메타 광고 머신러닝 펀더멘털 & 실전 운영 가이드

1. 한눈에 보는 메타 ML 영향 요소 맵

메타 광고 시스템은 단순한 입찰 경매가 아닙니다. 머신러닝이 광고주의 데이터, 크리에이티브, 캠페인 구조를 종합 평가해 최적의 노출 조합을 결정합니다. 아래 맵은 메타 ML이 고려하는 주요 입력 요소들을 구조화한 것입니다.

[광고주 입력]
  ├── 데이터 품질
  │     ├── CAPI 연동 (이벤트 매칭)
  │     ├── EMQ 점수 (0~10)
  │     └── 어트리뷰션 윈도우 설정
  ├── 크리에이티브
  │     ├── 이미지/영상 콘텐츠
  │     ├── 헤드라인·바디 카피
  │     └── 엔티티 ID (다양성)
  └── 캠페인 구조
        ├── 목표 설정 (전환/리드/인지)
        ├── 예산 (CBO vs ABO)
        └── 타겟팅 (광범위 vs 세밀)

[메타 ML 엔진]
  ├── 안드로메다 (Andromeda)  → 리트리벌
  ├── GEM                    → 랭킹
  ├── 메타 래티스             → 통합 학습
  └── UTIS                   → 품질 피드백

[출력 결과]
  ├── 노출 대상 (타겟팅)
  ├── 입찰가 결정 (eCPM)
  └── 광고 품질 점수

이 구조를 이해하면 "왜 예산을 올려도 성과가 나지 않는가", "왜 크리에이티브를 바꾸면 타겟이 달라지는가"에 대한 근본 원인을 파악할 수 있습니다.

2. 메타 ML 4대 핵심 아키텍처

메타는 2023~2024년에 걸쳐 광고 시스템의 내부 아키텍처를 대대적으로 공개했습니다. 4개의 핵심 시스템이 유기적으로 연결되어 작동합니다.

안드로메다 (Andromeda) — 리트리벌 엔진

안드로메다는 수억 개의 광고 후보 중에서 특정 사용자에게 보여줄 광고 후보군을 빠르게 추려내는 검색(retrieval) 엔진입니다. 전통적인 키워드 매칭이 아니라 임베딩 기반 유사도 검색으로 작동합니다.

중요한 함의는 크리에이티브의 시각적·언어적 특성이 타겟 오디언스를 직접 결정한다는 점입니다. 광고주가 타겟팅 설정에서 "25~34세 여성"을 지정하더라도, 안드로메다는 크리에이티브 자체의 신호를 더 강하게 반영합니다.

GEM (Generative Embedding Model) — 랭킹 파운데이션 모델

안드로메다가 추려낸 후보군을 최종 순위로 정렬하는 모델입니다. 사용자의 행동 이력, 광고 품질, 예상 전환율(pCVR)을 종합적으로 평가합니다.

GEM은 광고 품질 점수를 eCPM(effective cost per mille) 계산에 반영합니다. 즉, 광고 품질이 높으면 같은 예산으로 더 낮은 CPM을 획득할 수 있습니다.

메타 래티스 (Meta Lattice) — 통합 학습 모델

메타 래티스는 여러 캠페인 목표(전환, 리드, 인지도)를 하나의 통합 모델로 학습하는 시스템입니다. 기존에는 각 목표마다 별도의 모델이 존재했지만, 래티스는 목표 간 학습을 공유합니다.

실무 관점에서는 캠페인 초기 데이터가 부족해도 다른 목표에서 학습한 패턴을 활용해 더 빠르게 최적화됩니다. 신규 광고 계정도 학습 속도가 빨라졌습니다.

UTIS (User-level Text Image Scoring) — 품질 피드백 루프

UTIS는 사용자가 광고에 긍정적·부정적으로 반응하는 패턴을 실시간으로 학습해 품질 점수에 반영하는 시스템입니다. "이 광고 숨기기", "스팸 신고", 반대로 "저장", "공유" 같은 행동이 모두 신호가 됩니다.

3. 데이터 품질 — CAPI, EMQ, 어트리뷰션 윈도우

메타 ML이 최적화할 수 있는 품질은 데이터 품질에 직결됩니다. 픽셀만으로는 ITP(인텔리전트 트래킹 방지), 쿠키 차단, 앱 추적 제한(ATT) 때문에 신호의 30~40%가 유실됩니다.

전환 API (CAPI) 연동

CAPI는 서버 측에서 직접 메타로 전환 이벤트를 전송하는 방식입니다. 브라우저 픽셀의 한계를 우회해 더 완전한 이벤트 매칭을 가능하게 합니다. 픽셀과 CAPI를 함께 운용하는 "이중 전송"이 권장됩니다.

중복 이벤트 방지를 위해 event_id를 반드시 설정해야 합니다. 픽셀과 CAPI가 같은 event_id를 전송하면 메타가 자동으로 중복을 제거합니다.

EMQ (Event Match Quality) 점수

EMQ는 0~10점 척도로 이벤트와 메타 사용자 계정을 얼마나 정확히 매칭했는지를 나타냅니다. 높을수록 전환 최적화 효율이 올라갑니다.

이메일 + 전화번호 + fbp + fbc를 모두 전송하면 EMQ 8점 이상을 달성할 수 있으며, 이 경우 CPA 18~25% 감소 효과가 보고됩니다.

