브로드 타깃팅 (무타깃팅) (Broad Targeting)
Broad Targeting
브로드 타깃팅(무타깃팅)은 메타 Advantage+ 쇼핑 캠페인 등 최신 광고 알고리즘에서 세부 관심사를 배제하고 연령·성별·위치만 열어둔 뒤 알고리즘의 머신러닝에 오디언스 발굴을 전적으로 위임하는 전략입니다. 크리에이티브 자체가 타깃팅 필터 역할을 하도록 설계하여 CPA를 획기적으로 낮추는 것이 핵심입니다.
브로드 타깃팅(무타깃팅)은 메타 Advantage+ 쇼핑 캠페인 등 최신 광고 알고리즘에서 세부 관심사를 배제하고 연령·성별·위치만 열어둔 뒤 알고리즘의 머신러닝에 오디언스 발굴을 전적으로 위임하는 전략입니다. 크리에이티브 자체가 타깃팅 필터 역할을 하도록 설계하여 CPA를 획기적으로 낮추는 것이 핵심입니다.
📖 개념 정의 및 실무 적용
과거에는 상세 타깃팅이나 맞춤 타깃을 촘촘하게 쪼개어 광고를 집행하는 것이 정석이었으나, iOS 개인화 보호 정책 강화와 알고리즘 고도화로 인해 세부 타깃팅은 오히려 도달 범위를 좁히고 비용을 상승시키는 주원인이 되었습니다. 브로드 타깃팅은 광범위한 모수를 바탕으로 AI가 실시간으로 구매 전환 가능성이 가장 높은 유저를 찾아내게 유도함으로써, 광고 피로도를 낮추고 효율적인 스케일업을 가능하게 합니다.
특히 메타의 Advantage+ 쇼핑 캠페인(ASC) 환경에서 브로드 타깃팅은 필수적입니다. 마케터가 타깃을 직접 좁히는 대신, 크리에이티브(소재)의 메시지와 비주얼을 다양하게 테스트하여 알고리즘이 자연스럽게 타깃 세그먼트를 학습하도록 유도해야 합니다. 이를 통해 타깃 설정에 쏟던 리소스를 크리에이티브 기획과 데이터 분석에 집중시킬 수 있습니다.
💻 실무 활용 코드 스니펫 (JAVASCRIPT)
function checkMetaAdCreativeDiversity(campaignId) {\n // 메타 광고 계정 내 브로드 캠페인의 소재 다양성 및 성과를 모니터링하는 Apps Script 예시\n var accessToken = 'YOUR_ACCESS_TOKEN';\n var url = 'https://graph.facebook.com/v18.0/' + campaignId + '/ads?fields=name,creative{id,object_story_spec}&access_token=' + accessToken;\n \n var response = UrlFetchApp.fetch(url);\n var result = JSON.parse(response.getContentText());\n \n Logger.log('Total Ads in Broad Campaign: ' + result.data.length);\n \n if (result.data.length < 5) {\n Logger.log('경고: 브로드 타깃팅의 효율을 극대화하기 위해 최소 5개 이상의 서로 다른 크리에이티브(소재)를 등록하세요.');\n } else {\n Logger.log('정상: 알고리즘 학습을 위한 충분한 크리에이티브가 확보되었습니다.');\n }\n}
⚡ 5분 만에 적용하는 실행 스텝
- 캠페인 생성 단계에서 상세 관심사, 행동 타깃 등 세부 오디언스 설정을 완전히 비워둡니다 (국가/지역, 연령, 성별만 필수 최소 조건으로 설정).
- 광고 세트(Ad Set)를 잘게 쪼개지 말고 통합하여 예산을 한 곳으로 집중시킵니다 (머신러닝 학습 단계 조기 이탈 방지).
- 타깃 대신 크리에이티브를 다변화하여 이미지, 영상, 텍스트 조합 등 최소 5~10개 이상의 서로 다른 소재를 동시에 라이브합니다.
- 전환(Purchase) 이벤트 기준 데이터가 주당 최소 50건 이상 쌓이도록 예산을 배정하고, 소재별 성과를 주기적으로 교체하며 최적화합니다.
첫째, 타깃을 풀었기 때문에 '크리에이티브가 곧 타깃'입니다. 이미지의 첫 문구나 영상 초반 3초에 타깃 고객이 반응할 만한 소구점(Pain Point)을 명시하여 알고리즘이 허수 유저를 걸러내도록 유도하세요. 둘째, 기존에 반응이 좋았던 맞춤 타깃(Custom Audience) 데이터는 룩알룩(LAL) 대신 광범위한 브로드 캠페인 내의 'Advantage+ 오디언스 제안' 기능에 입력하여 초기 학습 부스터로만 활용하는 것이 효과적입니다.
첫째, 예산이 부족한 상태에서 브로드 타깃을 쓰면 알고리즘이 학습을 완료하지 못해(머신러닝 부족) 효율이 급락합니다. 방지책으로 전환 단가(CPA) 기준 주당 최소 50회의 전환이 보장되는 예산을 설정하거나, 소액 예산일 경우 세트 통합을 더 강하게 진행하세요. 둘째, 소재를 1~2개만 등록한 채 브로드로 집행하면 특정 유저 늪에 빠져 금방 피로도가 높아집니다. 반드시 주기적으로 신규 소재를 로테이션해야 합니다.
❓ 자주 묻는 질문 (FAQ)
A. 갑작스러운 전환은 알고리즘 혼란을 야기하여 CPA가 일시적으로 튈 수 있습니다. 기존 캠페인은 유지한 채 예산의 20~30%를 브로드 타깃 신규 캠페인으로 분할하여 테스트(A/B 테스트)를 진행하고, 브로드 캠페인의 효율이 안정화될 때 기존 예산을 점진적으로 이전하는 것을 추천합니다.
A. 이는 메타 알고리즘이 데이터 수집 과정에서 겪는 탐색(Exploration) 비용일 수 있습니다. 만약 명확한 B2C 데이터상 특정 성별/연령이 절대 아니라면 최소 연령/성별 필터는 걸어두되, 관심사나 행동 타깃을 좁히는 방식은 지양하세요. 알고리즘이 전환 데이터를 더 많이 학습할수록 구매 확률이 높은 진성 유저에게 노출을 집중시키게 됩니다.