PERFORMANCE CASE STUDY 채용·고용 업종 A사 성과 개선 사례 신규 메타 광고 계정 구축 이후 다양한 채용 메시지와 소재를 테스트하며, 실제 DB 확보 성과를 기준으로 캠페인을 지속적으로 최적화했습니다. 단순 클릭이나 노출이 아닌 DB 확보량과 CPL을 핵심 지표로 설정하고, 실제 성과가 확인된 캠페인을 중심으로 효율적인 운영 구조를 구축한 사례를 소개합니다. 01. 캠페인 배경 업종 채용 · 고용 주요 매체 Meta Ads 운영 목표 잠재 지원자 DB 확보 및 CPL 효율화 신규 광고 계정으로 운영을 시작한 만큼 기존 학습 데이터가 없는 상황이었습니다. 이에 초기부터 하나의 소재에 집중하기보다 다양한 채용 메시지와 소재를 테스트하고, 실제 DB 전환 데이터를 기준으로 성과가 좋은 캠페인을 빠르게 선별하는 방향으로 운영했습니다. 02. 핵심 운영 전략 다양한 소재 테스트를 통한 고효율 캠페인 발굴 채용 광고는 동일한 조건을 전달하더라도 소재의 후킹 문구와 구성에 따라 DB 확보 효율 차이가 크게 발생할 수 있습니다. 이에 다양한 콘셉트의 채용 소재를 지속적으로 테스트하면서 CTR, DB 수, CPL을 기준으로 효율을 비교했습니다. 성과가 낮은 소재는 운영 비중을 축소하고, 실제 DB 확보 효율이 확인된 소재를 중심으로 예산을 집중했습니다. 03. 주요 캠페인 성과 CASE 01 알바모집 캠페인 1 DB 확보 35건 CPL 7,437원 CTR 2.93% 운영 캠페인 중 가장 많은 DB를 확보한 캠페인입니다. 높은 클릭 반응과 안정적인 DB 전환이 동시에 나타나면서 DB 볼륨과 비용 효율을 함께 확보한 대표 캠페인으로 확인되었습니다. 단순히 낮은 CPL만 만든 것이 아니라 일정 수준 이상의 DB를 확보하면서도 효율을 유지했다는 점에서 이후 소재 운영 방향을 설정하는 주요 기준이 되었습니다. CASE 02 알바모집 캠페인 2 DB 확보 25건 CPL 5,987원 CTR 2.56% 전체 우수 캠페인 가운데 가장 낮은 CPL을 기록했습니다. 잠재 지원자의 관심을 끌 수 있는 메시지와 소재 구성을 통해 클릭 이후 DB 전환까지 효율적으로 연결되면서 DB 1건당 비용을 5천 원대까지 낮출 수 있었습니다. 이를 통해 채용 광고에서도 단순한 트래픽 확대보다 실제 지원 행동으로 연결되는 소재 발굴이 중요하다는 점을 확인할 수 있었습니다. CASE 03 알바모집 캠페인 3 DB 확보 12건 CPL 6,783원 CTR 2.53% 추가 소재 테스트에서도 CPL 6천 원대의 안정적인 성과를 확보했습니다. 특정 소재 하나에만 성과가 집중된 것이 아니라, 후속 테스트에서도 유사한 수준의 DB 효율을 확보하며 성과가 좋은 소재 방향을 반복적으로 검증할 수 있었습니다. 04. 성과 요약 신규 계정에서 다양한 채용 캠페인을 테스트한 결과, 성과가 검증된 주요 캠페인에서 안정적인 DB 확보 효율을 확인했습니다. 최대 DB 확보 35건 Best CPL 5,987원 Best CTR 2.93% 우수 캠페인 CPL 5천~7천 원대 특히 하나의 캠페인에 의존하지 않고 여러 캠페인에서 안정적인 DB 확보 성과를 확인했다는 점이 이번 운영의 핵심 성과였습니다. 05. 마무리 채용·고용 업종의 Meta 광고에서는 단순히 많은 노출과 클릭을 확보하는 것보다 실제 지원 가능성이 있는 DB를 얼마나 효율적인 비용으로 확보하는지가 중요합니다. 이번 A사 사례에서는 신규 광고 계정 구축 이후 다양한 채용 메시지와 소재를 지속적으로 테스트하고, 실제 DB와 CPL 데이터를 기반으로 효율이 높은 캠페인을 선별했습니다. 그 결과 주요 캠페인에서 CPL 5천~7천 원대의 안정적인 DB 확보 구조를 만들 수 있었습니다. 결국 채용 광고의 성과를 높이기 위해서는 하나의 소재를 장기간 운영하는 것보다, 지속적인 소재 테스트를 통해 실제 지원자의 반응이 좋은 메시지를 빠르게 발견하고 확장하는 운영 전략이 중요합니다.

