타겟팅 다변화: 검색광고 내 '잠재고객 세그먼트(관찰 및 타겟팅)' 설정을 통한 고관여 유저 비딩 가산점 기술

같은 오디언스 세그먼트를 추가하더라도 '타겟팅'과 '관찰' 중 어느 설정을 선택하느냐에 따라 광고 노출 범위가 완전히 달라집니다. '타겟팅'을 선택하면 그 세그먼트에 속한 사용자에게만 광고가 노출되도록 범위가 제한됩니다. 반면 '관찰'을 선택하면 광고그룹이나 캠페인은 원래 설정된 키워드·타겟팅 조건 그대로 도달 범위를 유지하면서, 그 안에서 특정 세그먼트에 속한 사용자의 성과만 별도로 관찰할 수 있게 됩니다. 검색·쇼핑 캠페인은 키워드 자체가 이미 핵심 타겟팅 수단이기 때문에, 오디언스 세그먼트까지 '타겟팅'으로 좁히면 도달 범위가 지나치게 제한될 위험이 있어 기본값이 '관찰'로 설정돼 있는 것입니다.

'관찰' 설정으로 오디언스 세그먼트를 추가해도 캠페인의 노출 범위 자체는 그대로 유지된다는 점이 핵심입니다. 즉 오디언스 세그먼트를 추가하는 행위 자체는 리스크가 없고, 대신 그 세그먼트에 속한 사용자와 속하지 않은 사용자의 성과를 구분해서 볼 수 있는 데이터가 새로 생긴다는 것이 이점입니다. 이 데이터를 확인한 뒤 특정 세그먼트의 전환율이 유독 높다면, 그 세그먼트에만 입찰가 가산 조정을 적용해 더 적극적으로 입찰하도록 설정할 수 있습니다. 반대로 성과가 낮은 세그먼트를 발견해도 검색광고에서는 완전히 배제하기보다 입찰가를 낮추는 조정으로 대응하는 경우가 많은데, 이는 검색광고의 핵심 타겟팅 수단이 키워드이기 때문에 오디언스만으로 사용자를 배제하면 실제 구매 의도가 있는 사용자까지 놓칠 수 있기 때문입니다.

처음 오디언스 세그먼트를 검색광고에 도입한다면, 자사 데이터를 기반으로 한 1차 파티 세그먼트(리마케팅 목록, 고객 일치 목록)부터 추가하는 것이 일반적인 순서입니다. 이미 웹사이트를 방문했거나 구매 이력이 있는 사용자는 처음 검색하는 사용자보다 전환 가능성이 높은 경우가 많아, 이 세그먼트의 성과를 관찰하면 입찰가 가산 조정의 근거가 빠르게 쌓입니다. 그다음으로는 관심분야·구매의도 세그먼트처럼 구글이 자체적으로 분류한 잠재고객 세그먼트를 추가해, 자사 데이터가 없는 신규 잠재고객 중에서도 고관여 유저를 식별하는 단계로 넘어갈 수 있습니다.

스마트 입찰 전략(타겟 CPA, 타겟 ROAS 등)을 쓰는 캠페인이라면, '관찰'로 추가한 1차 파티 오디언스 세그먼트가 알고리즘의 입찰 신호로 직접 활용됩니다. 즉 광고주가 수동으로 입찰가 가산 조정 비율을 정하지 않아도, 알고리즘이 해당 세그먼트의 과거 전환 데이터를 학습해 자동으로 입찰가에 반영합니다. 이 때문에 스마트 입찰을 쓰는 계정에서는 수동으로 세그먼트별 입찰가 조정 비율을 세밀하게 관리하기보다, 정확한 오디언스 세그먼트를 최대한 많이 '관찰'로 걸어 알고리즘이 참고할 신호를 풍부하게 제공하는 방향이 더 효율적인 경우가 많습니다.

아직 수동 CPC로 운영 중인 계정이라면 '관찰'로 세그먼트를 걸어 성과 데이터를 축적한 뒤, 성과가 검증된 세그먼트에만 수동으로 입찰가 가산·감산 조정을 적용하는 방식으로 활용합니다. 이 경우 최소 2~4주 정도 데이터를 관찰한 뒤 조정하는 것이 표본 부족으로 인한 오판을 줄이는 방법입니다. 세그먼트별 전환수 자체가 적은 상태에서 성급하게 큰 폭의 조정을 걸면, 우연히 발생한 몇 건의 전환만으로 전체 입찰 전략을 왜곡할 위험이 있습니다.

관심분야·구매의도 세그먼트뿐 아니라 연령대·성별 같은 인구통계 세그먼트도 검색광고에서 '관찰'로 걸 수 있습니다. 다만 인구통계 세그먼트는 구글이 추정한 값이라 모든 사용자에게 정확히 매칭되지 않고, '알 수 없음'으로 분류되는 비중도 상당합니다. 이 때문에 인구통계 데이터만으로 입찰가를 크게 조정하기보다, 리마케팅·고객 일치 같은 1차 파티 데이터의 보조 지표로 참고하는 정도로 활용하는 편이 안전합니다. 특정 연령대의 성과가 유독 나쁘다고 판단되더라도, '알 수 없음'으로 분류된 사용자 비중이 크다면 그 판단 자체가 왜곡됐을 가능성을 함께 고려해야 합니다.

검색광고에 오디언스 세그먼트를 여러 개 동시에 '관찰'로 걸어두는 것은 무방하지만, 세그먼트별로 입찰가 조정을 지나치게 세분화하면 각 세그먼트가 받는 노출량과 전환 데이터가 얇아져 통계적으로 신뢰하기 어려운 수준까지 쪼개질 수 있습니다. 처음에는 큰 범주(1차 파티 vs 그 외)로 나눠 관찰하다가, 데이터가 충분히 쌓인 세그먼트부터 순차적으로 더 세분화하는 순서가 실무에서 안정적으로 활용하는 방법입니다.