최근 GFA를 직접 운영하면서 가장 크게 느낀 점은 GFA는 단순히 네이버 지면에 배너를 노출하는 광고가 아니라는 것입니다.

캠페인 목적에 따라 최적화 방식이 달라지고, ADVoost처럼 자동화 비중이 높은 상품도 있기 때문에 같은 GFA 안에서도 운영 방식은 상당히 달라질 수 있습니다.

특히 자동 최적화가 강화될수록 마케터가 직접 조정할 수 있는 영역보다 어떤 구조와 데이터를 플랫폼에 제공할 것인지 판단하는 능력이 더 중요해지고 있다고 느꼈습니다.

그래서 이번에는 GFA를 운영하면서 중요하다고 느낀 부분을 캠페인 구조부터 그룹핑, ADVoost, 소재 테스트, 성과 분석까지 정리해보았습니다.

1. GFA는 타겟보다 먼저 ‘최적화 목적’을 정해야 한다

GFA를 처음 세팅할 때 흔히 먼저 고민하는 것이 타겟입니다.

20대 여성인지, 관심사 타겟인지, 리타겟팅인지부터 정하려고 하지만 그보다 먼저 확인해야 할 것은 “이 캠페인에서 어떤 행동을 최대화할 것인가?”입니다.

사이트 방문을 많이 만드는 것과 실제 구매 가능성이 높은 사용자를 찾는 것은 플랫폼이 학습해야 하는 신호 자체가 다르기 때문입니다.

따라서 광고주를 처음 맡았다면 바로 캠페인을 만드는 것보다 먼저 다음을 확인하는 것이 좋습니다.

광고주의 최종 KPI → 전환 추적 상태 → 확보된 전환 데이터 → 상품 구조 → 캠페인 목적

특히 자사몰이라면 구매 이벤트와 매출값이 정상적으로 수집되는지 확인하는 것이 중요합니다. 전환 데이터는 단순히 리포트에 찍히는 숫자가 아니라 플랫폼이 다음 전환 가능성이 높은 사용자를 찾는 학습 신호이기 때문입니다.

2. 광고그룹은 많이 나눈다고 정교한 것이 아닙니다.

운영 초기에 가장 하기 쉬운 실수가 광고그룹을 지나치게 세분화하는 것입니다.

예를 들어

20대 여성 / 30대 여성 / 40대 여성 / 관심사 A / 관심사 B / 관심사 C

처럼 세세하게 나누면 정교하게 운영하는 것처럼 보일 수 있습니다.

하지만 예산이 충분하지 않은 상태에서 그룹을 지나치게 나누면 각 그룹에 들어가는 노출·클릭·전환 데이터까지 같이 분산됩니다.

결국 각 그룹의 표본이 너무 작아져 실제 타겟 차이 때문인지 우연히 발생한 성과 차이인지 판단하기 어려워질 수 있습니다.

그래서 광고그룹을 분리할 때는 항상 한 가지 질문을 먼저 해보는 것이 좋습니다.

“이 그룹을 따로 만드는 이유와 검증하려는 가설이 있는가?”

명확한 가설이 없다면 무조건 세분화하기보다 데이터를 충분히 확보할 수 있도록 단순하게 가져가는 것이 오히려 효율적일 수 있습니다.

3. 일반 GFA와 ADVoost는 운영 방식부터 다르게 봐야 한다

일반적인 디스플레이 광고가 캠페인 → 광고그룹 → 광고소재의 구조라면 ADVoost 쇼핑은 캠페인 → 애셋그룹 중심으로 운영됩니다.

단순히 메뉴 구성이 다른 것이 아니라 사람과 시스템이 담당하는 영역 자체가 다르다고 볼 수 있습니다.

일반 GFA가 운영자가 타겟·소재·그룹 구조를 설계하고 시스템이 그 안에서 최적화하는 방식이라면, ADVoost는 상품과 사용자, 성과 데이터를 바탕으로 시스템의 자동화가 훨씬 적극적으로 개입합니다.