3. 추적은 막히는데, 광고 AI는 데이터를 더 달라고 합니다 — 퍼스트파티 준비요즘 광고 환경엔 얄궂은 역설이 하나 있습니다. 한쪽에선 추적이 계속 막힙니다. iOS의 ATT 이후 앱 추적은 유저 동의 없인 제한되고, 브라우저들은 서드파티 쿠키를 조이고(구글이 일정을 몇 번 뒤집긴 했지만 큰 방향 자체는 신호가 줄어드는 쪽입니다), 개인정보 규제와 동의 관리도 갈수록 촘촘해지죠. 그런데 다른 한쪽에선, 앞의 두 글에서 본 것처럼 매체 AI가 성과를 내려면 데이터가 더 필요합니다.이 역설의 답으로 업계가 모인 지점이 퍼스트파티 데이터입니다. 남(서드파티)이 깔아둔 쿠키로 유저를 쫓는 대신, 우리가 유저와의 직접 관계에서 얻은 데이터 — 가입 정보, 구매 이력, 동의받은 연락처 — 를 광고 시스템에 직접 이어주는 방향이요. 향상된 전환, CAPI, 고객 일치 타겟팅 같은 도구들이 전부 이 줄기에 있습니다.방향은 다들 아는데, 실제로 해보면 "아는 것"과 "돌아가는 것" 사이에 꽤 넓은 실무의 골짜기가 있습니다. 그 골짜기 얘기를 해볼게요.1단계 — 전환 신호를 서버로도 보냅니다가장 기본은 브라우저 픽셀에만 의존하던 전환 신호를 서버 경유로 보강하는 겁니다. 메타의 전환 API(CAPI), 구글의 향상된 전환이 대표적이죠. 픽셀은 광고 차단이나 브라우저 제한으로 유실되는 부분이 있는데, 서버 전송은 그 구멍을 메워줍니다. 앱이라면 MMP(에어브릿지 등)에서 매체로 나가는 서버사이드 포스트백이 같은 역할을 하고요.여기서 두 가지를 꼭 챙깁니다. 하나는 중복 제거 — 픽셀과 서버가 같은 전환을 각각 보내면 매체는 전환을 두 번 셉니다. 이벤트 ID를 맞춰 하나로 인식시키는 세팅이 필수예요. 다른 하나는 포스트백에 우리의 핵심 전환이 실제로 포함돼 있는지 확인입니다. 제가 맡았던 계정에선 MMP에서 구글로 나가는 포스트백 목록을 열어보니 구매·가입 이벤트만 있고 정작 핵심 목표였던 위탁 신청 이벤트가 빠져 있었습니다. 매체 입장에선 위탁 신호를 받은 적이 없으니 위탁 캠페인 학습이 제대로 될 리가 없었죠. 커스텀 이벤트로 추가하고 캠페인 전환 목표에 연결하는 것까지가 한 세트였습니다. "서버 전송 켜져 있어요"와 "우리에게 중요한 이벤트가 흐르고 있어요"는 다른 얘기입니다.2단계 — 고객 명단을 광고 시스템에 잇습니다다음은 고객 일치(Customer Match, 메타의 맞춤 타겟)입니다. 동의받은 고객의 이메일·전화번호를 해시 처리해 매체에 올리면, 매체가 자기 유저와 매칭해 타겟(또는 유사타겟의 씨앗)으로 쓰는 기능이죠. 구매자 명단은 구매 캠페인의 씨앗으로, 판매자 명단은 판매 유치 캠페인의 씨앗으로 — 데이터가 캠페인 목적별 자산이 됩니다.개념은 간단한데, 실제 업로드는 자잘한 데서 자꾸 걸립니다. 실무에서, 구매자 5,288명 명단을 올리는데 매칭이 계속 실패했습니다. 원인이 두 겹이었어요. 첫째는 컬럼 헤더 — 구글 템플릿은 'Phone'을 기대하는데 파일엔 'Phone Number'로 돼 있었습니다. 