어트리뷰션 윈도우 설정

어트리뷰션 윈도우는 광고 클릭 또는 조회 후 전환을 인정하는 기간입니다. 메타 기본값은 클릭 후 7일, 조회 후 1일입니다. 제품 카테고리에 따라 적절한 윈도우를 선택해야 합니다.

4. 학습 기간 관리 — 주 50개 이벤트, 유의미한 수정, 예산 스케일링

메타 광고 세트는 최적화 이벤트 기준으로 주당 50개 이상의 전환이 발생해야 학습 단계를 종료하고 안정적인 성과를 냅니다. 이 숫자에 미치지 못하면 "학습 제한" 상태가 지속됩니다.

유의미한 수정(Significant Edit)이란

다음 변경 사항은 학습 단계를 리셋합니다. 신중하게 접근해야 합니다.

예산 스케일링 공식

[안전한 예산 상향 규칙]
  - 간격: 최소 3~4일
  - 증가폭: 현재 예산의 20% 이내
  - 예시:
      Day 1:  10,000원
      Day 4:  12,000원  (+20%)
      Day 8:  14,400원  (+20%)
      Day 12: 17,280원  (+20%)

[긴급 스케일 필요 시]
  - 기존 광고 세트 유지
  - 동일 구조의 새 광고 세트를 더 높은 예산으로 신설
  - 두 세트를 병렬 운영 → 새 세트 성과 확인 후 기존 종료

주 50개 미만인 경우 최적화 이벤트를 상위 퍼널로 변경하는 것을 고려합니다. 구매 대신 장바구니 추가, 또는 콘텐츠 조회로 이벤트를 전환하면 학습 데이터를 더 빠르게 확보할 수 있습니다.

5. 캠페인 구조 · 타겟팅 · 예산 전략

캠페인 구조는 메타 ML이 학습할 수 있는 환경을 만드는 것이 핵심입니다. 지나치게 세분화된 광고 세트는 각 세트별 학습 데이터가 부족해 오히려 성과를 떨어뜨립니다.

CBO vs ABO — 70/30 전략

실무에서는 CBO로 안정적으로 성과를 내는 캠페인에 70%, 나머지 30%는 ABO로 새로운 소재·오디언스를 테스트하는 구조가 효과적입니다.

타겟팅 전략 — 광범위 타겟팅의 부활

안드로메다 시스템 도입 이후 메타는 광범위 타겟팅(broad targeting)의 성과가 세밀한 관심사 타겟팅보다 우수한 케이스가 증가했음을 공식적으로 밝혔습니다. 이는 ML이 크리에이티브 자체에서 타겟 시그널을 읽어내기 때문입니다.

6. 크리에이티브 전략 — 엔티티 ID 다양화, 피로도 대응

안드로메다와 UTIS 시스템을 이해하면 크리에이티브 전략이 달라집니다. 단순히 "좋은 광고"를 만드는 것을 넘어, ML이 최적의 타겟을 찾을 수 있도록 다양한 신호를 제공해야 합니다.

엔티티 ID 다양화

메타는 동일한 이미지/영상이라도 서로 다른 광고 ID (엔티티)로 등록하면 별개의 크리에이티브로 인식합니다. 같은 소재도 헤드라인, CTA 버튼, 링크 설명을 다르게 하여 여러 엔티티로 운용하면 ML이 더 넓은 오디언스 풀에서 최적 조합을 찾습니다.

[크리에이티브 다양성 구조 예시]
캠페인
  └── 광고 세트
        ├── 소재 A (이미지 1 + 헤드라인 1 + CTA "지금 구매")
        ├── 소재 B (이미지 1 + 헤드라인 2 + CTA "자세히 보기")
        ├── 소재 C (영상 1 + 헤드라인 1 + CTA "지금 구매")
        └── 소재 D (영상 1 + 헤드라인 3 + CTA "무료 체험")

→ 안드로메다가 각 소재를 다른 오디언스 세그먼트에 매칭 시도
→ 실제 반응 데이터 → GEM 랭킹 업데이트
→ UTIS가 품질 점수 실시간 반영

광고 피로도 대응

피로도(ad fatigue)는 동일 오디언스에게 동일 소재가 반복 노출될 때 발생합니다. UTIS가 부정적 반응(숨기기, 신고)을 감지하면 품질 점수가 하락하고 CPM이 올라갑니다.

7. Advantage+ 세일즈 캠페인(ASC) 운영

Advantage+ 세일즈 캠페인(ASC)은 메타가 캠페인 구조, 타겟팅, 예산 배분을 모두 ML에게 위임하는 방식입니다. 광고주는 크리에이티브와 목표 CPA/ROAS만 설정하면 됩니다.

ASC 운영 원칙

[ASC vs 기존 캠페인 비교]

기존 캠페인 구조:
  캠페인 (목표 설정)
    └── 광고 세트 (타겟팅 + 예산)
          └── 광고 (소재)

ASC 구조:
  캠페인 = 광고 세트 (통합)
    └── 광고 (소재 풀 제공)
          ↑ ML이 타겟 + 예산 + 소재 조합을 자동 결정

장점:
  + 관료적 구조 없이 ML 최대 활용
  + 크리에이티브 테스트 자동화
  + 신규/재구매 오디언스 자동 균형

단점:
  - 세밀한 타겟팅 통제 불가
  - 낮은 예산에서 학습 속도 느림

ASC는 월 광고비 500만 원 이상에서 효과가 두드러집니다. 그 미만에서는 기존 캠페인 구조로 데이터를 먼저 축적한 뒤 전환을 고려합니다.