박아둬 어느 변형이든 브랜드 일관성을 유지하게 합니다.

대표 사업자는 셀트라(Celtra), 스마트리.io(Smartly.io), 어도비 애드버타이징 클라우드(Adobe Advertising Cloud)입니다. 셀트라는 디스플레이·소셜·비디오 통합 운영에 강점이 있고, 스마트리는 페이스북·인스타그램·틱톡 같은 소셜 광고의 대량 운영에 특화돼 있으며, 어도비는 자사 마케팅 클라우드와의 통합이 강점입니다.

CMP는 DCO의 운영 인프라이기도 합니다. DCO가 “조립·송출의 머신러닝”이라면 CMP는 “자산 관리·운영 인프라”입니다. DCO가 머신, CMP가 차고에 비유할 수 있습니다. 모듈형 자산을 만들고 관리하는 기반이 없으면 DCO가 작동할 데이터가 없습니다.

비유하자면 크리에이티브가 “예술”에서 “데이터 자산”으로 바뀌는 과정에서 사용하는 도구가 CMP입니다. 광고주는 이제 완성된 한 장의 광고가 아니라, 조립 가능한 부품 단위의 자산을 관리합니다.

3) 리타게팅의 메커니즘

리타게팅 또는 리마케팅(Retargeting, Remarketing)은 사이트나 앱을 방문한 사용자를 다시 광고로 유도하는 기법입니다. 작동 원리는 퍼스트파티 데이터(1st-party data)와 식별자의 결합입니다. 사이트 방문자 풀을 자사 도메인 또는 자체 SDK로 수집하고, 그 풀을 DSP 타겟팅에 활용합니다.

리타게팅은 한 덩어리로 다뤄지지만 실무에서는 세 가지로 분화합니다.

유형	설명
장바구니 이탈 리타게팅(Cart Abandonment Retargeting)	결제 직전에 이탈한 사용자에게 일정 기간 내 다시 광고를 노출. 전환율이 높지만 과도 노출 시 피로도 증가
상품 페이지 방문 리타게팅(Product Page Retargeting)	특정 상품을 본 사용자에게 동적 상품 광고(DPA, Dynamic Product Ads)로 동일 또는 유사 상품 재노출
시퀀셜 리타게팅(Sequential Retargeting)	한 사용자에게 광고를 순차적으로 노출. 인지 → 비교 → 전환 등 단계별 메시지 설계

첫째, 장바구니 이탈 리타게팅(Cart Abandonment Retargeting). 결제 직전에 떠난 사용자에게 며칠 안에 다시 광고를 노출합니다. 가장 전환율이 높은 자리이지만, 같은 사용자에게 잠깐 사이 같은 상품을 여러 번 보여주면 피로도가 빠르게 옵니다.
둘째, 상품 페이지 방문 리타게팅. 특정 상품을 본 사용자에게 동적 상품 광고(DPA, Dynamic Product Ads)로 그 상품 또는 비슷한 상품을 다시 노출합니다.
셋째, 시퀀셜 리타게팅(Sequential Retargeting). 한 사용자에게 여러 광고를 정해진 순서로 전달합니다. 첫 노출은 인지용 브랜드 영상, 두 번째는 제품 비교, 세 번째는 할인 쿠폰 식으로 단계적 메시지를 설계합니다.

리타겟팅을 위한 데이터 수집 방법

데이터 수집의 도구는 환경마다 다릅니다. 웹은 픽셀(Pixel, 페이지에 심는 자바스크립트 코드)로, 앱은 SDK(Software Development Kit)로 사용자 행동을 수집합니다. 픽셀은 브라우저 환경에서 작동하기 때문에 쿠키 차단·광고 차단기에 영향을 받고, SDK는 앱 안에서 작동하기 때문에 그 영향이 작습니다. 그래서 웹 환경의 리타게팅이 앱 환경보다 더 흔들리고 있습니다.

5편에서 본 쿠키 종말은 리타게팅 환경을 바꾼 가장 큰 변화입니다. 2024년 7월 구글이 서드파티 쿠키(3rd-party cookie) 폐기 계획을 철회하고 2025년 4월 초이스 프롬프트(Choice Prompt)를 취소했지만, 사파리(Safari)와 파이어폭스(Firefox)는 이미 차단을 시행하고 있어서 광고주는 사실상 쿠키리스 환경에서 리타게팅을 수행해야 합니다. 그 결과 리타게팅의 무게중심은 다음 세 가지로 이동했습니다.

접근 방식	설명
퍼스트파티 데이터 기반 자체 도메인 추적(1st-party Data Tracking)	CDP(Customer Data Platform)에 축적된 고객 식별자를 DSP나 월드 가든(Walled Garden, 폐쇄형 플랫폼)에 직접 매칭해 리타게팅 수행
서버사이드 트래킹(Server-side Tracking)	브라우저가 아닌 서버에서 이벤트를 수집·전송해 쿠키 차단이나 광고 차단기로 인한 데이터 손실을 최소화
유니버설 ID(Universal ID)	업계 공통 식별자를 활용해 쿠키 없이 사용자 식별을 대체하고, 그 기반 위에서 리타게팅 구조 재구성

첫째, 퍼스트파티 데이터 기반의 자체 도메인 추적입니다. 고객 데이터 플랫폼(CDP, Customer Data Platform)에 모인 고객 식별자를 DSP나 월드 가든(Walled Garden, 폐쇄형 플랫폼)에 직접 매칭합니다.
둘째, 서버사이드 트래킹(Server-side Tracking)으로 신호 손실을 줄입니다. 브라우저 쿠키가 차단되거나 광고 차단기가 자바스크립트를 막아도 서버에서 이벤트를 직접 수집하면 데이터 손실을 줄일 수 있습니다.
셋째, 유니버설 ID(Universal ID) 같은 업계 공통 식별자입니다. 5편에서 다룬 영역으로, 리타게팅은 이 식별자 위에서 다시 구성되고 있습니다.

리타게팅은 다른 캠페인보다 빈도 제어를 더 엄격하게 해야 합니다. 사이트를 방문한 사용자는 이미 브랜드를 인지한 상태라 같은 광고가 반복되면 피로도가 빠르게 누적됩니다. 통상 일반 캠페인의 절반 정도(1일 2~3회) 수준에서 시작해 효율을 보면서 조정합니다.

2. 캠페인 목적과 퍼널: 광고는 무엇을 위해 던지는가

모든 광고에는 목적이 있습니다. 그리고 그 목적이 마케팅 퍼널의 어느 단계인지에 따라 캠페인의 모든 설정이 달라집니다. 인벤토리도, 타겟팅도, 측정 지표도 단계마다 달라야 합니다.

1) 마케팅 퍼널의 4단계

마케팅 퍼널은 사용자가 브랜드를 처음 만나서 충성 고객이 되기까지의 여정을 네 단계로 나눈 모델입니다.

단계	사용자 상태	광고가 해야 할 일
인지(Awareness)	브랜드를 모름	알림, 도달
고려(Consideration)	브랜드를 알지만 구매 결정 전	관심, 참여
전환(Conversion)	구매 결정 직전	행동 유도
충성(Loyalty)	한 번 이상 구매한 고객	재방문, 재구매

이 4단계는 1898년 광고학자 E. St. Elmo Lewis가 제안한 AIDA(Attention-Interest-Desire-Action) 모델의 후예입니다. 100년 넘은 모델이 지금도 쓰이는 이유는, 디지털 광고의 정밀도와 무관하게 사용자의 의사 결정 흐름은 단계적이라는 사실이 변하지 않기 때문입니다.

2) 매체의 캠페인 목적 설정

캠페인 목적	노리는 사용자 행동	메타(Meta)	구글 애즈(Google Ads)
인지도(Awareness)	광고에 노출되는 사람 늘리기	인지도	인지도 및 도달
트래픽(Traffic)	사이트·앱 방문 유도	트래픽	웹사이트 트래픽
참여(Engagement)	동영상 조회·좋아요·댓글·메시지	참여	제품 및 브랜드 고려도
잠재 고객(Leads)	양식 작성·통화·가입	잠재 고객	잠재 고객
앱 프로모션(App Promotion)	앱 설치·인앱 이벤트	앱 홍보	앱 프로모션
매출·전환(Sales)	구매·결제	매출	매출
매장 방문(Store Visits)	오프라인 매장 방문	(오프라인 트래픽)	로컬 매장 방문

메타는 6~7개, 구글 애즈는 8개의 목적을 둡니다. 글로벌 DSP(트레이드 데스크, DV360)도 비슷한 골격을 공유하지만 명칭과 분화 단위가 매체마다 미세하게 다릅니다.

캠페인 목적은 머신러닝에 “무엇을 최적화하라”고 알려주는 신호입니다. 광고주가 같은 사용자에게 같은 광고를 노출하더라도 캠페인 목적이 무엇이냐에 따라 다른 인벤토리 풀이 열리고, 다른 입찰 알고리즘이 굴러갑니다. 트래픽으로 잡으면 클릭이 잘 일어나는 자리에 노출이 쏠리고, 매출로 잡으면 구매로 이어질 가능성이 높은 자리에 노출이 쏠립니다. 같은 광고비라도 결과가 갈라지는 첫 자리가 여기입니다.