둘째가 진짜였는데, 전화번호를 살펴보니 전부 13자리에 끝자리가 100% '0'이었습니다. 추출 과정 어딘가에서 모든 번호 끝에 0이 일괄로 붙어버린 거죠. 끝자리를 제거하고 전화번호 검증 라이브러리로 국제 표준 형식(E.164)으로 변환해 유효율 99.8%로 복구한 뒤에야 정상 업로드가 됐습니다. 업로드 시 해시 처리 여부 옵션을 잘못 고르면 그것대로 매칭이 0이 되고, 업로드 직후 "목록이 너무 작음"이라고 떠도 매칭 처리에 하루쯤 걸리니 기다렸다 봐야 하고요.시시콜콜해 보이지만 이런 게 퍼스트파티 활용의 실제 모습입니다. 전략 문서엔 "고객 데이터를 광고에 연계"라고 한 줄이지만, 그 한 줄과 실행 사이엔 데이터 품질 검수라는 노동이 있습니다. 그리고 명단 크기도 감각이 필요해요 — 예컨대 씨앗이 2천 명 남짓이면 유사타겟을 1%로 좁게 만들기보다 3~5%로 잡는 게 맞는 식으로, 데이터 규모에 맞는 설정이 따로 있습니다.3단계 — 데이터가 '새는 동선'을 막습니다퍼스트파티 데이터를 모으고 잇는 것만큼, 이미 들어오는 신호가 중간에 유실되지 않게 하는 것도 같은 과제입니다. 이전 글에서 다뤘던 카카오 로그인이 광고 출처를 덮어쓰던 문제가 정확히 이 범주예요. 로그인이라는 지극히 정상적인 동선 하나가 어트리뷰션 파라미터를 지우고 있었고, 해결은 로그인 콜백에서 파라미터를 보존·복원하도록 개발팀과 협업하는 것이었습니다. 신호 손실 시대엔 이런 한 방울 한 방울이 아깝습니다. 새 데이터를 모으는 것보다 새는 데이터를 막는 게 먼저일 때도 많아요.그리고 이 모든 것의 전제는 동의입니다. 수집·활용 동의를 어디서 어떻게 받는지, 마케팅 수신 동의는 살아 있는지가 갖춰지지 않으면 위의 도구들은 쓸 수 없거나 써선 안 되는 것이 됩니다. 동의율을 높이는 UX(왜 필요한지 설명하고, 혜택과 교환하는)도 이제 마케팅 인프라의 일부라고 보는 편입니다.균형을 위해 — 퍼스트파티가 만능은 아닙니다마지막으로 반대쪽 얘기도 해두면, 퍼스트파티 데이터는 이미 우리를 만난 사람의 데이터입니다. 아직 우리를 모르는 사람을 데려오는 일은 여전히 광고와 매체의 몫이고, 퍼스트파티 자산은 그 광고를 더 똑똑하게 만드는 연료에 가깝습니다. 그리고 사업 초기라 명단 자체가 작다면, 데이터 인프라에 힘을 쏟는 것보다 명단을 만들 유입을 먼저 키우는 게 순서일 수도 있어요. 결국 이것도 계정의 단계에 따라 우선순위가 다른 이야기입니다.다만 방향 자체는 꽤 분명해 보입니다. 추적이 어려워질수록, 광고의 경쟁력은 "매체를 얼마나 잘 만지느냐"에서 "매체에 얼마나 좋은 데이터를 줄 수 있느냐"로 옮겨가고 있습니다. 우리 회사의 고객 데이터가 지금 광고에 연결될 수 있는 상태인지 — 이벤트는 서버로도 흐르는지, 명단은 올릴 수 있게 정비돼 있는지, 동선에서 새는 신호는 없는지 — 한 번쯤 점검해볼 만한 시점입니다.마무리하며세 글을 관통하는 흐름은 하나입니다. 광고 플랫폼이 실행을 가져가는 대신, 광고주에게 재료를 요구하는 시대가 됐다는 것. 