그래서 ADVoost를 일반 GFA처럼 운영하면서 계속 타겟이나 지면을 만지려고 하기보다는,

상품 → 애셋 → 유입 → 장바구니 → 구매 → 매출

흐름을 확인하면서 AI가 어떤 상품에서 실제 성과를 만들고 있는지를 보는 것이 중요합니다.

즉 ADVoost에서 마케터의 역할은 모든 노출을 직접 통제하는 것이 아니라 AI가 제대로 판단할 수 있는 학습 환경을 만들어주는 것에 더 가깝습니다.

4. 상품이 많다면 ‘어떤 상품을 광고할지’도 최적화 영역이다

모든 상품을 동일하게 광고하기 어렵습니다.

이때 카탈로그 기반 광고를 활용하면 상품 데이터와 사용자의 행동 데이터를 연결해 운영할 수 있습니다.

여기서 중요한 것은 카탈로그를 단순히 ‘상품을 많이 등록하는 기능’으로 생각하지 않는 것입니다.

상품명, 이미지, 가격, 재고 등의 정보가 광고 시스템이 활용하는 데이터가 되기 때문에 상품 데이터의 품질 자체가 광고 품질에 영향을 줄 수 있습니다.

따라서 상품 수가 많은 광고주라면 광고 소재만 점검할 것이 아니라 어떤 상품이 노출되고 있는지, 클릭 이후 어떤 상품에서 장바구니와 구매가 발생하는지까지 상품 단위로 확인할 필요가 있습니다.

5. 소재 테스트는 ‘예쁜 디자인 찾기’가 아니라 ‘구매 이유 찾기’

소재 A는 빨간색, 소재 B는 파란색처럼 디자인 요소만 바꾸는 테스트도 필요할 수 있습니다.

하지만 이것만 반복하면 어떤 디자인의 CTR이 높았는지는 알 수 있어도 고객이 왜 상품을 구매했는지는 알기 어렵습니다.

그래서 소재를 테스트할 때는 디자인보다 먼저 구매 이유를 분리하는 방식을 활용할 수 있습니다.

예를 들어 하나의 상품이라도

기능 / 문제 해결 / 가격 혜택 / 후기 / 사용 상황 / 신뢰 요소 / 차별점

등으로 소구점 자체를 나눠서 테스트 해볼 수 있습니다. 

만약 문제 해결형 소재에서 클릭뿐 아니라 실제 구매까지 지속적으로 발생한다면 단순히 ‘이 소재가 잘됐다’에서 끝나는 것이 아니라,

“우리 고객은 이 상품의 문제 해결 가치에 반응한다”

라는 다음 소재 제작에 활용할 수 있는 데이터가 남습니다.

좋은 소재 테스트는 Winner 하나를 찾는 것이 아니라 고객의 구매 이유를 하나씩 찾아가는 과정이라고 생각합니다.

6. CTR이 낮다고 무조건 소재만 바꾸면 안 됩니다.

성과를 분석할 때는 하나의 지표를 독립적으로 보기보다 퍼널 전체를 연결해서 보는 것이 중요합니다.

노출 → 클릭 → 랜딩 → 상품 탐색 → 장바구니 → 구매 → 매출

예를 들어 CTR이 낮다면 소재의 첫 메시지나 상품 매력도가 충분하지 않은지 확인할 수 있습니다.

반대로 CTR은 높은데 구매가 없다면 클릭을 만드는 데는 성공했지만 실제 구매 의도가 낮은 사용자를 유입시키고 있거나, 광고 메시지와 랜딩페이지 사이에 차이가 있을 가능성도 있습니다.

클릭과 장바구니까지 잘 발생하는데 구매에서 급격하게 이탈한다면 광고만 계속 수정할 것이 아니라 가격, 배송비, 혜택, 상세페이지, 결제 과정, 신뢰 요소까지 확인해야 합니다.

결국 중요한 것은 “CTR이 몇 %인가?”보다 “고객이 어느 단계에서 가장 많이 이탈하는가?”입니다.

7. ROAS 300%라고 바로 증액하면 위험할 수 있다

ROAS 역시 숫자 하나만 보고 판단하기 어렵습니다.