캠페인 목적은 마케팅 퍼널과 1대1로 매핑되지는 않습니다. 트래픽 캠페인은 인지 단계의 사용자를 처음 끌어들이는 자리에도 쓰이고, 고려 단계의 사용자를 다시 데려오는 리타게팅 자리에도 쓰입니다. 다만 한 가지 일관된 흐름이 있습니다. 인지도·트래픽·참여 같은 상단 목적은 도달의 폭과 노출 효율에 머신러닝이 무게를 두고, 잠재 고객·매출·앱 프로모션 같은 하단 목적은 전환 가능성에 무게를 둡니다. 매체가 옵션을 어떻게 분화시키든 그 분화의 골격이 결국 AIDA의 흐름(인지 → 관심 → 욕구 → 행동)을 따라가는 이유입니다.

3) 단계별 핵심 지표(KPI, Key Performance Indicator)

같은 캠페인 매니저 화면을 켜도 어느 캠페인 목적을 잡았느냐에 따라 띄우는 숫자가 다릅니다. 매체가 캠페인 목적과 KPI를 묶어 두기 때문입니다.

캠페인 목적	핵심 KPI	KPI의 의미
인지도(Awareness)	도달(Reach), 빈도(Frequency), CPM, 브랜드 리프트(Brand Lift)	얼마나 많은 사람에게, 얼마나 자주 도달했고, 광고가 브랜드 인식을 얼마나 끌어올렸나
트래픽(Traffic)	클릭률(CTR), 클릭당 비용(CPC, Cost Per Click), 랜딩 페이지 뷰(Landing Page View)	광고에서 사이트·앱으로 데려오는 효율
참여(Engagement)	참여율(Engagement Rate), 동영상 조회율(VTR, View-Through Rate), 동영상 조회당 비용(CPV, Cost Per View)	콘텐츠와 어우러진 반응의 강도
잠재 고객(Leads)	잠재 고객당 비용(CPL, Cost Per Lead), 양식 완료율(Form Completion Rate)	양식·문의·통화·가입의 효율
앱 프로모션(App Promotion)	앱 설치당 비용(CPI, Cost Per Install), 인앱 이벤트당 비용(CPE, Cost Per Event), 앱 ROAS	앱 설치와 그 뒤 인앱 행동의 효율
매출·전환(Sales)	전환율(CVR), 전환당 비용(CPA), 광고비 대비 매출(ROAS)	구매·결제로 이어진 효율
매장 방문(Store Visits)	매장 방문 수(Store Visits), 매장 방문당 비용(Cost Per Store Visit)	오프라인 매장 방문의 효율

캠페인 목적과 KPI를 어긋나게 잡으면 캠페인이 망할 가능성이 매우 커집니다. 인지도 캠페인에서 ROAS를 보면 아직 구매 결정 직전이 아닌 사용자에게 매출을 묻는 셈이라 숫자가 나오지 않습니다. 반대로 매출 캠페인에서 도달만 보면 광고비를 의미 없는 노출에 쓰는 자리가 됩니다. 트래픽 캠페인에서 매출만 보면 클릭이 잘 일어나는 자리가 어디인지 못 보고 지나가고, 참여 캠페인에서 CPC만 보면 동영상 조회·댓글 같은 신호를 놓칩니다. 앱 프로모션 캠페인에서 너무 깊은 인앱 이벤트(예: 첫 결제)만 신호로 잡으면 학습 데이터가 너무 적어 머신러닝이 굴러가지 않습니다(이 자리는 4장 학습 단계에서 깊이 다룹니다). 캠페인 목적마다 어떤 함정이 있는지를 알고 KPI를 잡아야 합니다.

표에 없는 KPI도 광고주가 따로 봅니다. 고객 생애 가치(LTV, Lifetime Value), 재구매율(Repeat Purchase Rate), 사용자당 평균 매출(ARPU, Average Revenue Per User) 같은 충성 지표는 캠페인 매니저의 기본 화면에 떠 있지 않습니다. 광고주가 자체 분석 도구(CRM, 리테일 분석, 인앱 분석)에서 측정하는 자리이고, 한 캠페인의 운영 KPI라기보다는 광고비 효율의 사후 평가 자리에 가깝습니다.

4) 풀퍼널(Full-funnel) 전략과 시퀀싱(Sequencing)

한 광고주가 인지·고려·전환·충성 단계의 캠페인을 한꺼번에 운영하면서 같은 사용자에게 단계별로 다른 메시지를 보내는 방식이 풀퍼널 전략입니다. 그 안에서 메시지의 순서를 통제하는 일이 시퀀싱입니다.

시퀀싱이 작동하는 자리는 두 결로 나뉩니다.

첫째, 캠페인 단위 분기입니다. DSP와 월드 가든이 모두 같은 메커니즘을 공유합니다. “광고 A를 본 사용자”를 노출 기반 오디언스(Impression-based Audience)로 묶고, 그 풀을 다음 캠페인의 타겟으로 쓰는 자리입니다. 트레이드 데스크(Trade Desk)의 시퀀스 기능과 DV360의 시퀀스 옵션은 이 묶음을 캠페인 안에서 명시적으로 다루고, 메타(Meta)와 구글(Google)은 커스텀 오디언스(Custom Audience)와 리마케팅 리스트(Remarketing List)로 같은 일을 굴립니다. 유튜브(YouTube)는 비디오 광고 시퀀스(Video Ad Sequencing)라는 별도 캠페인 타입을 두고 있어, 한 사용자에게 영상 광고를 정해진 순서로 노출하는 일을 한 자리에서 처리합니다.

둘째, DCO 기반 자동 시퀀싱입니다. 같은 광고 자리에서 사용자의 노출 이력과 단계 추정값에 따라 다른 크리에이티브가 조립돼 나갑니다. 인지 단계 사용자에게는 브랜드 영상, 고려 단계 사용자에게는 제품 비교, 전환 단계 사용자에게는 할인 쿠폰. 캠페인을 단계별로 나누지 않고 한 캠페인 안에서 머신러닝이 자동으로 분기시킵니다. 1장에서 본 컨텍스추얼 밴딧이 사용자 맥락에 따라 조합을 학습하는 그 메커니즘이 시퀀싱에도 그대로 쓰입니다.

두 결의 차이는 통제 권한입니다. 첫째 방식은 광고주가 단계별 메시지·예산·타겟팅을 직접 설계하고, 둘째 방식은 자산만 던져 두면 머신러닝이 조합과 순서를 결정합니다. 풀퍼널을 운영하는 광고주는 보통 둘을 섞어 굴립니다. 큰 단계 분기는 캠페인 단위로 잡고, 같은 단계 안의 메시지 변형은 DCO에 맡기는 식입니다.

3. 타겟팅: 누구에게 광고를 보여줄 것인가

광고가 “나에게 맞는 광고”가 되는 메커니즘은 5편에서 봤습니다. 이번 자리는 광고주가 그 메커니즘을 어떻게 활용하는지의 자리입니다. 7가지 타겟팅 방식과 그 조합으로 정리됩니다.

1) 7가지 타겟팅 방식 비교

타겟팅	기준	데이터 출처	쿠키 종말 영향	적합 퍼널 단계
행동(Behavioral)	과거 행동	3rd-party 쿠키, 데이터 관리 플랫폼(DMP, Data Management Platform), CDP	큼 (3rd-party 쿠키 약화로 정밀도 하락)	고려, 전환, 충성
맥락(Contextual)	노출 페이지 콘텐츠	페이지 내용 분석	영향 없음 (오히려 부활)	인지, 고려
인구통계(Demographic)	연령, 성별, 소득	월드 가든 자체 데이터	작음	전 단계
위치(Geographic)	국가, 지역, 반경	GPS, Wi-Fi, IP	작음	전 단계
닮은꼴(Lookalike)	1st-party 시드의 닮은꼴	광고주 1st-party + 월드 가든	중간 (시드 데이터에 따라)	인지, 고려
리타게팅(Retargeting)	자기 사이트·앱 방문자	1st-party 데이터	큼 (3rd-party 의존 시)	전환, 충성
조합(Hybrid)	위 6가지의 결합	복합	의존 데이터 따라 다름	전 단계

이 표는 그 자체로 정보를 전달하지만, 그 안에 한 가지 큰 흐름이 숨어 있습니다. 쿠키 종말의 영향이 큰 행동 타겟팅과 리타게팅의 무게가 줄어들고, 영향이 없거나 오히려 부활한 맥락 타겟팅과 조합 타겟팅의 무게가 커지는 흐름입니다.