그 재료가 정확한 전환 신호든, 가설이 깔린 소재든, 정비된 고객 데이터든요. 그리고 재료의 품질은 대시보드에 잘 안 보입니다. 캠페인이 돌아가고 숫자가 찍히면 다 괜찮아 보이거든요. 차이는 몇 주, 몇 달 뒤의 결과로 조용히 나타납니다.물론 어디부터 손대야 하는지는 계정마다 다릅니다. 어떤 곳은 신호 정비가 급하고, 어떤 곳은 소재 체계가, 어떤 곳은 데이터 연결이 백지일 수 있어요. 지금 운영 중인 광고가 이 변화에 어느 정도 준비돼 있는지 궁금하시면, 편하게 문의 남겨주세요. 계정 상황 들어보고 우선순위부터 같이 잡아보도록 하겠습니다.

2. 이제 소재가 타겟팅입니다 — 크리에이티브 물량전의 실제앞 글에서 타겟팅이 AI로 넘어갔다고 했는데, 그럼 광고주가 성과에 개입할 수 있는 지렛대는 뭐가 남았을까요. 사실상 가장 큰 게 소재입니다.요즘 매체 알고리즘은 소재를 단순한 '보여줄 그림'이 아니라 타겟팅 신호로 씁니다. 어떤 사람이 어떤 비주얼에 멈추고, 어떤 카피에 반응하고, 어떤 포맷에서 전환하는지가 전부 학습 데이터가 되고, 시스템은 소재별로 맞는 유저를 알아서 찾아갑니다. 그래서 "가격 소구 소재"와 "후기 소구 소재"를 같이 넣으면, 두 소재가 사실상 서로 다른 타겟팅을 하는 셈이 됩니다. 소재의 다양성이 곧 도달 가능한 오디언스의 다양성인 거죠.여기에 AI 제작 도구가 겹치면서 판이 커졌습니다. AI 아바타로 UGC풍 영상을 찍고, 매체에 내장된 생성 기능으로 이미지를 늘리고 배경을 바꾸는 게 이제 특별한 일이 아니에요. 소재를 주에 수십 개씩 찍어내는 팀들이 실제로 있습니다. 그래서 요즘 자주 듣는 말이 "결국 소재 물량전"이라는 건데 — 저는 절반만 동의합니다.물량보다 먼저인 것 — 소구의 가설소재를 많이 만드는 것 자체는 어렵지 않아졌습니다. 문제는 뭘 많이 만드느냐예요. 같은 컨셉의 변형 30개는 사실상 소재 1개입니다. 알고리즘 입장에서 새로운 학습 재료가 아니거든요. 물량이 의미를 가지려면 서로 다른 소구(각도)의 가설이 깔려 있어야 합니다.이 가설을 감으로 세우지 않는 방법이 있습니다. 제가 맡았던 계정에서는 고객 설문을 마케팅 액션으로 번역하는 작업을 했는데, 결과가 꽤 선명했어요.사람들이 들어오는 이유 1위는 가격(48%)이었습니다. → 그래서 신규 유입용 상단 소재는 가격 소구를 유지.그런데 들어와서 구매를 망설이는 이유는 상태 불안(42%)과 사이즈 불안(35%)이었습니다. → 그래서 리타겟팅 소재는 할인이 아니라 확신 소구(상태 등급, 실측 정보, 착용샷)로 전환. 상품 페이지에서 가장 필요하다는 정보 1위도 착용감(51%)이었으니, 누끼컷만으론 부족하고 착용 컷을 섞어야 한다는 결론까지 자연스럽게 나왔고요.판매(위탁) 쪽은 더 재밌었는데, 서비스를 이미 아는 사람이 70%인데도 신청을 안 하는 1위 이유가 "팔릴지 확신이 없어서"(56%)였습니다. → 그래서 메시지 자체를 "내 옷 파세요"(행동을 요구하는 화법)에서 "당신 옷, 팔립니다"(예상 가격·판매 속도·완료 사례로 증명하는 화법)로 뒤집었습니다.