"학습 중이라 성과가 안 나오나 봐요." 이 말, 반은 맞고 반은 위험해요. 학습 단계를 오해하면 두 가지 실수를 하게 돼요. 학습 중의 널뛰는 숫자를 보고 성급하게 손대거나, 반대로 "학습만 끝나면 좋아지겠지" 하고 무한정 기다리거나. 둘 다 예산이 새요.
오늘은 광고 머신러닝이 실제로 뭘 하는지, 언제 손대면 안 되고 언제 손대야 하는지를 제대로 볼게요. 좀 길어요. 대신 이거 하나 이해하면 계정 운영이 통째로 달라져요.
알고리즘은 '누구에게 보여줄까'를 실험하고 있어요
먼저 학습 단계에서 무슨 일이 벌어지는지부터요.
새 광고 세트는 해당 조건에서 성과를 탐색합니다. 플랫폼이 기존 학습을 전혀 활용하지 않는다는 뜻은 아니에요. 우리 상품을 누가 살지, 어떤 시간대에 반응이 좋은지, 어떤 지면에서 전환이 나는지. 그래서 시험 삼아 뿌려봐요. 이 사람 저 사람, 이 지면 저 지면에.
그러다 전환이 나오면 "아 이런 사람이 사는구나" 하고 패턴을 잡아가요. 데이터가 충분히 쌓이면 그 패턴대로 노출을 몰아주기 시작하고요. 효율이 안정될 수 있지만 성과 개선은 보장되지 않습니다.
학습 완료 조건은 매체·목표·캠페인 유형에 따라 확인하세요. 특정 전환 수를 모든 계정의 합격선으로 쓰거나, 그 수를 채우면 안정된다고 보장할 수는 없습니다.
고정 숫자보다 유효한 신호가 충분한가가 중요해요. 패턴을 잡으려면 표본이 필요하거든요. 전환 3건으로는 "이런 사람이 산다"는 규칙을 못 만들어요. 우연일 수 있으니까요. A/B 테스트도 표본이 중요하지만, 검정력 계산과 플랫폼 학습 완료는 서로 다른 기준입니다. 기계도 사람도, 데이터가 얕으면 판단을 못 해요.
(참고로 이 기준은 매체마다 다르고, 정책도 바뀌어요. 지금 쓰는 매체의 공식 문서를 한 번 확인해두세요.)
학습 중의 숫자는 '진짜 실력'이 아니에요
여기가 첫 번째 함정이에요.
학습 중엔 CPA가 미친 듯이 널뛰어요. 당연해요. 탐색과 전환 지연, 적은 표본이 함께 영향을 줄 수 있거든요. 어떤 날은 우연히 살 사람들에게 꽂혀서 CPA가 확 좋고, 어떤 날은 엉뚱한 데 뿌려서 확 나빠요.
이 널뛰는 숫자를 보고 판단하면 안 돼요. 그런데 사람 심리가 그렇게 안 되죠. 이틀째 CPA가 튀면 손이 나가요. 예산을 줄이거나, 타겟을 바꾸거나, 소재를 갈거나.
그러면 어떻게 될까요.
큰 변경 뒤에는 다시 평가할 시간이 필요해요
변경 종류와 규모에 따라 학습 상태가 달라질 수 있습니다. 모든 수정이 초기화를 일으키거나 기존 데이터가 사라지는 것은 아닙니다. 변경 이력과 실제 콘솔 상태를 대조하세요.
그러니까 이런 일이 벌어져요. 학습 중이라 CPA가 나빠 보임 → 손댐 → 학습 리셋 → 또 학습 중이라 CPA가 나빠 보임 → 또 손댐 → 무한 반복.
반복 변경은 원인 비교를 어렵게 합니다. 그렇다고 학습이 영원히 끝나지 않는다고 단정할 수는 없습니다.
여기에 구조적 문제가 겹치면 악순환이 완성돼요.
광고 세트를 잘게 나누면 세트별 신호가 부족해질 수 있습니다. 예를 들어 7일 예산 100만원, CPA 1만원을 가정하면 기대 전환은 100건입니다. 균등 배분하면 10개 세트에는 각각 10건, 2개에는 각각 50건입니다. 이는 CPA가 유지된다는 산술 예시이며 학습 완료나 성과 개선의 보장은 아닙니다.
타겟이 너무 좁은 경우. 너무 좁은 타겟팅은 학습을 방해해요. 볼 사람이 적으니 전환이 안 쌓이고, 유효한 신호가 부족할 수 있죠. "정밀하게 좁히면 정확해진다"는 직관이 여기선 반대로 작동해요. 타겟을 좁힐까 넓힐까에서 다룬 얘기랑 정확히 이어져요.
목표 전환이 너무 희소한 경우. 구매가 하루 2건 나오는 계정에서 '구매'를 최적화 목표로 잡으면 7일에 14건이에요. 그 신호량이 현재 전략에 충분한지 확인하세요. 이럴 땐 목표를 한 단계 앞으로(구매 대신 장바구니 담기) 낮춰서 데이터를 확보하는 방법이 있어요.
그럼 언제까지 참아야 하나
"그럼 무조건 기다리라는 거냐" 하면 그것도 아니에요. 여기가 두 번째 함정이거든요.
학습 단계를 핑계로 무한정 기다리는 것도 예산 낭비예요. 학습이 끝난 다음에도 안 좋으면, 그건 그냥 안 좋은 거예요.
기준을 이렇게 잡으면 돼요.