각 타겟팅의 작동 메커니즘에는 짚어 둘 함정이 있습니다. 행동 타겟팅의 정밀도는 식별자의 수명에 달려 있습니다. 3rd-party 쿠키 수명이 짧아지면 같은 사용자를 다른 사이트에서 다시 알아보지 못해 행동 데이터가 단절됩니다. 닮은꼴 타겟팅의 함정은 시드 데이터의 품질입니다. 시드가 1,000명 미만이거나 한쪽으로 치우친 사용자(예: 특정 지역의 한 캠페인으로 들어온 사용자)면 닮은꼴 풀도 그 편향을 그대로 닮습니다. 닮은꼴은 시드의 정확도를 증폭하는 도구이지 시드의 결함을 고치는 도구가 아닙니다. 인구통계 타겟팅은 월드 가든의 자체 데이터에 의존하기 때문에 쿠키 종말의 영향이 작은 듯 보이지만, 사용자가 자기 정보를 입력했는지(자가 신고)와 머신러닝이 추정한 값(추론)이 섞여 있어 정밀도는 플랫폼별로 큰 편차가 있습니다.

2) 맥락 타겟팅의 부활과 브랜드 적합성

5편에서 본 그대로, 맥락 타겟팅(Contextual Targeting)은 한때 행동 타겟팅(Behavioral Targeting)에 자리를 내줬다가 쿠키리스(Cookieless) 환경에서 다시 주목받았습니다. 부활의 동력은 인공지능입니다. 과거의 맥락 타겟팅이 페이지의 키워드와 카테고리를 보는 수준이었다면, 지금의 맥락 타겟팅은 페이지의 의미와 감정, 브랜드 안전성까지 실시간으로 분석합니다.

대표 사업자는 피어39(Peer39), 검검(GumGum), 시드태그(Seedtag)입니다. 피어39는 자연어 처리(NLP, Natural Language Processing)로 페이지의 의미와 정서를 분석하고, 검검은 컴퓨터 비전(Computer Vision)으로 이미지·비디오 안의 객체와 상황까지 인식합니다. 시드태그는 컨텍스추얼 AI(Contextual AI)로 광고주 브랜드와 페이지 콘텐츠의 적합도를 평가합니다.

이 자리에서 짚어둘 인접 개념이 두 가지 있습니다. 브랜드 안전성(Brand Safety)과 브랜드 적합성(Brand Suitability)입니다. 브랜드 안전성은 모든 광고주가 피하고 싶어 하는 자리(폭력, 음란, 혐오 콘텐츠 옆 노출)를 차단하는 일이고, 브랜드 적합성은 같은 콘텐츠라도 광고주마다 다르게 평가하는 자리입니다. 어린이 장난감 브랜드와 고급 위스키 브랜드는 같은 “건전한 콘텐츠” 안에서도 적합한 자리가 다릅니다. 과거의 맥락 타겟팅이 안전성에만 집중했다면 지금의 맥락 타겟팅은 적합성까지 다룹니다.

쿠키가 사라진 자리를 단순 키워드 매칭이 메우는 것이 아니라, AI가 페이지 자체의 맥락을 해석해 타겟팅하는 구조로 전환되고 있다는 점이 핵심입니다.

3) 조합 타겟팅: 단일이 아닌 결합

쿠키리스 시대의 두 번째 흐름은 조합 타겟팅의 부상입니다. “30대 여성”만으로는 부족합니다. “30대 여성 + 뷰티 콘텐츠를 보는 중 + 서울 거주 + 자사 사이트 방문 이력 있음”처럼 여러 신호를 결합해야 정밀도가 나옵니다.

단일 타겟팅의 정밀도가 떨어진 빈자리를, 여러 신호의 결합으로 메우는 셈입니다. 그래서 실무 캠페인에서는 행동, 맥락, 인구통계, 위치를 한 캠페인에 모두 켜고 조합하는 방식이 표준이 되어 가고 있습니다.

다만 결합에는 트레이드오프가 있습니다. 신호를 더할수록 정밀도는 높아지지만 도달 풀이 좁아집니다. 너무 많은 조건을 겹치면 풀이 너무 작아져 학습 데이터가 부족해지고, 그러면 자동 입찰이 제대로 작동하지 못하는 자리에 닿습니다. 이 자리는 4장의 학습 단계 이야기로 이어집니다.

4. 입찰 전략: 얼마에 살 것인가

DSP 화면에는 입찰 전략이 십수 개 있습니다. 이게 다 무슨 차이인지를 알면 광고비 효율이 달라집니다. 핵심은 광고주가 무엇을 자동화에 맡기느냐입니다.

1) 수동 입찰과 자동 입찰

방식	광고주가 정하는 것	머신러닝이 정하는 것	2026년 시점의 자리
수동(Manual) 입찰	입찰가 직접 지정	없음	거의 사라짐. 일부 B2B 검색 캠페인이나 매우 작은 예산 캠페인에 한정
자동(Automated) 입찰	KPI 목표(CPA, ROAS 등)	임프레션마다의 입찰가	사실상 표준

2026년 현재 자동 입찰이 사실상 표준입니다. 그 이유는 4편에서 본 RTB 메커니즘과 직접 연결됩니다. 100ms 안에 한 임프레션의 적정 입찰가를 계산하는 일은 인간 판단의 영역이 아닙니다. DSP의 머신러닝이 그동안 쌓인 학습 데이터로 적정 입찰가를 임프레션마다 다시 계산합니다. 광고주는 그 위에 KPI 목표만 얹어줍니다.

수동 입찰은 자동 입찰의 학습이 작동하지 않는 자리(전환 데이터가 거의 없는 매우 작은 캠페인, 도메인 표준 단가가 명확한 일부 B2B 검색)에 한정해 쓰이는 자리로 좁혀졌습니다. 본 글에서 이후 다루는 모든 입찰 전략은 자동 입찰의 변형입니다.

2) 학습 단계(Learning Phase): 자동 입찰의 안내선

자동 입찰을 한 줄 더 풀어 두기 전에 학습 단계를 짚어야 합니다. 자동 입찰의 결과를 결정하는 가장 큰 변수는 “DSP가 충분한 학습 데이터를 갖고 있는가”입니다. 메타(Meta)와 구글(Google)의 광고 시스템 모두 광고 세트(또는 광고 그룹)가 새로 만들어지거나 큰 변경이 있을 때마다 학습 단계라는 모드에 들어갑니다.

학습 단계의 작동을 한 줄로 정리하면 다음과 같습니다.

학습 단계는 머신러닝이 누구에게·언제·얼마에 광고를 보여줘야 KPI 목표를 달성할 수 있는지 데이터를 모아 모델을 안정시키는 기간입니다.

메타의 통상 안내는 한 광고 세트가 학습 단계를 빠져나가려면 약 7일 안에 50개의 최적화 이벤트(전환)가 필요하다는 것입니다. 이 숫자는 모델이 통계적으로 안정된 결정을 내리기 위해 필요한 신호량의 안내선이며, 50건을 채웠다고 해서 자동으로 안정 성과가 보장되지는 않습니다. 학습 단계가 끝났는지보다 더 중요한 자리는 신호의 품질·일관성·집중도입니다. 50건이 세 개의 매우 다른 세그먼트에서 시간대도 들쭉날쭉하게 들어왔다면 모델은 노이즈가 큰 자리에 머뭅니다.

학습 단계가 끝나지 못 하는 원인

학습 단계가 끝나지 못하는 흔한 원인은 네 가지입니다.

문제 원인	설명
예산 부족	일 예산이 낮아 7일 기준 약 50건의 전환 데이터가 쌓이지 않음. 학습 하한선은 대략 “목표 CPA × 50 ÷ 7” 수준
광고 세트 과도 분할	예산을 여러 광고 세트로 나누면 각 세트당 데이터가 부족해 학습 완료 불가
잦은 수정	광고, 예산, 타겟팅 변경 시마다 학습이 초기화되어 안정화 지연 (통상 7일 유지 권장)
전환 이벤트 깊이 문제	구매 등 깊은 이벤트만 설정하면 데이터가 부족. 초기에는 장바구니, 회원가입 등 얕은 이벤트로 학습 후 전환

첫째, 예산이 부족합니다. 일 예산이 너무 작아 7일 동안 50건이 안 들어옵니다. 대략적인 학습 예산 하한은 “목표 CPA × 50 ÷ 7″입니다. 예를 들어 목표 CPA가 1만 원인 캠페인은 일 예산이 약 7만 원 이상이어야 학습이 굴러가기 시작합니다.
둘째, 광고 세트를 너무 잘게 나눕니다. 같은 예산을 광고 세트 10개로 쪼개면 한 세트당 5건씩만 들어와 어느 세트도 학습을 못 끝냅니다.
셋째, 잦은 수정입니다. 광고·예산·타겟팅을 자주 손대면 그때마다 학습이 다시 시작합니다. 통상 학습이 시작된 뒤 7일은 손대지 않는 것이 권장됩니다.
넷째, 전환 이벤트가 너무 깊은 자리에 있습니다. 구매 같은 깊은 자리만 최적화 이벤트로 잡으면 신호가 너무 드물어 학습이 안 끝납니다. 그래서 캠페인 초기에는 깊은 자리(구매)가 아니라 더 얕은 자리(장바구니 추가, 회원가입)를 임시 최적화 이벤트로 잡고 데이터를 쌓는 방식이 자주 쓰입니다.