같은 물량이라도, 이렇게 단계별로 다른 장벽을 겨냥한 소재들과 한 가지 컨셉의 변형 더미는 완전히 다른 결과를 냅니다. 퍼널 위쪽(모르는 사람)과 아래쪽(아는데 망설이는 사람)이 필요로 하는 메시지가 다르다는 걸 데이터가 알려주니까요. 표본이 적은 경우 확정이 아니라 가설로 받아서 A/B로 검증하는 걸 전제로 했습니다만, 감으로 시작하는 것과는 출발점이 다릅니다.AI 제작과 실촬영의 역할 분담AI 소재에 대해선 실무에서 제가 잡은 선이 하나 있습니다. 상단 퍼널의 물량은 AI로, 신뢰의 증명은 실물로.인지·유입 단계의 훅 영상이나 컨셉 변형은 AI UGC 도구로 빠르게 물량을 뽑는 게 효율적입니다. 여기선 완성도보다 다양한 각도를 빨리 시장에 던져보는 속도가 중요하니까요. 반면 중고 의류처럼 "상태가 진짜인가"가 구매 장벽의 핵심인 상품에서, 상태 등급·실측·디테일 컷 같은 신뢰 소재를 AI로 만드는 건 방향이 어긋난다고 봤습니다. 유저가 확인하고 싶은 건 그럴듯한 이미지가 아니라 실물의 증거거든요. 이 경계는 업종마다 다를 테니 "AI냐 실촬영이냐"의 이분법보다, 이 소재가 담당하는 심리적 역할이 뭔지로 가르는 걸 권합니다.자잘하지만 성과를 가르는 것들소재 운영에서 놓치기 쉬운 실무 포인트 몇 개를 덧붙이면:비율은 취향이 아니라 지면입니다. 한번은 앱 캠페인에서 1:1 소재가 9:16보다 CTR·전환율이 다 좋게 나와서 "9:16은 빼자"는 얘기가 나올 뻔했습니다. 그런데 뜯어보면 이건 소재의 우열이 아니라 지면의 구조예요. 1:1은 디스플레이·피드처럼 전환 친화적인 지면에 폭넓게 나가고, 9:16은 쇼츠·릴스처럼 몰입형 지면에 나갑니다. 쇼츠는 영상 보다가 설치로 넘어가는 마찰이 구조적으로 커서 전환율이 낮게 찍히는 게 자연스럽고요. 그러니 1:1이 좋다고 9:16을 빼면, 쇼츠 지면의 전환을 통째로 버리는 겁니다. 둘은 경쟁이 아니라 보완재라서, 비율별로 다 넣는 게 커버리지를 넓히는 길이었습니다. 성과 비교는 같은 지면끼리 해야 공정합니다.소재에도 수명이 있습니다. 잘 나오던 소재도 같은 오디언스에게 반복 노출되면 반응이 꺾입니다(피로도). 빈도 지표와 성과 추이를 같이 보면서, 꺾이기 전에 다음 타자를 준비해두는 로테이션이 필요해요. 물량전이라는 말의 진짜 의미는 한 번에 100개를 붓는 게 아니라, 이기는 소재의 다음 버전을 끊기지 않게 공급하는 체력에 가깝다고 느낍니다.테스트는 한 번에 한 변수씩. 훅도 바꾸고 모델도 바꾸고 CTA도 바꾼 소재가 이기면, 뭐가 이긴 건지 알 수 없어서 다음 소재에 써먹을 게 없습니다. 배우는 게 없는 승리는 물량전에선 손해입니다.소재가 타겟팅이 된 시대의 좋은 소식은, 이게 광고주가 직접 통제할 수 있는 몇 안 남은 지렛대라는 겁니다. 나쁜 소식은, 그래서 이제 소재를 감으로 만드는 팀과 데이터로 만드는 팀의 격차가 그대로 성과 격차가 된다는 겁니다.

