"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 세트를 켜면 알고리즘은 아무것도 몰라요. 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. 그때부터 효율이 안정돼요.
메타는 이 학습이 끝나는 조건을 '7일 이내에 최적화 이벤트 50건'으로 잡고 있어요. 광고 세트가 새로 게재되거나 수정된 뒤 7일 안에 목표 전환이 50건 쌓이면 학습이 완료되는 거죠. 이 기준을 못 채우면 '제한된 학습' 상태에 머물러요.
숫자 자체보다 왜 50건이냐가 중요해요. 패턴을 잡으려면 표본이 필요하거든요. 전환 3건으로는 "이런 사람이 산다"는 규칙을 못 만들어요. 우연일 수 있으니까요. 이건 우리가 A/B 테스트에서 얘기한 표본 크기랑 정확히 같은 원리예요. 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. 알고리즘이 아직 아무 데나 뿌려보는 중이거든요. 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.
손대는 순간 학습이 리셋돼요
이게 핵심이에요. 광고 제목, 타겟, 예산, 최적화 목표를 바꾸면 학습이 초기화돼요. 지금까지 쌓은 학습 데이터가 날아가고 처음부터 다시 시작하는 거예요.
그러니까 이런 일이 벌어져요. 학습 중이라 CPA가 나빠 보임 → 손댐 → 학습 리셋 → 또 학습 중이라 CPA가 나빠 보임 → 또 손댐 → 무한 반복.
영원히 학습이 안 끝나요. 그리고 그 계정은 영원히 알고리즘의 진짜 성능을 못 봐요.
여기에 구조적 문제가 겹치면 악순환이 완성돼요.
광고 세트를 너무 잘게 쪼갠 경우. 예산 100만원을 광고 세트 10개에 10만원씩 나눴다고 해볼게요. 각 세트가 7일 안에 50건을 채워야 하는데, 10만원짜리 세트에서 50건이 나올까요? 안 나와요. 열 개 다 학습 미완료 상태로 영원히 머물러요. 차라리 세트 2개에 50만원씩 몰아주면 둘 다 학습을 끝내요.
타겟이 너무 좁은 경우. 너무 좁은 타겟팅은 학습을 방해해요. 볼 사람이 적으니 전환이 안 쌓이고, 50건에 도달을 못 하죠. "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. 50건 근처도 못 가요. 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 — 손대지 마세요. 최소한 학습이 끝날 때까지는. 정말 심각하게 새고 있는 게 아니라면요. 여기서 "심각하게"는 하루 이틀 CPA가 튄 정도가 아니라, 예산이 정말 감당 못 할 속도로 나가는 경우예요.
학습이 끝났으면 — 이제 판단해도 돼요. 안정된 CPA가 우리 목표 대비 어떤지 보고, 나쁘면 그때 손대는 거예요.
학습이 계속 안 끝나면 — 이건 기다림의 문제가 아니라 구조의 문제예요. 세트를 합치거나, 타겟을 넓히거나, 목표 전환을 바꿔야 해요. 그냥 기다린다고 저절로 끝나지 않아요.
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. 그럼 처음부터 소재나 타겟이 문제였던 거죠. 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 우리가 CPA 낮추는 법에서 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.
알고리즘은 이 구분을 안 해요. 애초에 그렇게 설계되지 않았어요. "전환 가능성 높은 사람 찾기"에 최적화됐지, "광고가 만든 순증분 극대화"에 최적화된 게 아니거든요.
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 개가 학습 미완료로 걸려 있으면, 그건 개별 세트의 문제가 아니라 계정 구조 문제예요. 세트를 너무 잘게 쪼갠 거죠. 두세 개로 합쳐보세요. 예산이 모이면 학습이 끝나고, 학습이 끝나야 비로소 그 세트의 진짜 실력이 보여요.
그리고 규칙 하나만 정하세요. "학습 중엔 안 건드린다." 이거 하나로 계정이 안정돼요.
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.