학습 단계는 캠페인 초기에 자동 입찰이 단순 전략(최저 비용·전환수 최대화)을 권장하는 이유이기도 합니다. 데이터가 충분히 쌓이기 전에 정밀 전략(tCPA·tROAS)을 켜면 머신러닝이 제약을 만족시키느라 노출 범위를 너무 좁히고, 결과적으로 학습이 더 늦어집니다. 데이터가 쌓이고 학습이 안정된 뒤에 정밀 전략으로 옮겨가는 것이 통상 흐름입니다.

3) 자동 입찰의 주요 전략

전략	무엇을 최대화·최소화하나	매체별 명칭 (메타 / 구글 애즈)	자주 쓰는 자리
최저 비용(Lowest Cost)	예산 안에서 결과를 최대로 확보	최고 볼륨(Highest Volume) / Maximize Clicks·Maximize Conversions	캠페인 런칭 직후, 학습 신호 확보가 우선인 자리. 양쪽 매체의 기본값
전환수 최대화(Maximize Conversions)	예산 안에서 전환 수 최대화	최고 볼륨 (전환 최적화) / Maximize Conversions	전환 수 자체가 KPI인 캠페인, 학습 단계
전환 가치 최대화(Maximize Conversion Value)	전환의 가치(매출·LTV) 최대화	최고 가치(Highest Value) / Maximize Conversion Value	가격대 다양한 이커머스, 게임(무과금~고과금)
목표 CPA(tCPA, target CPA)	한 건당 비용을 목표값에 맞춤	비용당 결과 한도(Cost per Result Goal) / Target CPA	학습 안정기, 명확한 단가 목표
목표 ROAS(tROAS, target ROAS)	광고비 대비 매출을 목표값에 맞춤	ROAS 한도(ROAS Goal) / Target ROAS	학습 안정기, 매출이 명확한 이커머스
입찰 상한(Bid Cap)	임프레션당 입찰가 상한 지정	입찰 한도(Bid Cap) / Maximum CPC	입찰가 인플레이션 방어, 일부 검색 광고

표에 없는 비용 상한(Cost Cap, 평균 비용에 상한을 두는 옵션)은 메타에 있고 구글에는 없습니다. 마진을 보호해야 하는 광고주가 일부 쓰지만, 머신러닝의 손발을 묶는 자리라 일상 운영에서는 자주 쓰이지 않습니다.

전략 선택은 캠페인 성숙도에 따라 단계적으로 옮겨가는 결이 있습니다. 광고주가 따라가는 흔한 흐름은 다음과 같습니다.

1단계, 런칭(0~7일)

최저 비용 또는 전환수 최대화로 시작합니다. 학습 데이터가 0인 자리에서 머신러닝에 제약을 걸지 않고 신호를 모으는 자리입니다. 메타와 구글 모두 신규 캠페인의 기본값이 이 결로 잡혀 있고, 4-2에서 본 학습 단계도 이 전략들 위에서 굴러갑니다.

2단계, 학습 종료 후 안정기(1~3주차)

광고 세트당 50건 안팎의 전환이 쌓여 학습이 끝나면 tCPA 또는 tROAS로 옮깁니다. 목표값은 학습 중에 잡힌 평균 CPA·ROAS의 110~130% 정도에서 시작합니다. 평균이 1만 원이었다면 tCPA를 1만 원~1만 3천 원 사이로 두는 식입니다. 처음부터 평균치의 80% 같은 공격적인 목표를 잡으면 머신러닝이 그 목표를 만족시키느라 안전한 임프레션만 골라 노출 볼륨이 급감하고, 결과적으로 학습 데이터가 다시 부족해지는 자리에 닿습니다.

3단계, 스케일(3주차~)

우승자가 가려진 광고 세트의 예산을 늘립니다. 한 번에 20% 이상 늘리면 학습이 재시작되는 경우가 많아, 통상 일 단위로 10~20%씩 점진적으로 올립니다. 6장에서 다룰 CBO·ABO 결정도 이 자리에서 내려집니다. 우승자들을 한 캠페인에 모아 CBO로 옮겨 머신러닝에 분배를 맡기는 것이 스케일 단계의 통상 흐름입니다.

캠페인 목적별로 자주 묶이는 입찰 전략도 정해진 결이 있습니다. 이커머스의 매출 캠페인은 tROAS가 표준이고, 가격대가 넓은 이커머스(저가·고가 상품을 한 캠페인에 같이 운영)는 전환 가치 최대화가 더 유리합니다. 앱 프로모션 캠페인은 tCPA(CPI 목표)에서 시작해 데이터가 쌓이면 앱 ROAS로 옮깁니다. 잠재 고객 캠페인은 tCPA(CPL 목표)가 표준이고, 인지도 캠페인은 도달 비용 최소화나 CPM 입찰이 기본입니다.

자동 입찰의 함정

자동 입찰의 함정은 두 가지가 있습니다.

첫째, 목표값 보수성입니다. tCPA·tROAS의 목표를 공격적으로 잡으면 머신러닝이 그 목표를 만족시키느라 노출 범위를 너무 좁히고, 결과적으로 학습 데이터가 부족해 캠페인이 정체합니다.
둘째, 입찰 상한·비용 상한의 남용입니다. 광고주가 통제 욕심으로 입찰 상한을 너무 낮게 잡으면 입찰 시장에서 패배해 노출 자체가 안 나가는 자리에 닿습니다. 입찰 상한·비용 상한은 마진 보호 같은 명확한 이유가 있을 때만 쓰고, 평소에는 머신러닝에 통제권을 넘겨주는 흐름이 권장됩니다.

tCPA와 tROAS의 작동을 한 번 더 짚어두면 이렇습니다. 광고주가 “한 건당 1만 원” 또는 “광고비의 5배 매출” 같은 목표를 입력하면, DSP의 머신러닝이 그 목표를 평균적으로 달성하도록 임프레션마다 입찰가를 조정합니다. ‘평균적으로’의 의미가 중요합니다. 모든 임프레션이 정확히 1만 원이 되는 것이 아니라, 어떤 건은 5천 원에 따고 어떤 건은 2만 원에 따면서 평균을 1만 원에 맞춥니다.

4) 비드 셰이딩과 자동 입찰

4편에서 본 1차가 경매(1st-price Auction) 환경에서는 비드 셰이딩(Bid Shading)이 자동 입찰 엔진의 기본 부품으로 들어가 있습니다. 1차가 경매에서는 입찰가가 그대로 낙찰가가 되기 때문에, 높게 부르면 과지불이 발생하고 낮게 부르면 낙찰을 놓치게 됩니다. DSP는 과거 낙찰 데이터와 경쟁 강도를 기반으로 해당 임프레션의 적정 낙찰가를 추정하고, 광고주가 설정한 최대 입찰가를 그 수준에 맞게 조정해 제출합니다.

광고주는 비드 셰이딩을 별도 옵션으로 켜거나 끌 일이 없습니다. 자동 입찰을 켜면 비드 셰이딩이 그 안에 부품으로 묻혀 같이 작동합니다. 개별 임프레션 단위의 가격 결정은 확률과 경쟁 상황을 동시에 고려해야 하기 때문에 사람이 수동으로 처리할 수 있는 영역이 아니며, 자동 입찰이 표준이 된 이유도 여기에 있습니다.

5. 운영 디테일: 빈도 제어, 페이싱, 시간대 분할, 기여 기간

캠페인 목적과 입찰 전략을 정해도 운영 디테일이 결과를 결정합니다. 같은 사용자에게 광고를 몇 번 보여줄지, 예산을 어떻게 나눠 쓸지, 언제 노출할지, 그리고 사용자가 광고를 본 뒤 며칠까지의 행동을 광고 기여로 인정할지. 이 네 가지가 화면 하단의 작은 박스 안에 있는 결정들입니다.

1) 빈도 제어(Frequency Capping)와 유효 빈도

빈도 제어는 한 사용자에게 광고가 노출되는 횟수에 상한을 두는 설정입니다. 같은 광고를 너무 많이 보면 광고 피로도(Creative Fatigue)가 생겨 광고 효과가 떨어지고, 사용자 경험을 해치며, 잠재 고객이 광고에 거부감을 갖습니다.

빈도 제어의 적정값을 잡으려면 유효 빈도(Effective Frequency)라는 개념을 알아둘 필요가 있습니다. 1972년 광고학자 허버트 크루그만(Herbert Krugman)이 제안한 “3 노출” 이론이 출발점입니다. 한 사용자가 광고를 처음 보면 “이게 뭐지”라는 인식이, 두 번째에는 “나에게 어떤가”라는 평가가, 세 번째에는 “사야겠다 또는 무시하겠다”라는 행동이 일어난다는 가설입니다. 이 가설은 90년대 미국 포장재 광고주의 90% 가까이가 “3+ 도달”(3회 이상 노출된 사용자 수)을 미디어 플래닝의 표준 KPI로 삼은 흐름으로 굳어졌습니다.