1. 타겟팅을 AI에 넘긴 시대, 마케터의 일은 어디로 갔나몇 년 전만 해도 퍼포먼스 마케터의 실력은 타겟팅에서 갈렸습니다. 관심사를 어떻게 조합하고, 유사타겟을 몇 %로 만들고, 지면을 어디로 좁히는지. 그런데 요즘 매체 세팅 화면을 열어보면, 그 옵션들이 하나둘 회색으로 잠기거나 "자동"이 기본값이 되어 있습니다.메타는 어드밴티지+ 라인으로 판매·앱·잠재고객 캠페인의 타겟·입찰·지면을 AI에 맡기는 구조를 밀고 있고, 광고 제작부터 운영까지 전 과정을 자동화하겠다는 목표를 공개적으로 얘기하는 단계까지 왔습니다. 구글은 PMax(실적 최대화)에 AI Max for Search, 디멘드젠까지 묶어 AI 패키지로 제시하고 있고, 틱톡의 스마트플러스, 네이버의 애드부스트까지 — 국내외 가릴 것 없이 방향은 같습니다. "타겟팅은 우리가 할 테니, 광고주는 목표랑 재료만 주세요."이 흐름 자체를 거스를 방법은 없어 보입니다. 실제로 자동화 캠페인이 수동 세팅보다 잘 나오는 경우도 많고요. 다만 현장에서 라이브 시켜보면, "그럼 마케터는 놀면 되나?"의 답이 꽤 명확하게 보입니다. 일이 없어진 게 아니라, 일의 위치가 옮겨졌습니다.자동화 캠페인은 넣어준 '재료'로 학습합니다 AI 캠페인의 성과를 가르는 건 세팅 화면 안이 아니라 세팅 화면에 도착하기 전의 것들입니다. 크게 세 가지로 볼 수 있습니다.첫째, 전환 신호. AI는 우리가 보내주는 전환 데이터를 보고 "이런 사람을 더 찾으면 되는구나"를 학습합니다. 그런데 이 신호가 오염돼 있으면 어떻게 될까요. 제가 맡았던 계정에서 광고에 박힌 딥링크가 옛날 웹뷰를 가리키는 바람에 앱 전환이 통째로 웹 이벤트로 새던 적이 있습니다. 이 상태에서 자동화 캠페인은 열심히 학습을 합니다 — 다만 반쪽짜리 데이터로요. 겉보기엔 캠페인이 돌아가니까 아무도 모릅니다. 자동화 시대에 "픽셀·SDK·서버 전송(CAPI)이 정확한 이벤트를, 금액까지 실어서, 중복 없이 보내고 있는가"를 점검하는 일은 예전보다 덜 중요해진 게 아니라 훨씬 더 중요해졌습니다. 손으로 운전할 땐 내가 보정이라도 하지만, 자율주행에 틀린 지도를 주면 그대로 갑니다.둘째, 볼륨. AI 캠페인엔 대체로 학습이 안정되는 전환량의 문턱이 있습니다(통상 주 단위 수십 건 수준을 기준으로 봅니다). 실제로 제가 즉시 종료시킨 캠페인이 하나 있었는데, 7일간 구매가 2~3건이었어요. 이 볼륨으론 학습 임계치에 도달할 방법 자체가 없어서, 살려두는 것 자체가 회복 불가능한 캠페인에 예산을 태우는 일이었습니다. 반대로 말하면, 전환이 구조적으로 희박한 목표(고가·저빈도 전환)라면 자동화 캠페인이 오히려 헤맬 수 있고, 이럴 땐 전환 목표를 한 단계 앞당기거나(구매 대신 장바구니, 신청 완료 대신 신청 시작) 캠페인을 합쳐 신호를 모아주는 쪽이 나을 때가 있습니다.