파편화는 어떤 경로로 성과를 깎나

첫 번째 경로는 학습 신호의 분산입니다. 자동 최적화는 전환 이벤트를 재료로 학습합니다. 세그먼트를 여섯 개로 나누면 같은 전환량이 여섯 갈래로 쪼개지고, 각 세트가 확보하는 이벤트 수가 줄어듭니다. 제품 특성상 주당 필요한 전환량을 만들기 어렵다면 상위 단계 이벤트로 최적화 목표를 바꿔 발생 빈도를 높이는 방법이 제시되는데, 이는 뒤집어 말하면 신호가 부족한 상태가 실제 성과에 영향을 준다는 뜻입니다.

두 번째 경로는 경매 자기 경쟁입니다. 세그먼트를 나눴다고 사람이 깔끔하게 나뉘는 것은 아닙니다. 겹친 사람에게 우리 광고 세트 두 개가 동시에 입찰하면 비용이 오릅니다. 업계에서는 중복과 비효율적 계정 구조로 광고비의 상당 부분이 낭비될 수 있다는 추정을 제시하는데, 이 수치는 해외 툴 업체가 집계한 값이며 매체 공식 기준은 아닙니다.

파편화를 의심해야 할 신호는 무엇인가

네 가지를 봅니다.

첫째, 세그먼트를 늘린 시점 이후 전체 CPM이 오르고 CPA도 함께 올랐습니다. 둘째, 개별 세트의 주간 전환 건수가 눈에 띄게 줄었습니다. 셋째, 세트 간 성과 편차가 커졌는데 그 편차가 매주 순위가 바뀌는 형태입니다. 넷째, 학습 상태가 오래 안정되지 않습니다.

특히 세 번째가 중요한 신호입니다. 표본이 작으면 순위는 매주 흔들립니다. 순위가 계속 바뀌는데 어느 세트가 좋다고 판단하고 있다면, 그 판단 자체가 잡음일 가능성이 큽니다.

겹침은 어떻게 확인하나

광고 관리자의 오디언스 탭 또는 광고 세트 탭에서 오디언스를 최대 5개까지 선택해 중복 보기를 실행하면 각 쌍이 얼마나 겹치는지 퍼센트로 보여줍니다. 다섯 개씩 묶어 몇 번 돌리면 계정 전체의 겹침 지도를 만들 수 있습니다.

확인할 때는 겹침 비율만 보지 말고 겹치는 인원의 절대 규모도 함께 봅니다. 비율이 높아도 모수가 작으면 영향이 제한적이고, 비율이 중간이어도 모수가 크면 비용에 크게 작용합니다.

유사 타겟을 여러 비율로 만들어 쓰는 경우도 점검 대상입니다. 상위 비율의 유사 타겟은 하위 비율을 포함하는 구조이므로 구조적으로 겹칩니다.

통합 판단은 어떤 기준으로 하나

통합의 기본 원리는 겹치는 세트를 하나로 합쳐 여러 소재를 함께 넣고 시스템에 신호를 몰아주는 것입니다. 업계에서는 중복률이 높은 쌍부터 통합 대상으로 보라는 권장이 통용되며, 흔히 인용되는 판단선 수치가 있지만 이는 툴 업체의 실무 권장치이지 매체가 정한 기준은 아닙니다.

수치보다 먼저 확인할 것은 이 세그먼트를 나눈 이유가 아직 유효한가입니다. 나눈 이유가 다른 소재를 주기 위해서였다면, 지금은 하나의 세트 안에 여러 소재를 넣어도 시스템이 사람별로 배분합니다. 나눈 이유가 다른 예산을 주기 위해서였다면 통합 시 예산 통제권을 잃는다는 점을 감안해야 합니다.

실무에서는 검증 단계에서 세트를 나눠 균등 조건을 만들고 확장 단계에서 통합하는 순서가 원칙으로 자주 언급됩니다.

통합한 뒤에는 무엇을 얼마나 봐야 하나

통합은 구조 변경이므로 학습이 다시 시작됩니다. 구글 광고 학습 기간은 통상 7일 정도지만 예산·전환 데이터 수량·설정 변경 빈도에 따라 14일 이상 늘어날 수 있고, 디스플레이 계열은 새 캠페인이 57일 학습 단계를 거쳐 안정까지 714일이 걸린다는 안내가 있습니다.

따라서 통합 직후 며칠의 성과 악화는 예상 범위입니다. 통합 전에 확인 기간을 정하고 그 기간에는 되돌리지 않기로 미리 합의해두는 편이 좋습니다. 되돌릴 조건도 함께 정합니다. 예를 들어 확인 기간이 지나도 전체 CPA가 통합 전 기준선을 넘어선 상태라면 되돌린다는 식입니다.

분석용과 집행용 세그먼트를 나누는 방법

정교한 이해를 포기할 필요는 없습니다. 세그먼트를 두 층으로 나눕니다. 분석 층에서는 원하는 만큼 잘게 나눠 성과 차이를 살핍니다. 집행 층에서는 통합된 소수의 세트로 운영합니다.

두 층을 잇는 것은 소재입니다. 분석에서 특정 집단이 특정 메시지에 반응한다는 것이 확인되면, 그 메시지를 담은 소재를 통합 세트 안에 추가로 넣습니다. 사람을 나누는 대신 소재를 늘리는 방식이며, 소재 양과 다양성이 성과를 좌우하는 자동화 캠페인 구조와도 맞습니다.