tCPA와 tROAS는 근본적으로 어떤 목표를 계산하나

타겟 CPA는 광고주가 설정한 평균 전환당 비용을 상한선처럼 두고, 그 안에서 전환수를 최대화하도록 Google AI가 입찰가를 자동 조정하는 전략입니다. 타겟 ROAS는 이와 달리 "쓴 돈 대비 얼마를 벌었는가"라는 비율을 목표로 두고, 그 비율을 달성하도록 입찰가를 조정합니다. 겉보기엔 둘 다 "효율을 맞추는 자동 입찰"이라는 점에서 비슷해 보이지만, 계산의 기준 단위가 완전히 다릅니다. tCPA는 전환 1건의 절대 비용을 기준으로 삼고, tROAS는 전환 1건의 가치와 비용의 비율을 기준으로 삼습니다.

이 차이 때문에 tROAS를 쓰려면 전환마다 서로 다른 가치(매출액 등)를 정확히 기록해야 합니다. 반면 tCPA는 전환 자체의 발생 여부만 정확히 잡히면 되고, 전환의 가치가 얼마인지는 계산에 들어가지 않습니다.

상품·서비스 단가가 균일하면 왜 tCPA가 유리한가

회원가입, 상담 신청, 무료체험 신청처럼 전환 하나하나의 가치가 사실상 동일한 비즈니스 모델(리드젠 BM)에서는 tROAS를 쓸 이유가 크지 않습니다. 전환 가치가 다 같다면 ROAS 목표를 굳이 계산할 필요 없이, "리드 1건당 얼마까지 쓸 수 있는가"라는 tCPA 목표 하나로 충분히 관리됩니다. 오히려 이런 구조에서 tROAS를 억지로 도입하면, 실제로는 의미 없는 가치 편차(단순 입력 오차나 임의 배정값)를 알고리즘이 유의미한 신호로 오인해 입찰을 왜곡시킬 위험이 있습니다.

구독형 SaaS나 정액제 서비스처럼 플랜별 단가가 몇 종류로 고정된 경우도 마찬가지입니다. 플랜 종류가 적다면 플랜별로 캠페인이나 전환 액션을 나누고 각각 tCPA를 따로 운용하는 편이, 하나의 tROAS 목표로 뭉뚱그리는 것보다 관리가 명확합니다.

상품별 마진 편차가 크면 왜 tROAS로 가야 하나

이커머스처럼 상품마다 판매가와 마진율이 크게 다른 비즈니스 모델(BM)에서는 tCPA가 오히려 위험합니다. 예를 들어 마진율이 낮은 저가 상품과 마진율이 높은 고가 상품이 같은 캠페인 안에 섞여 있는데 tCPA를 걸면, 알고리즘은 "전환 1건의 비용"만 보고 최적화하기 때문에 저가·박리다매 상품 쪽 전환을 더 선호하게 될 수 있습니다. 회사 입장에서는 매출은 늘어도 실제 이익은 줄어드는 역설이 생길 수 있습니다.

이런 구조에서는 각 전환에 실제 매출액(또는 마진액)을 가치로 붙여 tROAS를 쓰는 것이 마진 구조를 정확히 반영합니다. 여기에 전환 가치 규칙을 추가로 얹으면, 신규 고객 전환에는 가치를 더 높게 매기는 식으로 마진뿐 아니라 고객 생애가치(LTV) 관점까지 입찰 목표에 녹여낼 수 있습니다.

목표 수치는 어떻게 잡아야 알고리즘이 달성 가능한 구조가 되나

tCPA·tROAS 모두 "희망하는 숫자"가 아니라 "최근 실적 기준 달성 가능한 숫자"에서 출발해야 합니다. 최근 캠페인의 실제 평균 CPA나 평균 ROAS와 지나치게 동떨어진 목표를 처음부터 입력하면, 알고리즘이 그 목표를 만족시키는 입찰가 자체를 찾지 못해 노출량이 급격히 줄어드는 현상이 나타납니다. 실무에서는 최근 실적치에서 시작해 점진적으로(대개 한 번에 큰 폭이 아니라 단계적으로) 목표를 조여가는 방식이 안정적입니다.

두 지표를 동시에 참고할 수도 있습니다. 매출 목표는 tROAS로 잡되, 내부 재무 기준으로 허용 가능한 CPA 상한선을 별도로 계산해두고 tROAS 결과가 그 상한을 벗어나는지 주기적으로 대조하는 방식입니다. 이렇게 하면 알고리즘은 tROAS 하나만 보고 최적화하더라도, 운영자는 마진이 실제로 지켜지고 있는지 이중으로 검증할 수 있습니다.

두 전략 다 전환 추적과 최소 데이터량이 전제 조건이다

tCPA·tROAS 모두 전환 추적(Conversion Tracking) 설정이 선행 조건입니다. 전환 추적이 없으면 알고리즘이 최적화할 기준 자체가 없기 때문입니다. 데이터량 기준으로는 tCPA가 최소 30회 전환 데이터가 있을 때 학습이 안정적으로 시작되고, tROAS는 이보다 더 많은 전환 데이터가 필요한 편입니다. 특히 tROAS는 각 전환의 가치 데이터까지 정확해야 하므로, 전환수 자체는 채워졌더라도 가치 입력이 부정확하면 학습 품질이 떨어집니다.