광범위 잠재고객 동적 광고(DABA) 설계: 자사몰 미방문 유저라 할지라도 메타 내 행태 정보를 기반으로 신규 유치용 어드밴티지+ 카탈로그 전개

지금까지 다룬 DPA는 자사 사이트·앱에서 상품을 조회하거나 장바구니에 담은, 이미 알고 있는 사용자를 대상으로 합니다. 반면 DABA는 자사 사이트를 한 번도 방문한 적 없는 사용자에게도 카탈로그 상품을 보여줍니다. 이 확장이 가능한 이유는 메타가 자사 픽셀 데이터가 아니라, 메타 플랫폼 안에서 관찰되는 사용자의 행태(유사 상품 검색, 관련 페이지 좋아요, 유사 브랜드와의 상호작용)를 근거로 잠재 관심층을 스스로 추정하기 때문입니다.

DPA 리타게팅 오디언스는 결국 자사 사이트를 방문한 사람의 규모에 상한이 걸려 있습니다. 트래픽이 이미 포화 상태이거나 신규 고객 유입 자체가 목표인 브랜드라면, 리타게팅만으로는 성장의 한계에 부딪힙니다. DABA는 이 한계를 넘어 신규 잠재고객층으로 카탈로그 노출을 확장하는 역할을 하므로, '이미 아는 사람 안에서 전환율을 높이는 단계'가 아니라 '아는 사람의 모수 자체를 늘리는 단계'에 적합한 도구입니다.

DABA는 별도의 독립된 캠페인 유형 버튼이 있는 것이 아니라, 어드밴티지+ 판매 캠페인 설정 안에서 타겟팅 범위를 넓히는 방식으로 활성화됩니다. 카탈로그는 여전히 같은 상품 데이터 소스를 쓰고, 캠페인 설정에서 기존 방문자 대상 리타게팅과 신규 잠재고객 대상 확장을 함께 운영하도록 구성하는 것이 일반적입니다. 즉 DPA와 DABA를 완전히 분리된 별개 캠페인으로 운영할 수도, 하나의 캠페인 구조 안에서 함께 운영할 수도 있습니다.

DABA는 리타게팅처럼 '이 사람이 본 바로 그 상품'을 보여주는 것이 아니라, 알고리즘이 여러 후보 상품 중 가장 반응할 가능성이 높은 상품을 스스로 골라 보여주는 구조입니다. 이 선택의 정확도는 카탈로그에 담긴 정보의 풍부함에 좌우됩니다. 평점·리뷰 수 같은 신뢰 신호, 명확하고 구체적인 상품명(리치 타이틀), 정확한 가격 정보가 충실히 채워져 있을수록 알고리즘이 좋은 조합을 찾아낼 확률이 높아진다고 알려져 있습니다.

DABA와 DPA 리타게팅에 예산을 어떻게 배분할지는 브랜드의 성장 단계에 따라 달라집니다. 신규 고객 기반이 아직 작은 초기 브랜드라면 DABA 비중을 높여 모수를 늘리는 것이 우선일 수 있고, 이미 방문자 트래픽이 풍부한 브랜드라면 DPA 리타게팅으로 전환율을 극대화하는 데 더 집중하는 것이 효율적일 수 있습니다. 어느 한쪽에 예산을 전부 몰아넣기보다, 브랜드 단계에 맞는 배분 비율을 정하고 주기적으로 성과를 보며 조정하는 것이 바람직합니다.

DABA는 리타게팅과 달리 즉각적인 구매 전환보다 상위 퍼널 지표(도달, 사이트 첫 방문, 장바구니 담기)까지 함께 봐야 성과를 제대로 평가할 수 있습니다. DABA 캠페인을 리타게팅과 동일한 즉시 전환 기준으로만 평가하면, 실제로는 신규 유입을 만들어내고 있는데도 성과가 낮다고 오판할 위험이 있습니다.

DABA로 신규 유입에 성공한 사용자가 사이트를 방문해 조회·장바구니 행동을 남기면, 이 사용자는 이제 7강에서 다룬 DPA 리타게팅 조건식의 대상에도 포함됩니다. 즉 DABA와 DPA는 완전히 분리된 두 세계가 아니라, DABA가 새로운 사용자를 유입시키면 그 사용자가 자연스럽게 DPA 퍼널로 이어지는 하나의 흐름으로 설계돼야 합니다. 이 흐름이 끊기지 않도록 두 캠페인의 픽셀·전환 API 연동이 같은 기준으로 일관되게 작동하는지 확인해야 합니다.

예산이 넉넉하지 않은 브랜드가 처음부터 DABA에 큰 비중을 할당하면, 학습에 필요한 데이터가 충분히 쌓이기 전에 예산이 소진돼 성과 판단 자체가 어려울 수 있습니다. 먼저 소규모 예산으로 DABA를 테스트해 최소한의 학습 데이터가 쌓이는 것을 확인한 뒤, 성과가 확인되면 점진적으로 예산을 늘려가는 방식이 리스크를 줄이는 접근입니다.