디지털 광고에서 이 규칙은 변형돼 적용됩니다. 통상 디지털 광고에서 효과가 정점에 가까운 자리는 주당 약 3.4회 안팎이라는 데이터가 자주 인용됩니다. 다만 정확한 지점은 도메인·업종·단계마다 크게 다릅니다.

캠페인 단계	통상 빈도 제어 설정 (주당)	근거
인지 캠페인	1주 5~10회 (도달 우선)	1+ 도달 최대화. 한 사람이 한 번 이상 보게 하는 데 무게
고려 캠페인	1주 3~7회 (균형)	3+ 도달에 가까운 자리. 인식 → 평가 → 행동의 흐름
전환 캠페인	1주 2~5회 (정밀 노출)	이미 의도가 높은 사용자라 반복 노출이 빠르게 피로도로 전환됨
리타게팅	1주 2~3회 (가장 엄격)	사이트 방문자라 피로도가 더 빠르게 옴

이 표는 통상 범위이고, 산업과 인벤토리에 따라 차이가 큽니다. 광고주는 자기 캠페인의 CTR·CVR 추이를 보면서 적정 값을 찾습니다. 빈도 제어를 너무 낮게 잡으면 도달은 많지만 누구도 충분히 노출되지 않아 인식이 안 만들어지고, 너무 높게 잡으면 같은 사용자에게 광고비를 낭비하는 자리가 됩니다.

2) 페이싱(Pacing): 예산 소진 속도

페이싱은 캠페인 기간 안에 예산을 어떤 속도로 소진할지를 정하는 설정입니다. 세 가지 방식이 있습니다.

페이싱 방식	소진 속도	적합한 자리
균등(Even) 페이싱	캠페인 기간 동안 균등 분배	일반적 캠페인
가속(Accelerated) 페이싱	가능한 빨리 소진	시한부 프로모션, 단기 이벤트
즉시(ASAP)	즉시 가능한 만큼 소진	긴급 캠페인

페이싱이 잘못 설정되면 캠페인 첫날에 예산이 다 빠져나가거나, 마지막에 예산을 다 못 쓴 채 끝납니다. 한 달짜리 캠페인의 ASAP은 첫 이틀 안에 예산이 비는 자리가 되고, 단기 프로모션의 균등 페이싱은 결정적 시점에 노출이 부족한 자리가 됩니다.

균등 페이싱이라고 해서 24시간 동안 시간 당 똑같이 쓰는 것은 아닙니다. DSP는 시간대별 트래픽·경쟁 강도·전환 가능성을 학습해 같은 예산이라도 효율 높은 자리에 더 쓰는 방식으로 분배합니다. 그래서 같은 균등 페이싱이라도 새벽 시간대에는 적게 쓰고 저녁 시간대에는 많이 쓰는 식의 패턴이 흔합니다. 광고주가 매시간 같은 비율로 쓰고 싶다면 시간대 분할(Day-parting) 옵션으로 강제해야 합니다.

시간대 분할은 시간대별, 요일별로 광고 노출에 제한을 두는 설정입니다. B2B 광고주는 평일 9시~18시에 집중하고, 음식 배달 앱은 식사 시간대에 집중합니다. 사용자의 구매 행동이 시간대에 따라 달라지는 도메인에서는 시간대 분할만으로 효율이 크게 달라집니다.

몰로코의 주간 예산 최적화 같은 기능은 이 시간대 분할을 머신러닝으로 자동화한 자리입니다. 광고주가 시간대를 직접 정하는 대신, 시스템이 과거 데이터를 학습해 가장 효율 높은 요일과 시간을 찾아 예산을 자동 분배합니다.

3) 기여 기간(Lookback Window)

기여 기간은 사용자가 광고를 본 뒤 며칠 안에 일어난 전환을 광고의 기여로 인정할지 정하는 설정입니다. 두 가지 윈도우가 따로 있습니다.

윈도우	의미	매체별 기본값	조정 가능 범위
클릭 기여 윈도우	광고를 직접 클릭한 뒤 N일 안의 전환을 기여로 인정	메타 7일 / 구글 애즈 30일	1일·7일·14일·30일
뷰 기여 윈도우	광고가 화면에 노출된 뒤 N일 안의 전환을 기여로 인정	메타 1일 / 구글 애즈 1일	끄거나 1일·7일

클릭 윈도우가 뷰 윈도우보다 긴 이유는 클릭이 더 강한 의도 신호이기 때문입니다. 사용자가 광고를 직접 누른 사건은 그 뒤 며칠에서 한 달 가까이 광고의 영향이 남아 있다고 가정할 만한 자리이지만, 광고를 보고 그냥 지나친 사건은 그 영향이 빨리 사그라듭니다.

여기서 “광고를 봤다”의 정의가 매체에 따라 매우 느슨한 점을 짚어 둘 필요가 있습니다. 메타는 광고가 화면에 1픽셀 이상 들어오면 임프레션(Impression)으로 카운트합니다. 사용자가 그 광고를 실제로 봤는지·인지했는지, 얼마나 오래 머물렀는지는 알 수 없습니다. 사용자가 인스타그램 피드를 빠르게 스크롤하면서 광고가 한 픽셀이라도 화면에 들어왔다면, 그 사용자는 그 뒤 24시간 안의 어떤 전환도 광고 기여로 잡히는 자리에 들어갑니다. 그래서 뷰 윈도우를 길게 잡을수록 광고가 실제로 만들지 않은 매출까지 기여로 잡히는 과대 기여(Over-attribution) 자리에 닿기 쉽습니다.

윈도우 길이의 선택은 트레이드오프입니다. 짧게 잡으면 늦게 결제하는 사용자의 매출을 놓치고(언더 어트리뷰션, Under-attribution), 길게 잡으면 광고가 직접 만들지 않은 매출까지 기여로 잡힙니다(과대 기여, Over-attribution). 통상은 도메인의 구매 사이클 길이에 맞춰 잡습니다. 일용품·식료품·식음료처럼 즉시 구매가 많은 자리는 클릭 7일·뷰 1일이면 충분하고, 가전·여행·B2B처럼 비교 검토가 긴 자리는 클릭 30일·뷰 7일이 현실에 가깝습니다.

4) 어트리뷰션 모델(Attribution Model)

윈도우 옆에 따로 결정되는 것이 어트리뷰션 모델(Attribution Model)입니다. 광고가 한 번만 보이고 사용자가 그 자리에서 바로 구매하는 일은 드뭅니다. 통상 사용자는 여러 광고에 차례로 노출된 뒤 구매에 닿습니다. 매출이 일어났을 때 이 매출을 그 사이에 노출된 여러 광고에 어떻게 나눠줄지가 어트리뷰션 모델이 답하는 질문입니다.

구체 사례로 풀어 봅니다. 한 사용자가 일주일 안에 다음 흐름을 거쳐 10만 원짜리 상품을 결제했다고 가정합니다.

이 10만 원은 인스타·구글·페이스북 세 광고가 모두 만든 자리입니다. 다만 “어느 광고가 얼마를 만들었는지”는 어트리뷰션 모델마다 다르게 답합니다.

어트리뷰션 모델의 종류

어트리뷰션 모델	크레딧 분배 방식	위 사례에서 10만 원의 분배
라스트 클릭(Last-Click)	마지막으로 클릭한 광고에 100%	페이스북 10만 원, 인스타·구글 0원
첫 클릭(First-Click)	처음 클릭한 광고에 100%	구글 10만 원, 인스타·페이스북 0원
선형(Linear)	모든 접점에 균등 분배	셋 다 약 3.3만 원씩
시간 감쇠(Time Decay)	전환에 가까울수록 큰 가중치	페이스북 5만, 구글 3만, 인스타 2만
위치 기반(Position-Based)	첫 접점 40%, 마지막 접점 40%, 나머지 20%	인스타 4만, 페이스북 4만, 구글 2만
데이터 기반(DDA, Data-Driven Attribution)	비슷한 경로를 거친 다른 사용자들의 통계로 각 접점이 실제로 전환을 얼마나 끌어올렸는지 머신러닝이 계산	같은 경로의 통계가 인스타 25% / 구글 30% / 페이스북 45%로 나오면 그대로 분배

같은 10만 원 매출이라도 어느 모델을 쓰느냐에 따라 어느 캠페인이 잘했는지가 갈립니다. 라스트 클릭만 보는 광고주에게는 인스타·구글의 매출 기여가 0원으로 잡힙니다. 두 캠페인의 ROAS가 0이라면 광고주는 자연스럽게 그 예산을 줄이게 됩니다. 그런데 인스타와 구글이 사실은 사용자를 페이스북 리타게팅이 잡을 수 있는 자리까지 데려다 준 자리이기 때문에, 두 캠페인을 잘라내면 결과적으로 페이스북 리타게팅의 효과도 같이 떨어집니다. 라스트 클릭은 마지막 자리만 비추는 손전등이고, 데이터 기반은 경로 전체에 빛을 나눠주는 조명에 가깝습니다.

