쥬얼리 브랜드 P사 성과개선 사례 (10월 → 11월 실적 기반)

요약(핵심 지표)

• 광고비: 4,087,203원 → 1,636,562원 (–60%)

• CTR: 4.97% → 5.39% (+0.42%p)

• CPC: 417원 → 332원 (–20%)

• 전환수: 31건 → 14건 (볼륨 감소)

• 전환당 비용: 131,845원 → 116,897원 (–12%)

• ROAS: 180% → 401% 

  
  

광고비를 대폭 축소했음에도, 타깃·캠페인 구조·소재 운영을 재정비해 광고 효율(ROAS, CPC, CTR)을 개선한 사례입니다.
다만 광고비 축소로 전체 매출 규모는 줄어들었으므로 12월에는 ‘효율을 유지하면서 볼륨을 복구’하는 접근이 필요합니다.

1) 변경점과 효과

아래는 10월→11월 사이에 실제로 적용한 주요 변경사항과, 각 변경이 효율 개선 내용입니다. 

A. 타깃 입찰가중치 조정 (연령·성별 최적화)

문제점: 전체 집행에서 유효 전환이 특정 연령대(35–54세)에 몰려 있었고, 65세 이상은 ROAS는 높지만 모수가 작아 의미있는 볼륨을 만들기 어려웠습니다.
              또한 남성 전환은 주로 34세 이하에서만 관찰되었습니다. 

변경사항:

• 캠페인 단위에서 연령·성별 입찰 가중치를 재설정:

  
  

  • 여성 35–64세, 65세 이상 연령대의 입찰가중치 상향조정

  • 여성 18~34세 가중치 하향조정

  • 남성 18~34세 가중치 상향조정

  • 남성 35세 이상 가중치 하향조정

효과:

• 예산을 ‘전환 가능성이 높은 집단’에 집중함으로써 동일 노출 대비 전환 확률이 높아졌습니다. → CTR 상승, CPC 하락으로 연결.

• 특히 35–54세 여성 타깃 비중을 늘리면서 소형 예산으로도 전환 단가를 낮추는 데 효과적이었습니다. 

B. 캠페인 구조 통합 (제품별 분리 → 목적별 통합)

문제점: 제품(라인)별로 캠페인을 분리 운영하면 머신러닝 학습 데이터가 분산되어 각 캠페인별 학습 속도가 느려지고 최적화 성능이 저하되었습니다. 

변경사항:

• 제품별 캠페인들을 ‘목적(구매/트래픽)’ 단위로 통합.

• 캠페인 내에서 세트(타깃), 소재(광고카드)를 다수 운영하여 머신러닝이 더 많은 학습 신호를 받을 수 있게 구성.

효과:

• 학습 데이터가 한 캠페인에 집중되면서 메타의 자동최적화(입찰·타깃·크리에이티브 배분)가 더 빠르고 정확하게 작동하였습니다.

• 결과적으로 CPC가 내려가고 CTA 성과(CTR)가 좋아짐. 또한 소재 회전에 따른 최적소재 선별 속도도 빨라졌습니다.

C. 소재(크리에이티브) 정리 및 카탈로그 중심 전환

문제점: 성과가 낮은 소재를 계속 활성화하면 비용만 소모되었습니다. 

변경사항:

• 반응이 낮은 소재 즉시 OFF. 반응 좋은 소재(진주·데일리 골드·레드 포인트) 위주로 예산 집중.

효과:

• CTR 상승(사용자 관심이 있는 콘텐츠만 노출) → 결과적으로 전환당 비용 하락.

2) 12월 운영안

1. 예산 증액은 하되 단계적으로: 초기 1.5배(11월 대비)로 증액 → 1주 학습 후 성과에 따라 추가 증액.




2. 35–54세 여성 핵심 타깃 우선 집행, 남성 35세 이상 비중 낮게 유지.




3. 캠페인 구조: 구매 목적(ASC) 중심 캠페인 유지 + 카탈로그 다품목 세트 확장. 




4. 소재: 진주·골드·레드 포인트 3대 라인 집중, 시즌 메시지(‘엄마 선물’, ‘겨울 데일리 포인트’, ‘크리스마스 에디션’)로 A/B 테스트.

3) 결론

10월→11월의 개선은 타깃과 캠페인 구조를 재정비하고, 소재를 정리한 결과입니다. 

12월은 시즌성으로 볼륨 기회가 큰 시기이므로, 위 권장안을 통해 효율을 유지하면서 매출을 회복·확장하는 방향으로 운영할 예정 입니다.