트러블슈팅: 동일 캠페인 내 광고 세트 간의 타겟 자기잠식(Auction Overlap) 발생 시 캠페인 병합 가이드라인

동일 계정 내 서로 다른 광고 세트가 겹치는 오디언스를 타겟팅하면, 그 겹치는 사람들을 대상으로 두 세트가 같은 경매(auction)에 동시에 들어가 서로 입찰 경쟁을 벌이게 됩니다. 이 경매는 광고주 대 광고주가 아니라 광고주 자신의 세트 대 세트로 벌어지는 경쟁이라, 결과적으로 자기 예산을 자기 예산과 경쟁시켜 인위적으로 비용을 끌어올리는 셈이 됩니다. 이런 현상을 자기잠식(cannibalization) 또는 경매 중복(auction overlap)이라고 부릅니다.

이 문제가 까다로운 이유는 겉으로 잘 드러나지 않는다는 점입니다. 각 세트의 리포트만 따로 보면 CPA가 조금 높은 정도로만 보이지, "이 비용 상승이 세트끼리 서로 경쟁해서 생긴 것"이라는 사실은 세트를 개별로 보는 시야에서는 확인되지 않습니다. 계정 전체의 효율이 기대보다 낮게 나오는데 개별 세트 진단으로는 뚜렷한 원인을 찾기 어려울 때, 오디언스 중복을 의심해봐야 하는 이유가 여기 있습니다.

광고 관리자의 오디언스 탭 또는 광고 세트 탭에서 오디언스를 최대 5개까지 선택해 '오디언스 중복 보기(Show Audience Overlap)'를 실행하면, 선택한 오디언스 쌍이 서로 얼마나 겹치는지 퍼센트로 확인할 수 있습니다. 이 진단을 쓰려면 비교하려는 각 오디언스가 최소 1,000명 이상이어야 계산이 가능합니다. 정확한 메뉴 위치는 광고 관리자 업데이트에 따라 조금씩 바뀔 수 있어, 최신 화면에서 직접 위치를 확인하는 것이 안전합니다.

이 도구는 정기적인 점검 루틴에 포함시키는 것이 좋습니다. 새 세트를 만들 때마다 기존 세트와의 중복도를 미리 확인해두면, 자기잠식이 실제로 성과에 영향을 주기 전에 구조를 조정할 수 있습니다. 반대로 이미 운영 중인 캠페인의 CPA가 예상보다 높게 유지되고 있다면, 그 캠페인 안의 세트들부터 중복도를 확인하는 것이 문제 원인을 좁히는 첫 단계입니다.

업계 벤치마크는 오디언스 중복과 비효율적인 계정 구조로 인해 광고비의 20~35%가 낭비될 수 있다고 제시합니다. 이 수치는 메타의 공식 발표가 아니라 개별 매체가 추산한 벤치마크이므로 모든 계정에 동일하게 적용된다고 단정할 수는 없지만, 방향성만큼은 분명합니다 — 세트 구조를 정리하는 것만으로도 눈에 띄는 비용 절감 여지가 있다는 것입니다.

자기잠식은 비용 상승에 그치지 않고 학습 데이터를 흐리는 두 번째 문제로도 이어집니다. 겹치는 오디언스에 노출되는 사람들의 반응이 두 세트로 나뉘어 집계되면서, 각 세트가 확보하는 순수한 학습 신호가 줄어들고 세트당 주당 50건이라는 학습 기준선을 채우기가 더 어려워집니다. 즉 자기잠식은 비용 문제인 동시에 학습 속도 문제이기도 합니다.

오디언스 중복 문제를 해결하는 주된 방법은 중복도가 높은 세트들을 하나로 합쳐, 그 세트 안에 여러 소재를 함께 투입하는 것입니다. 업계에서는 중복률이 60% 이상인 오디언스 쌍을 병합 대상으로 제시하지만, 이 수치는 메타의 공식 기준이 아니라 개별 매체의 경험칙이므로 계정 상황에 따라 더 낮은 중복률에서도 성과 저하가 뚜렷하다면 병합을 검토해야 합니다. 판단 기준은 정해진 숫자 하나가 아니라, "이 세트들을 하나로 합쳤을 때 세트 하나가 확보하는 데이터가 늘어나는가"입니다.

병합을 실행할 때는 두 세트 중 더 넓은 오디언스를 남기고, 좁은 세트를 그 안에 흡수시키는 방식이 일반적입니다. 세트를 병합하면 학습이 처음부터 다시 시작되므로, 병합 직후에는 며칠간 성과가 불안정해질 수 있다는 점을 미리 팀 내에 공유해두는 것이 좋습니다.

1%, 3%, 5% 같은 여러 유사도의 유사 타겟을 동시에 운영하는 계정에서는, 넓은 비율이 좁은 비율을 그 정의상 포함하고 있어 중복이 필연적으로 발생합니다. 5% 유사 타겟은 1%·3% 유사 타겟에 속한 사람들을 이미 포함하고 있으므로, 세 세트를 그대로 함께 운영하면 자기잠식이 구조적으로 생길 수밖에 없습니다.

이 상황에서는 세트를 병합하는 대신 제외(exclusion) 설정으로 중복을 줄이는 방법도 함께 씁니다. 5% 세트에서 3% 세트에 속한 사람을 제외하고, 3% 세트에서 1% 세트에 속한 사람을 제외하는 식으로 계층을 나누면, 세 세트가 서로 겹치지 않는 별개의 사람들을 각각 타겟팅하게 됩니다. 이 방식은 세트를 유지하면서도 자기잠식을 없앨 수 있어, 유사도별 성과 차이를 계속 비교해보고 싶은 경우에 병합보다 적합할 수 있습니다.