1. 최적화 이벤트가 변경되었을 때
예를 들어 전환 기준을 장바구니에서 구매로 변경했다고 가정해보겠습니다.
겉으로 보기에는 둘 다 하위 퍼널이라 “비슷한 이벤트 아닌가?”고 생각하실 수 있습니다. 그러나 메타 머신러닝은 이벤트별로 전혀 다른 타겟 특성과 패턴을 학습합니다.
장바구니 담기 고객은 “구매 가능성이 있는 고객군의 유사타겟”에 더 가깝고
구매 고객은 “최종 전환을 만드는 핵심 타겟군”에 해당합니다.
즉, 이벤트가 바뀌면 캠페인의 목적 자체가 달라진 것이며, 기존 캠페인이 학습하고 있던 타겟 풀과 완전히 다른 그룹을 찾아야 합니다.
따라서 이벤트 변경 시에는 반드시 신규 캠페인을 생성하는 것이 정답입니다.
2. 랜딩 페이지가 달라졌을 때
랜딩이 변경되면 그에 따라 사용자의 반응 패턴·전환율·페이지 체류 행동 모두 달라집니다. 이 변화는 기존 캠페인이 학습한 데이터 구조와 맞지 않기 때문에, 이후의 예산 배분과 타겟 탐색에도 오류가 생깁니다.
잠재고객 캠페인을 예시로 들어볼까요?
잠재고객 캠페인에서는 두 가지의 랜딩방식을 선택할 수 있습니다.
인스턴트 폼 제출 OR 웹사이트 리드 제출
따라서 랜딩이 변경될 때도 캠페인을 신규로 만드는 것이 더 안정적입니다.
3. 예산 또는 타겟 세그먼트에 급격한 변동이 생겼을 때
학습이 안정적으로 잡힌 캠페인에
예산을 갑자기 2배 이상 증액하거나
타겟 범위를 대폭 늘리거나 줄이면
이미 구축된 머신러닝 패턴이 무너집니다.
메타는 일정한 패턴을 기반으로 예산을 분배하고 타겟을 탐색하기 때문에, 급격한 변화는 학습 데이터의 연속성을 깨고 성과 저하를 유발합니다.
가능하다면 예산은 점진적으로 조정하시고
부득이하게 큰 변동이 필요하다면 광고세트 신규 생성 혹은 캠페인 리셋을 고려하시는 것이 좋습니다.
4. 최근 7~14일의 전환 데이터가 ‘신뢰할 수 없는 샘플’이 되었을 때
다음과 같은 상황에서는 기존의 학습 데이터가 현재 퍼널을 정상적으로 반영하지 못하게 됩니다.
시즌성 종료(블랙프라이데이 등)
가격 프로모션 종료
반짝 할인으로 인해 전환율이 비정상적으로 치솟았던 기간 종료
예를 들어,평소 CVR이 1%였던 상품이 프로모션 기간에는 3~7%까지 치솟는 경우가 있습니다.
이때 메타는“이 타겟은 원래 전환이 잘 되는 집단이구나”라고 잘못 학습하게 됩니다.
문제는 프로모션이 끝난 뒤에도
비정상적으로 쉬운 전환 데이터를 기준으로 타겟을 계속 탐색하려 한다는 점입니다.
따라서 성과가 무너지는 구조가 만들어집니다.
→ 이런 경우에는 아예 프로모션용 캠페인을 따로 운영하는 것이 가장 안전하고, 시즌 종료 후에는 캠페인 리셋이 더 빠르게 효율을 회복하는 방법입니다.
5. 머신러닝이 잘못된 방향으로 예산을 밀어넣기 시작한 경우
보고서에서 확인해야 할 핵심은“예산이 성과가 좋은 소재/광고세트에 합리적으로 배분되고 있는가?”입니다.
만약 특정 소재나 특정 지면에 예산이 과도하게 몰리고 있다면
해당 소재를 OFF
또는 문제되는 지면만 OFF
이런 방식으로 부분 조정부터 시도해야 합니다.그러나 이렇게 조정해도
전환이 급격히 줄거나
리드/DB 품질이 떨어진다면
이미 머신러닝이 비효율 타겟을 중심으로 학습되어 버린 상태입니다.
이때는 캠페인 전체를 리셋하고 다 학습을 해보는 것을 추천 드립니다.
6. “왜 광고세트나 광고만 지우면 안 되나요?”
많은 분들이 이렇게 질문하십니다.
“타겟팅은 광고세트에서, 랜딩은 광고 단계에서 설정되는데 왜 캠페인을 다시 파야 하죠?”
그 이유는 캠페인 역시 상위 구조로서 예산 분배 모델을 직접 학습하고 있기 때문입니다.
광고세트가 어떤 타겟에서 어떤 성과를 냈는지,
어떤 소재가 어떤 패턴을 보였는지가 모두 캠페인 레벨에서 누적되어 ‘예산 분배 로직’을 만들기 때문입니다.
따라서 광고세트를 끄더라도캠페인은 과거의 패턴을 기반으로 "예전에 이 세트 타겟이 잘 됐으니 비슷한 쪽으로 가보자”라는 식의 왜곡된 판단을 계속 이어갑니다.
결국 왜곡된 학습 구조 자체가 남아있기 때문에, 문제가 깊어졌다면 캠페인 레벨에서 리셋하는 것이 유일하게 빠른 해결책입니다.
댓글
0