셋째, 피드와 소재. 카탈로그 기반 자동화(메타 ASC, 구글 쇼핑·디멘드젠)는 상품 피드가 곧 타겟팅 데이터입니다. 특히 제가 맡았던 것처럼 상품 하나에 재고가 딱 하나인(1점1물) 중고 커머스는 피드 동기화 주기가 생명이었어요. 팔린 상품이 피드에 남아 있으면 그 광고비는 그대로 증발이니까요. 피드 품질·동기화·품절 제외 같은 "지루한 인프라"가 자동화 시대엔 곧 미디어 전략입니다.자동화에도 '맞는 그릇'이 따로 있습니다또 하나 실무에서 배운 건, 자동화 캠페인이라고 다 같은 물건이 아니라는 점입니다. 각자 태생과 용도가 있어요.예를 들어 메타 ASC는 카탈로그 기반 '구매' 전용에 가깝습니다. 구매 말고 위탁(판매 유치) 전환이 필요한 캠페인에는 애초에 안 맞는 그릇일 수 있습니다. 구글 쪽에서도 비슷한 판단을 한 적이 있는데, 1점1물 중고 상품은 검색 쇼핑 광고와 궁합이 나빴습니다. 특정 상품의 재고가 1개뿐이라 검색어와 상품이 매칭될 확률 자체가 낮거든요. 그래서 검색 매칭형 대신 피드를 비주얼로 흘려보내는 발견형(디멘드젠)을 선택했습니다. 중요한 건 이 선택의 근거가 "요즘 디멘드젠이 유행이라서"가 아니라 "우리 상품 구조상 검색 매칭이 어려워서"였다는 점이에요. 자동화 상품이 쏟아질수록, 유행이 아니라 우리 비즈니스 구조에 맞는 그릇을 고르는 판단이 마케터의 몫으로 남습니다.블랙박스는 블랙박스대로 검증합니다자동화 캠페인의 고질적인 불만이 "내 광고가 어디에, 누구한테 나가는지 안 보인다"입니다. 리포트 투명성이 조금씩 나아지고는 있지만, 수동 캠페인만큼 뜯어보긴 어렵죠. 그래서 저는 평가 방식을 조금 바꿔서 봅니다.캠페인 안쪽 지표(어떤 지면, 어떤 오디언스)에 집착하기보다, 계정 전체의 합산 성과가 자동화 도입 전후로 어떻게 움직였는지를 봅니다.매체가 보여주는 성과와 별개로, MMP나 GA 같은 제3의 축으로 교차 확인합니다. 매체 리포트는 아무래도 자기 공을 후하게 치는 경향이 있습니다.브랜드 세이프티나 노출 제외 같은 가드레일은 자동화를 켜기 전에 겁니다. 켜고 나서 수습하는 것보다 훨씬 쌉니다.정리하면, AI 자동화는 마케터를 대체한다기보다 마케터의 일을 "세팅"에서 "재료 관리와 검증"으로 옮겨놨습니다. 타겟팅 만지는 시간은 줄었는데, 이벤트 정합성·피드 품질·신호 볼륨·측정 교차검증에 쓰는 시간은 늘었어요. 그리고 개인적으로, 후자가 전자보다 어렵다고 생각합니다. 자동화 캠페인 성과가 계정마다 극과 극으로 갈리는 이유가 여기 있지 않나 싶습니다.자동화 캠페인을 돌리고 있다면, 한 번 물어볼 만합니다. 그 캠페인에 들어가는 재료는 누가, 어떻게 관리하고 있는지.