예를 들어 광고비 1만 원을 사용한 상태에서 우연히 고가 상품 한 건이 구매되면 ROAS가 굉장히 높게 나타날 수 있습니다.

하지만 이것을 근거로 바로 예산을 크게 증액했을 때 동일한 효율이 유지된다는 보장은 없습니다.

따라서 ROAS를 볼 때는 함께 확인해야 합니다.

광고비 규모 / 구매 건수 / 객단가 / CVR / 신규 고객 / 예산 증가에 따른 효율 변화

특히 소액 데이터에서 높은 ROAS가 발생했다면 바로 스케일링하기보다 추가 지출에서도 구매가 반복되는지 확인하는 과정이 필요합니다.

결국 스케일링은 높은 ROAS를 찾는 것이 아니라 광고비를 늘려도 어느 수준까지 효율이 유지되는지 찾는 과정에 가깝습니다.

8. 성과가 떨어질수록 한꺼번에 수정하지 않는다

많은 광고주분들이 성과가 떨어지면 

소재도 바꾸고, 타겟도 바꾸고, 예산도 조정하고, 광고그룹도 새로 만드는 것입니다.

문제는 이렇게 여러 변수를 동시에 변경하면 성과가 회복되더라도 무엇 때문에 좋아졌는지 알 수 없다는 것입니다.

그래서 가능하다면

문제 발견 → 원인 가설 → 핵심 변수 변경 → 데이터 확인 → 결과 기록 → 다음 테스트

순서로 운영하는 것이 좋습니다.

예를 들어 CTR이 하락했다면 바로 타겟과 예산까지 건드리기보다 먼저 소재 피로도나 메시지 문제를 가설로 세우고 테스트해보는 식입니다.

이렇게 해야 단순히 이번 광고를 살리는 것에서 끝나지 않고 다음 광고주에게도 활용할 수 있는 운영 경험이 남습니다.

9. 자동화가 강해질수록 마케터가 할 일은 오히려 명확해진다

ADVoost를 포함해 광고 플랫폼의 자동화 영역은 계속 넓어지고 있습니다.

타겟, 지면, 노출 시점 등 과거 운영자가 직접 판단했던 영역을 시스템이 담당하는 비중이 커지고 있습니다.

그렇다면 마케터가 필요 없어지는 것이 아니라 마케터가 판단해야 하는 영역이 달라지는 것이라고 생각합니다.

플랫폼이 Who / When / Where를 더 많이 판단한다면,

마케터는 What / Why를 더 정교하게 만들어야 합니다.

무엇을 광고할 것인지.

왜 고객이 이 상품을 구매해야 하는지.

어떤 구매 가설을 소재로 검증할 것인지.

어떤 데이터를 학습 신호로 제공할 것인지.

언제 시스템을 기다리고 언제 사람이 개입할 것인지.

결국 자동화 시대의 GFA 운영에서 중요한 것은 얼마나 많은 설정을 직접 만졌는가가 아니라, 시스템이 좋은 판단을 할 수 있도록 얼마나 좋은 가설과 데이터를 넣어주었는가라고 생각합니다.

마무리

GFA를 운영하면서 가장 크게 느낀 것은 ‘세팅을 잘하는 것’과 ‘광고를 잘 운영하는 것’은 다르다는 점입니다.

캠페인을 만들고 타겟을 설정하고 소재를 등록하는 것은 운영의 시작일 뿐입니다.

그 이후에 발생하는 데이터를 보면서

어디에서 이탈했는지 → 왜 이런 결과가 나왔는지 → 무엇을 바꿔볼 것인지 → 그 결과를 다음 테스트에 어떻게 활용할 것인지

를 계속 판단하는 것이 실제 최적화에 더 가깝다고 생각합니다.

결국 GFA 운영의 핵심은 정답 세팅을 외우는 것이 아니라, 광고주의 상품과 데이터를 보고 다음 액션을 결정할 수 있는 판단력을 쌓는 것이라고 느꼈습니다.