학습 중일 땐 — 단기 변동만으로 여러 설정을 바꾸지 마세요. 추적 오류·잘못된 지역·예산 초과는 즉시 대응하고, 성과 평가는 사전 관찰 기간과 전환 지연을 고려하세요.
학습이 끝났으면 — 이제 판단해도 돼요. 안정된 CPA가 우리 목표 대비 어떤지 보고, 나쁘면 그때 손대는 거예요.
학습이 계속 안 끝나면 — 신호량·추적·입찰 제약·수요와 구조를 점검하세요. 세트 통합·확장·목표 변경은 원인과 사업 목표가 맞을 때 선택합니다.
정직하게 짚을 것: '학습 때문'이라고 단정하지 마세요
여기서 브레이크를 하나 걸게요.
CPA가 나쁘고, 마침 학습 중이다. 그럼 학습 때문일까요? 꼭 그렇진 않아요.
같은 시기에 소재가 별로였을 수도, 랜딩이 깨졌을 수도, 타겟이 잘못됐을 수도 있어요. 학습 중이라는 건 "아직 판단하기 이르다"는 뜻이지, "기다리면 좋아진다"는 보장이 아니에요. 이 둘은 완전히 달라요.
실제로 학습이 끝났는데도 CPA가 그대로 나쁜 경우가 많아요. 소재·타겟 외에도 가격·경쟁·측정과 전환 지연을 점검해야 합니다. 학습 단계가 그 진단을 미뤄준 것뿐이에요.
그래서 학습 중일 때 할 일은 "기도하며 기다리기"가 아니라 "판단을 미루되, 다른 걸 준비하기"예요. 소재 후보를 더 만들어두거나, 랜딩을 점검하거나. 학습이 끝났는데 나쁘면 바로 다음 카드를 낼 수 있게요.
자동입찰을 쓰면 배분도 알고리즘이 만져요
한 가지 더 알아두면 좋은 게 있어요.
캠페인 예산 최적화(자동 배분)를 켜두면, 알고리즘이 광고 세트 사이로 예산을 옮겨요. 이게 편하긴 한데, 부작용이 있어요. 전체 CPA가 올랐을 때 그게 채널이 나빠져서인지, 알고리즘이 비싼 세트로 예산을 옮겨서인지 헷갈려요.
이건 광고 성과 하락 진단에서 다룬 믹스효과 얘기예요. 채널별 CPA는 그대론데 비중만 바뀌어도 평균은 오르잖아요. 자동 배분을 쓰면 이 믹스가 내 의도와 상관없이 바뀌어요.
그래서 자동입찰을 쓸 때도 상승분을 믹스 탓과 효율 탓으로 나눠보는 습관이 필요해요. "알고리즘이 알아서 하겠지" 하고 놔두면, 나중에 왜 나빠졌는지 설명을 못 해요.
그리고 알고리즘이 주는 숫자를 그대로 믿지는 마세요
마지막으로 제일 중요한 얘기예요.
알고리즘은 학습이 끝나면 "이 사람들이 전환할 확률이 높다"고 판단한 사람들에게 노출을 몰아줘요. 그게 최적화죠. 그런데 여기 함정이 있어요.
전환할 확률이 높은 사람과 광고 덕분에 전환하는 사람은 다른 집단이에요.
이미 우리 상품을 사려고 마음먹은 사람은 전환 확률이 높죠. 알고리즘 입장에선 최적의 타겟이에요. 그 사람에게 광고를 보여주면 전환이 찍히니까요. 그런데 그 사람은 광고를 안 봤어도 샀을 거예요.
귀속 전환을 최적화한 결과만으로 순증분을 알 수는 없습니다. 플랫폼별 최적화 방식은 다를 수 있으므로, 독립적인 실험으로 증분을 확인하세요.
그래서 학습이 잘 끝난 캠페인의 좋은 CPA도, 액면 그대로 믿으면 안 돼요. 그중 얼마가 진짜 증분인지는 홀드아웃 실험으로 따로 재봐야 알아요. 이게 상관과 인과를 섞지 않는 얘기의 광고 버전이에요.
오늘 해볼 것
지금 계정에서 학습이 안 끝난 광고 세트가 몇 개인지 세어보세요. 대부분 매체가 상태를 표시해줘요.
여러 세트가 학습 미완료라면 신호량·추적·입찰 제약·수요와 구조를 함께 확인하세요. 통합은 검토할 선택지이며, 두세 개로 합치면 해결된다는 규칙은 없습니다.
규칙은 "일시적 변동만으로 여러 설정을 바꾸지 않는다"로 잡으세요. 추적 오류·잘못된 타기팅·예산 초과는 학습 중에도 바로 대응해야 합니다.
마무리
머신러닝 학습은 알고리즘이 표본을 모으는 과정이에요. 표본이 없으면 판단을 못 하는 건 기계나 사람이나 똑같아요.
그래서 우리가 할 일은 셋이에요. 학습이 끝날 만큼 데이터가 모이게 구조를 짜는 것. 학습 중엔 널뛰는 숫자를 보고 손대지 않는 것. 그리고 학습이 끝난 뒤에도, 알고리즘이 주는 좋은 숫자를 한 번쯤 의심해보는 것.
알고리즘이 똑똑해질수록 마케터가 할 일이 없어지는 게 아니에요. 일의 종류가 바뀌는 거죠. 그 얘기는 AI 시대 마케터의 일에서 이어서 할게요.