[실패 사례 분석] 급격한 목표치 변경으로 인한 머신러닝 다운: tROAS 값을 한 번에 상향 조정했다가 비딩이 영구 멈춘 케이스 역추적

가장 흔한 패턴은 이렇습니다. 특정 캠페인의 tROAS를 그동안 300%로 운영해오다가, 마진 개선을 목표로 한 번에 500%, 600%까지 큰 폭으로 올립니다. 담당자는 "목표를 높였으니 알고리즘이 더 효율적인 입찰가를 찾아낼 것"이라 기대하지만, 실제로는 다음 날부터 노출수와 클릭수가 급격히 줄어들고, 전환수는 거의 0에 가까워집니다. 이 상태가 며칠 지속되면 담당자는 "일시적 조정 기간이겠거니" 하고 방치하다가, 몇 주가 지나도 회복되지 않는 것을 확인하고서야 문제를 인지합니다.

이 패턴에서 핵심은 목표치 변경 직후의 성과 급감이 "일시적 학습 기간"이 아니라 "알고리즘이 애초에 그 목표를 만족시키는 입찰가 자체를 찾지 못하는 상태"일 수 있다는 점입니다. 두 상황은 겉보기 증상(노출·전환 감소)이 비슷해서 구분하기 어렵습니다.

타겟 ROAS를 급격히 올린다는 것은, 알고리즘에게 "지금보다 훨씬 더 낮은 입찰가로도 지금과 비슷한 전환 가치를 만들어내라"고 요구하는 것과 같습니다. 그런데 시장 경쟁 강도상 그 낮은 입찰가로는 애초에 경매에서 이길 수 없는 구간이라면, 알고리즘은 입찰 자체를 소극적으로 낮춰서 노출 기회를 스스로 줄이는 방향으로 반응합니다. 이는 알고리즘이 고장 난 것이 아니라, 주어진 제약(목표 ROAS)을 지키기 위한 합리적 반응입니다.

문제는 이렇게 노출이 줄면 전환 데이터 유입 자체가 줄어든다는 점입니다. 스마트 입찰은 최근 데이터를 계속 학습에 반영하는 구조이기 때문에, 전환 데이터가 희박해지면 알고리즘이 참고할 신호도 함께 희박해집니다. 결과적으로 "목표가 너무 높아 노출이 준다 → 데이터가 준다 → 학습이 더 불안정해진다 → 노출이 더 준다"는 악순환에 들어가고, 이 상태가 이어지면 사실상 입찰이 거의 멈춘 것처럼 보이는 상황까지 이어질 수 있습니다.

이 상황에서 담당자들이 가장 자주 내리는 오진은 두 가지입니다. 첫째는 "예산이 부족해서 노출이 안 되는구나"라고 보고 예산을 올리는 것입니다. 하지만 문제의 원인이 목표 ROAS 자체에 있다면 예산을 올려도 알고리즘은 여전히 그 목표를 만족하는 입찰가를 찾지 못하므로 효과가 없습니다. 둘째는 "매체 자체 트래픽이 줄었다"고 보는 것인데, 같은 기간 다른 캠페인이나 경쟁사 광고 노출은 정상적이라면 이 가설은 설득력이 떨어집니다.

정확한 진단은 목표치 변경 시점과 노출·전환 급감 시점을 나란히 놓고 대조하는 것에서 시작합니다. 변경 직후부터 지표가 꺾였다면, 원인은 매체나 예산이 아니라 목표치 자체일 가능성이 매우 높습니다.

가장 확실한 복구 경로는 목표치를 급감 이전, 즉 실제로 달성됐던 수준으로 되돌리는 것입니다. 이후 데이터가 다시 안정적으로 쌓이는 것을 확인한 뒤, 목표를 개선하고 싶다면 한 번에 큰 폭으로 바꾸지 않고 여러 번에 걸쳐 작은 폭으로 단계적으로 조정하는 방식을 권장합니다. 이렇게 하면 매 단계마다 알고리즘이 새 목표에 적응할 여유를 갖게 되어, 노출이 급격히 끊기는 위험을 줄일 수 있습니다.

이 실패의 근본 원인은 기술적 오류가 아니라 운영 프로세스의 부재입니다. 목표치를 바꿀 때 "지금 목표가 최근 실적 대비 몇 % 변화인가"를 사전에 계산하는 절차가 없었기 때문에, 담당자가 체감상 합리적으로 보이는 숫자를 그대로 입력한 것이 사고로 이어졌습니다. 이후에는 목표치를 변경하기 전 최근 30일 평균 실적 대비 변경폭을 반드시 계산하고, 일정 폭(예: 20~30%)을 넘는 변경은 한 번에 적용하지 않고 여러 단계로 나누는 내부 규칙을 두는 것이 실질적인 예방책입니다.

또한 목표치 변경 직후 최소 3~5일은 노출수·클릭수 추이를 매일 확인하는 모니터링 루틴을 만들어두면, 급감 신호를 조기에 포착해 큰 폭의 매출 손실로 이어지기 전에 되돌릴 수 있습니다. 변경 이력을 스프레드시트나 캠페인 메모에 날짜와 함께 기록해두는 것도, 나중에 이런 역추적을 훨씬 빠르게 만들어줍니다.