데이터 기반 어트리뷰션이 어떻게 30%·45% 같은 숫자를 정하는지가 한 번 더 짚을 자리입니다. 머신러닝은 비슷한 시점에 비슷한 경로를 거친 다른 사용자들의 데이터를 비교합니다. “인스타 → 구글 → 페이스북 → 결제” 경로의 사용자들과, “인스타 → 구글” 까지만 보고 결제 안 한 사용자들의 차이로 페이스북 광고가 추가로 만든 전환 확률을 계산합니다. 마찬가지로 “구글 → 페이스북 → 결제”와 “페이스북만 보고 결제” 경로를 비교해 구글 광고의 기여도를 계산합니다. 한마디로 “이 광고가 없었다면 전환이 일어났을 확률이 얼마나 떨어지는가”를 경로 전체에 대해 추정하는 자리입니다.

2026년 시점에는 데이터 기반 어트리뷰션이 사실상 표준입니다. 구글 애즈는 2023년 4월에 첫 클릭·선형·시간 감쇠·위치 기반 4개 모델을 폐기하고 데이터 기반을 기본값으로 전환했습니다. 라스트 클릭은 구매 경로가 매우 짧은 일부 자리(직접 반응 광고, 구매 의도가 높은 검색 캠페인), 즉 사용자가 한 번 광고를 보고 그 자리에서 바로 구매하는 자리에 한정해 의미가 있습니다.

6. 캠페인 구조: 계정 → 캠페인 → 광고 세트 → 광고

DSP와 광고 플랫폼의 운영 단위는 본질적으로 같은 4계층 골격을 공유합니다. 메타(Meta)와 구글(Google)은 명칭이 거의 동일하고, 트레이드 데스크(Trade Desk)와 몰로코(Moloco)는 명칭이 미세하게 다른 같은 골격(예: 트레이드 데스크의 인서션 오더(Insertion Order)·광고 그룹(Ad Group)·광고(Ad))을 가집니다. 이 구조를 알면 어떤 설정이 어디에서 결정되는지 보입니다.

1) 4계층의 역할

[계정(Account)]  결제, 권한, 전체 설정
   │
   ├─ [캠페인(Campaign)]  캠페인 목적, 전체 예산, 기간, KPI
   │      │
   │      ├─ [광고 세트(Ad Set) #1]  타겟팅 A, 입찰 전략, 빈도 제어, 예산 분배
   │      │      ├─ [광고(Ad) #1]  실제 광고 소재 1
   │      │      └─ [광고(Ad) #2]  실제 광고 소재 2
   │      │
   │      └─ [광고 세트(Ad Set) #2]  타겟팅 B, 입찰 전략, 빈도 제어, 예산 분배
   │             ├─ [광고(Ad) #3]  실제 광고 소재 3
   │             └─ [광고(Ad) #4]  실제 광고 소재 4
   │
   └─ [캠페인(Campaign) #2]  ...

계층	무엇을 결정하나	새 단위를 만드는 결	사례
계정(Account)	결제, 권한, 연결 자산(픽셀·페이지·카탈로그)	시장·브랜드·결제 통화 분리	글로벌 광고주가 미국·일본·동남아 계정을 각각 두고 비즈니스 매니저로 묶음
캠페인(Campaign)	캠페인 목적, 전체 예산, 기간, KPI	명확한 마케팅 목표·시즌성 프로모션·별도 KPI 보고 단위	“겨울 패딩 매출 캠페인”, “블랙프라이데이 프로모션”, “신규 회원 가입 잠재 고객 캠페인”
광고 세트(Ad Set)	타겟팅, 인벤토리 풀, 입찰 전략, 빈도 제어, 예산(ABO), 일정	타겟팅·인벤토리·입찰 전략 변형의 분리 시험	“20대 여성 + 서울”과 “30대 남성 + 부산”을 별개 세트로, 인스타 릴스와 페이스북 피드를 별개 세트로
광고(Ad)	크리에이티브, 카피, CTA, 랜딩 URL	같은 광고 세트 안에서 크리에이티브 시험	모델 컷과 영상 광고를 같은 세트에 두고 우승자를 가림

광고 세트 개수와 세트당 광고 개수에는 학습 제약이 따릅니다. 한 캠페인의 광고 세트가 너무 많으면 신호가 분산돼 초기 50건 학습 이벤트를 어느 세트도 못 채우고, 한 광고 세트의 광고가 7개 이상이면 노출이 분산돼 우승자가 안 가려집니다. 통상 캠페인 초기에는 광고 세트 2~5개·세트당 광고 3~6개로 출발해 학습이 끝난 뒤 우승자 중심으로 확장합니다. 1장에서 본 DCO를 쓰는 광고주는 광고 단위에 완성 크리에이티브 대신 모듈형 자산을 등록해 머신러닝이 임프레션마다 다르게 조립하게 둡니다.

매체별 명칭은 미세하게 다릅니다.

매체	4계층 명칭
메타(Meta)	Account → Campaign → Ad Set → Ad
구글 애즈(Google Ads)	Account → Campaign → Ad Group → Ad
트레이드 데스크(Trade Desk)	Advertiser → Campaign → Ad Group → Creative
몰로코(Moloco)	Account → Campaign → Ad Group → Ad

광고 세트 자리는 대부분의 매체에서 광고 그룹(Ad Group)으로, 광고 자리는 트레이드 데스크에서만 크리에이티브(Creative)로 부릅니다. 명칭만 다를 뿐 결정 단위는 같습니다.

한 계층에 여러 단위를 두는 이유

광고주가 같은 계정에 캠페인을 여러 개, 같은 캠페인에 광고 세트를 여러 개, 같은 광고 세트에 광고를 여러 개 두는 데에는 각 계층마다 다른 결의 이유가 있습니다.

계층	여러 개 두는 이유
캠페인	마케팅 목표·KPI가 다를 때(인지도와 매출을 한 캠페인에 묶기 곤란), 시즌·프로모션을 분리할 때(블랙프라이데이 한정 캠페인 vs 상시 캠페인), 시장·언어를 분리할 때(국내 vs 일본 시장), 별도 보고 단위로 측정해야 할 때
광고 세트	타겟팅을 분리해 시험할 때(20대 여성 vs 30대 남성, 신규 vs 리타게팅, 1% 닮은꼴 vs 5% 닮은꼴), 인벤토리 풀을 분리할 때(인스타 릴스 vs 페이스북 피드 vs 디스커버리), 입찰 전략 변형을 시험할 때(tCPA 1만 원 vs tROAS 5.0), 일정·시간대를 분리할 때(평일 9~18시 vs 주말 종일)
광고	크리에이티브 변형을 시험할 때(이미지 vs 영상, 카피 A vs 카피 B, CTA “구매하기” vs “더 알아보기”), 포맷을 다양화할 때(정적 이미지·캐러셀·릴스 영상을 함께), 머신러닝이 우승자를 가릴 풀을 만들 때

각 계층의 분기 결정은 4-2의 학습 단계와 같이 묶입니다. 무엇이든 너무 잘게 쪼개면 신호가 분산돼 어느 단위도 학습이 안 끝납니다. 캠페인 초기에는 캠페인 1~2개 / 세트 2~5개 / 세트당 광고 3~6개로 출발해 학습이 끝난 뒤 우승자를 중심으로 단위를 늘려가는 흐름이 표준입니다.

2) 계층별 결정 항목

결정 항목	결정되는 계층	왜 그 계층인가
캠페인 목적	캠페인	한 캠페인 = 한 목적
전체 예산·기간	캠페인	마케팅 목표 단위
타겟팅	광고 세트	“누구에게” 단위
인벤토리 풀(노출 위치)	광고 세트	“어디에서” 단위
일정·시간대 분할	광고 세트	노출 시점 단위
빈도 제어	광고 세트	인벤토리·타겟 결합 단위
입찰 전략	광고 세트 또는 캠페인	일관 vs 시험의 갈림
예산 분배	캠페인(CBO) 또는 광고 세트(ABO)	예산 분배 방법의 차이
페이싱	예산이 묶인 자리	예산 분배 방법의 차이
크리에이티브	광고	노출 단위

같은 항목이 두 계층에서 결정 가능한 자리(입찰 전략·예산·페이싱)는 일관성 vs 실험의 트레이드오프로 갈립니다. 입찰 전략을 캠페인 단위에 두면 그 캠페인의 모든 광고 세트가 같은 전략(예: 모두 tROAS 5.0)으로 굴러가서 관리가 단순하지만 세트별 변형을 시험하지 못합니다. 광고 세트 단위에 두면 한 세트는 tCPA 1만 원, 다른 세트는 tROAS 5.0 같은 변형이 가능합니다. 통상 캠페인 초기 학습 시기에는 세트 단위에 두고 변형을 시험하다가, 우승 전략이 가려진 안정기에는 캠페인 단위로 끌어올려 일관 운영하는 흐름입니다. 예산도 같은 결로 갈라집니다.

4) CBO와 ABO: 예산을 누가 분배하는가

여러 광고 세트를 둔 캠페인에서 예산을 어디에 두느냐가 다음 결정입니다. 이 결정이 캠페인 예산 최적화(CBO, Campaign Budget Optimization)와 광고 세트 예산 최적화(ABO, Ad Set Budget Optimization)의 갈림입니다. 메타는 CBO를 어드밴티지+ 캠페인 예산(Advantage+ Campaign Budget)으로 리브랜딩한 상태입니다.

비교 축	CBO	ABO
예산이 위치하는 계층	캠페인	광고 세트
광고 세트별 분배 결정자	DSP의 머신러닝	광고주
통제력	낮음 (자동)	높음 (수동)
학습 효율	우승자에 집중해 빠름	각 세트가 공평하게 받지만 학습 데이터 분산
적합한 자리	학습이 끝나 어느 광고 세트가 잘 굴러가는지 가려진 안정기·스케일 단계	새 변형(타겟·크리에이티브·입찰 전략)을 공정하게 비교하는 테스트 단계

CBO를 켜면 머신러닝이 광고 세트들 사이에 예산을 자동 분배합니다. 캠페인에 일 25만 원 예산을 두고 광고 세트 5개를 만들면, 머신러닝은 예측 성과에 따라 A 세트에 15만 원, B에 6만 원, C에 3만 원, D와 E에 거의 0원으로 쏠리게 분배할 수 있습니다. 우승 캠페인에 빠르게 집중한다는 장점이 있지만, 새 변형이 공정하게 시험받지 못한다는 단점도 같이 옵니다.

ABO는 광고 세트마다 예산을 따로 묶어 머신러닝이 임의로 빼지 못하게 합니다. 새 크리에이티브 5종을 공정하게 비교하고 싶을 때, 새 타겟 세그먼트가 정말 효율 있는지 검증하고 싶을 때 ABO가 적합합니다.

실무에서는 보통 처음에는 ABO로 변형들을 공평하게 시험해 어느 광고·타겟·크리에이티브가 작동하는지 가립니다. 우승자가 가려지면 그 우승자들을 한 캠페인에 모아 CBO로 옮겨 스케일을 키웁니다. ABO로 테스트, CBO로 스케일이라는 흐름입니다.

7. 캠페인 테스트: A/B와 그 너머

광고주는 항상 무언가를 실험합니다. 어떤 크리에이티브가 잘 되는지, 어떤 타겟팅이 효과적인지, 어떤 입찰가가 맞는지. 그 시험을 체계화한 게 A/B 테스트와 그 변형들입니다.

1) A/B 테스트: 두 가지 비교

A/B 테스트는 한 변수만 다르게 한 두 버전(A, B)을 비교하는 통제 실험입니다. 광고에서 가장 흔한 사용은 크리에이티브 A 대 크리에이티브 B의 비교입니다. 같은 타겟팅, 같은 입찰 전략, 같은 빈도 제어를 둔 두 광고 세트에 다른 크리에이티브 하나씩만 넣고 비교합니다.

A/B 테스트의 함정은 통계적 유의성을 확보하기 전에 결과를 보는 것에 있습니다. 표본 크기와 기간이 충분하지 않은 결과는 우연의 산물일 수 있습니다. 통상 한 변형당 최소 1,000~5,000 임프레션, 최소 7일을 권장하지만, 전환율이 낮은 도메인은 더 많은 표본이 필요합니다. 통계적 유의성은 보통 p값 0.05 미만(95% 신뢰)을 기준으로 잡지만, 메타·구글의 내장 A/B 테스트 도구는 베이지안(Bayesian) 방법으로 “A가 B를 이길 확률”을 직접 출력하기도 합니다.

2) 다변량 테스트(MVT, Multivariate Testing): 여러 변수 동시 테스트

MVT는 여러 변수(이미지, 카피, CTA)를 동시에 테스트해 최적 조합을 찾는 방식입니다. A/B보다 빠르게 답을 얻을 수 있지만, 변수가 늘어날수록 필요한 트래픽도 기하급수적으로 늘어납니다. 변수 3개(ex. 이미지, 카피, CTA)에 각 2가지 옵션이면 8개 조합, 각 4가지면 64개 조합입니다.

테스트 방식	변수 수	트래픽 요구량	적합한 자리
A/B 테스트	1개	작음	단일 요소 비교
다변량 테스트(MVT)	여러 개 동시	큼	큰 캠페인의 조합 최적화
크리에이티브 테스트(Creative Testing)	여러 개 순차	중간	정기적 크리에이티브 갱신

DCO와 결합하면 자동화된 MVT가 굴러갑니다. 광고주가 모듈형 자산을 던져 두면 머신러닝이 조합을 탐색하면서 우승 조합을 찾아갑니다.

3) “크리에이티브가 새로운 타겟팅이다(Creative is the new targeting)”

2026년 시점에 광고 업계에 정착된 명제 하나가 “크리에이티브가 새로운 타겟팅이다(Creative is the new targeting)”입니다. 쿠키 종말로 타겟팅의 정밀도가 떨어지고, 동시에 월드 가든 플랫폼의 머신러닝이 타겟팅을 자동화하면서, 광고주가 직접 통제할 수 있는 가장 큰 변수가 크리에이티브로 이동했다는 의미입니다.

이 흐름은 두 가지 변화로 이어졌습니다.

첫째, 광고주의 크리에이티브 생산량이 크게 늘었습니다. 과거에는 한 캠페인에 5개 내외의 크리에이티브를 제작하고 분기 단위로 교체하는 수준이었다면, 2026년에는 매월 수십 개 단위로 자산을 운영하는 광고주가 늘어났고, 선두 광고주는 백 단위로 확장합니다.
둘째, 타겟팅이 머신러닝 기반 자동화 영역으로 이동했습니다. 메타(Meta)의 어드밴티지+(Advantage+)를 비롯해 월드 가든 광고 시스템은 광고주가 세부 타겟팅을 설정하기보다, 넓은 타겟팅(Broad Targeting)에 다양한 크리에이티브를 투입하도록 유도합니다.

이 흐름이 7편의 검증(Measurement, 측정 인프라)과 연결되는 이유도 여기에 있습니다. 어떤 크리에이티브 조합이 성과를 만드는지 판단하는 문제는 결국 측정 데이터의 정밀도에 의존하기 때문입니다.

4) 인크리멘탈리티(Incrementality)와 브랜드 리프트(Brand Lift)

A/B 테스트는 캠페인 안에서의 비교입니다. 어느 광고가 더 잘 굴렀는지를 묻습니다. 그런데 더 큰 질문이 따로 있습니다. “광고를 안 했으면 어떻게 됐을까.” 광고를 안 본 사용자도 어차피 구매했을 수 있습니다. 그 자연 발생 매출을 빼고 광고가 추가로 만든 매출만 보는 측정이 인크리멘탈리티입니다.

인크리멘탈리티 측정은 무작위 통제 시험(RCT, Randomized Controlled Trial)의 광고판입니다. 같은 모집단을 무작위로 두 그룹으로 쪼개, 한쪽(노출군, Exposed Group)에는 광고를 노출하고 다른 쪽(홀드아웃군, Holdout Group)에는 광고를 노출하지 않은 채 두 그룹의 전환율을 비교합니다. 차이가 광고가 추가로 만든 가치(Incremental Lift)입니다.

측정 방법은 통상 네 가지로 나뉩니다.

첫째, 사용자 단위 무작위 분할입니다. 메타·구글의 내장 컨버전 리프트 테스트(Conversion Lift Test)가 이 방식입니다. 가장 정밀하지만 광고 플랫폼이 노출을 강제할 수 있는 환경(자기 플랫폼 안)에 한정됩니다.
둘째, 지오 리프트(Geo Lift)입니다. 지역 단위로 노출군·홀드아웃군을 쪼갭니다. 전국 캠페인이나 TV·옥외 광고처럼 사용자 단위 분할이 어려운 자리에서 씁니다.
셋째, 예산 홀드아웃(Budget Holdout)입니다. 일정 비율의 예산을 일정 기간 끄고 매출 변화를 비교합니다. 운영이 단순하지만, 광고를 멈추는 동안 매출이 빠진다는 비용이 따릅니다.
넷째, 모형 기반 인과 추론(Model-based Causal Inference)입니다. 무작위 분할이 불가능한 자리에서 통계 모형으로 인과 효과를 추정합니다.

브랜드 리프트는 인크리멘탈리티와 비슷하면서도 다른 지표입니다. 광고 노출 그룹과 비노출 그룹의 브랜드 인지도, 호감도, 구매 의향을 설문으로 비교합니다. 매출이 아니라 인식·태도의 변화를 측정한다는 점이 다릅니다. 인지·고려 단계의 KPI에 가깝고, 매출 기여를 잡기 어려운 인지 캠페인의 효과를 검증할 때 씁니다.

8. 한국 시장 운영 도구: 네이버, 카카오, 몰로코

글로벌 캠페인 운영의 원리는 한국에서도 같습니다. 다만 도구와 환경이 다릅니다. 네이버, 카카오, 몰로코의 캠페인 운영 도구를 짚어보겠습니다.

도구	운영 인벤토리	강점	적합한 자리
네이버 성과형 디스플레이 광고	네이버 자체 인벤토리(메인·서브, 네이버 밴드, 카페 등)	검색·쇼핑·디스플레이 통합 데이터	한국 시장 도달, 검색 연계 캠페인
카카오 모먼트	카카오 자체 인벤토리(카카오톡·스토리·채널)	카카오톡 비즈보드의 도달율	B2C 모바일 마케팅
몰로코 클라우드 DSP	Open RTB 인벤토리 (모바일 앱 중심)	머신러닝 자동 입찰·최적화	모바일 앱 광고, 글로벌 확장
글로벌 DSP (Trade Desk, DV360)	Open RTB 인벤토리	글로벌 인벤토리 접근, 정밀 통제	대형 광고주, 다국가 캠페인

1) 네이버 성과형 디스플레이 광고

한국 광고 업계에서 GFA(Glad For Advertisers)로 흔히 불리는 도구의 공식 명칭은 2020년 10월부터 “네이버 성과형 디스플레이 광고”로 바뀌었습니다. GFA는 변경 전 이름의 약자로 실무에서 관습적으로 통용되는 자리입니다.

이 도구는 네이버 자체 인벤토리(모바일 메인, 서브, 네이버 밴드, 카페 등)를 대상으로 하는 성과형 디스플레이 광고 플랫폼입니다. “성과형”이라는 이름이 붙은 이유는 보장형(노출 수에 따라 정해진 금액을 지불)과 달리 실시간 입찰 방식으로 클릭당 비용(CPC, Cost Per Click) 또는 CPM 단위로 광고비가 정해지기 때문입니다.

캠페인 구조는 글로벌 DSP와 같은 4계층(계정·캠페인·광고 그룹·소재)을 가집니다. 캠페인 목적은 세 가지로 분화됩니다. 웹사이트 클릭(트래픽 유도)·앱 설치·동영상 조회입니다. 각 목적에 따라 노출되는 인벤토리와 입찰 옵션이 달라집니다.

입찰 옵션은 수동 입찰과 자동 입찰을 모두 지원하지만, 글로벌 흐름과 마찬가지로 자동 입찰의 비중이 점차 커지고 있습니다. 과금 방식은 CPC·CPM·CPV(동영상 조회당 비용, Cost Per View) 중 캠페인 목적에 맞는 것을 고를 수 있습니다.

타겟팅의 강점은 검색 데이터·디스플레이 데이터·쇼핑 데이터를 한 자리에서 쓸 수 있다는 점입니다. 네이버 검색에서 특정 키워드를 검색한 사용자, 네이버 쇼핑에서 특정 카테고리를 본 사용자, 네이버 밴드에서 특정 그룹에 가입한 사용자 같은 신호를 한 캠페인에 결합해 쓸 수 있습니다. 글로벌 DSP에서는 접근하기 어려운 한국 시장 특화 데이터입니다.

2) 카카오 모먼트

카카오의 광고 운영 플랫폼은 카카오 모먼트입니다. 카카오톡 비즈보드, 카카오스토리, 카카오 채널 등 카카오 인벤토리를 한 자리에서 운영합니다. 카카오톡 비즈보드는 한국에서 도달율이 가장 높은 모바일 광고 자리 중 하나로, B2C 마케팅에서 큰 비중을 차지합니다.

카카오 모먼트의 특징적인 자리는 카카오톡 채널 친구 데이터를 활용한 타겟팅입니다. 광고주가 운영하는 카카오톡 채널의 친구·친구의 친구·이탈 친구 같은 세그먼트를 광고 타겟으로 직접 쓸 수 있습니다. 다른 플랫폼에서는 메신저 친구 단위의 타겟팅이 어렵지만, 카카오 모먼트는 이걸 표준 옵션으로 제공합니다. 캠페인 목적은 도달·방문(트래픽)·전환·앱 설치 등으로 나뉘고, 글로벌 플랫폼과 비슷한 자동 입찰 옵션을 지원합니다.

3) 몰로코

몰로코는 한국계 글로벌 사업자로, 미국 본사를 두고 있습니다. 머신러닝 기반의 자동 입찰과 최적화가 핵심 차별점입니다.

몰로코는 두 가지 다른 제품을 제공합니다. 클라우드 DSP(Cloud DSP)와 리테일 미디어 플랫폼(Retail Media Platform)입니다. 두 제품은 광고주가 다르고 풀어주는 문제가 다릅니다.

클라우드 DSP는 모바일 앱 퍼포먼스 광고 영역을 담당합니다. 앱 설치·인앱 이벤트(In-app Event) 같은 모바일 앱 KPI에 최적화된 자동 입찰 엔진이 강점입니다. 외부 인벤토리(Open RTB)를 매수하는 수요측 입장에서 굴러갑니다. 도어대시(DoorDash), 스냅(Snap), 그랩(Grab) 같은 글로벌 사업자와 넷마블, 우아한형제들, 같은 한국 사업자가 고객으로 알려져 있습니다.

리테일 미디어 플랫폼은 반대 입장의 도구입니다. e커머스 사업자가 자기 사이트·앱 안에서 입점 판매자에게 광고 자리를 파는 자리를 만들어 주는 솔루션입니다. 자사 데이터·자사 광고 지면을 가진 e커머스 사업자가 자기 마켓플레이스를 광고 사업으로 확장할 때 씁니다. 클라우드 DSP가 광고주의 도구라면, 리테일 미디어 플랫폼은 e커머스 사업자가 미디어 사업자로 변신할 때 쓰는 도구입니다.

4) 한국 캠페인 운영 도구의 구조

한국 광고주의 캠페인 운영은 월드 가든(Walled Garden, 폐쇄형 플랫폼)과 오픈 RTB(Open RTB, 개방형 실시간 입찰)의 조합으로 구성됩니다. 글로벌 시장과의 가장 큰 차이는 월드 가든의 비중이 높다는 점입니다. 네이버와 카카오의 자체 인벤토리가 한국 디지털 광고 시장에서 차지하는 비중이 크기 때문에, 한국 캠페인은 두 플랫폼을 제외하고 설계하기 어렵습니다.

미디어렙(Media Representative, 광고대행사 + 솔루션 통합 운영사)의 비중이 여전히 큰 점도 한국 시장의 특징입니다. 1편에서 본 NHN AD, 메조미디어(MezzoMedia) 같은 사업자들이 광고주의 캠페인을 대신 운영하는 역할이 글로벌 대비 크게 자리 잡고 있습니다. 다만 이 흐름도 인하우스(In-house, 내부 운영) 체계의 확대로 점차 변화하고 있습니다.

핵심은 DSP 화면 위의 모든 항목이 메커니즘과 연결되어 있다는 사실입니다. 빈도 제어 한 줄은 사용자 경험과 유효 빈도의 메커니즘에서 나오고, 자동 입찰 한 줄은 4편의 RTB와 비드 셰이딩의 메커니즘에서 나옵니다. 광고 세트 개수 한 줄은 학습 단계와 CBO·ABO의 메커니즘에서 나옵니다. 화면 위의 결정을 메커니즘으로 환원해 이해하면, 그 결정이 왜 그렇게 짜여 있는지가 보입니다.

다음 편은 마지막 편입니다. 광고주가 그렇게 캠페인을 던졌으면, 이제 그 광고가 정말 “돈 값”을 했는지 검증해야 합니다. 비용 모델, 성과 지표, 어트리뷰션, 검증 인프라, 클린룸. 광고가 돈 값을 했는지를 묻는 7편으로 이어집니다.

프로그래매틱 광고 시리즈

(1) 광고 거래의 진화와 주요 플레이어

(2) 광고가 거래되는 시장: 오픈 웹, 월드 가든, 리테일 미디어

(3) 광고로 거래되는 상품: 인벤토리와 콘텐츠

(4) RTB와 헤더 비딩의 메커니즘: 100ms 안의 경매

(5) 데이터와 식별자: 광고가 “나에게 맞는 광고”가 되는 원리

(6) 크리에이티브와 캠페인 운영: 광고를 만들고 올리기

(7)-① 측정·어트리뷰션·검증: 광고비와 성과 측정의 기본

(7)-② 측정·어트리뷰션·검증: 쿠키 논란 이후의 광고 측정 인프라

(7)-③ 측정·어트리뷰션·검증: 측정의 외부 검증과 매체 간 결합

[프로그래매틱 광고] (6) 크리에이티브와 캠페인 운영: 광고를 만들고 올리기