메타 캠페인·광고세트·광고 3계층 구조 및 예산 설계 심화

원문 자료

메타 캠페인·광고세트·광고 3계층 구조 및 예산 설계 심화

조사 배경

메타 광고의 구조가 복잡해 보이지만, 실제로는 세 개의 결정 레벨이 명확히 분리되어 있습니다. 각 레벨에서 무엇을 설정하는지, 그리고 Advantage 캠페인 예산(구 CBO)과 광고세트 예산(ABO) 중 무엇을 선택해야 하는지는 비즈니스 수익 모델, 예산 규모, 학습 데이터 충분도에 따라 달라집니다.

2025년 메타는 "Advantage+ 노출위치 자동화"로 개별 토글 방식으로 전환했고, 학습기 판정도 '활성/제한' 라벨만이 아니라 실제 CPA 달성 기준이 됩니다.

---

1. 메타 광고 3계층 구조

1.1 캠페인 레벨 — 목표(Objective) 설정

정의: 광고 목표 1개를 선택하는 계층.

설정 항목:

• 캠페인 목표: Awareness / Traffic / Engagement / Leads / Sales / App Promotion 중 1개
• 예산(Advantage 캠페인 예산 선택 시만)
• 캠페인명

역할: Meta AI가 "당신의 목표를 달성할 가능성 높은 사용자"를 찾는 범위 결정.

• Sales 선택 = "구매할 사람" 탐색
• Traffic 선택 = "클릭할 사람" 탐색
• Awareness 선택 = "광범위 노출"

1.2 광고세트 레벨 — 타겟·예산·배치 설정

정의: 캠페인 내에서 실제 누가, 언제, 어디서 봐야 하는지 결정하는 계층.

설정 항목:

• 오디언스(Audience): Advantage+ Audience / Custom Audience / Lookalike / Broad targeting
• 예산(Ad Set Budget Optimization 선택 시)
• 노출위치(Placements): Advantage+ 자동 / 수동 배치 선택
• 입찰 전략(Bid Strategy): 자동 입찰 / Cost Cap / Bid Cap
• 배시간/지역/기기 등 세부 설정(선택사항)

역할: 같은 캠페인 내에서도 여러 광고세트로 "다른 타겟·다른 예산" 운영 가능.

1.3 광고 레벨 — 소재(Creative) 설정

정의: 사용자에게 보이는 실제 이미지, 텍스트, 비디오를 설정하는 계층.

설정 항목:

• 이미지 / 비디오 / 캐러셀 / 콜렉션
• 헤드라인(15글자)
• 본문(125글자)
• CTA 버튼 (예: 지금 구매 / 더 알아보기)

역할: 같은 광고세트 내에서 여러 광고로 크리에이티브 A/B 테스트.

---

2. 예산 구조: Advantage 캠페인 예산(CBO) vs 광고세트 예산(ABO)

2.1 Advantage 캠페인 예산(구 CBO) — 캠페인 레벨 예산

정의: 캠페인 전체에 월예산 100만 원을 설정하면, Meta AI가 실시간으로 고효율 광고세트에 자동 배분.

동작 원리:

• 광고세트 A의 CPA $20
• 광고세트 B의 CPA $30
• → 다음 날 AI가 자동으로 A에 더 많은 예산 배분, B에 적게 배분

장점:

• AI가 효율을 최대화 → 전체 캠페인 CPA 절감
• 광고세트별 예산 조정의 번거로움 제거
• 높은 규모성 → 스케일링 용이

단점:

• 크리에이티브/타겟 간 공정한 비교 불가능 (낮은 성과도 계속 예산받을 수 있음)
• 투명성 낮음 (각 광고세트 지출 정확히 알기 어려움)
• 광고세트별 최대 지출 한도 설정 시 AI 유연성 제약

추천 시나리오:

1. 월 예산 10만 원 이상
2. 효율 최우선 (목표보다 CPA 절감)
3. 광고세트 3개 이상
4. 스케일링 단계 (이미 작동하는 캠페인을 키우는 중)

2.2 광고세트 예산(ABO) — 광고세트 레벨 예산

정의: 각 광고세트마다 개별 예산을 설정하는 방식. 광고세트 A에 50만 원, 광고세트 B에 50만 원 설정.

동작 원리:

• 각 광고세트는 설정한 예산을 절대 초과할 수 없음 (고정)
• Meta AI는 각 광고세트 내에서만 최적화

장점:

• 각 광고세트가 동등한 예산 → 공정한 A/B 테스트
• 투명성 높음 (각 세트 지출 정확히 알 수 있음)
• 저예산 캠페인에 적합 (파편화 문제 덜함)

단점:

• 저성과 광고세트도 설정 예산을 받음 → 비효율 증가
• 수동으로 예산을 재조정해야 함 (번거로움)
• 스케일링에 비효율적

추천 시나리오:

1. 테스트 초기 단계 (어떤 오디언스/크리에이티브가 나을지 검증)
2. 월 예산 5만 원 이하 또는 저예산 광고세트 병행
3. 매우 구체적 타겟 (니치 제품, 특정 지역, 특정 인구)
4. 브랜드 안전 우선 (정치, 의료, 금융 등 규제 산업)

2.3 표준 워크플로우: "테스트 후 스케일"

초기 테스트 (ABO):

1. 3~4개 광고세트 생성 (오디언스별 / 크리에이티브별 분리)
2. 각 세트에 동등 예산 (50만 원씩)
3. 2주~1개월 데이터 수집
4. 성과 분석: 어느 세트의 CPA가 가장 좋은가?

스케일링 (CBO 전환):

1. 승자 광고세트(CPA 최저) 전략 파악
2. CBO 기반 신규 캠페인 생성
3. 월 500만 원 이상 예산으로 스케일
4. AI 자동화로 효율 극대화

---

3. 광고세트 분산 및 학습기 관리

3.1 "광고세트 파편화" 문제

상황: 월 예산 100만 원을 10개 광고세트로 분산 (각각 10만 원)

문제:

• 각 광고세트가 50전환까지 가는 데 5배 오래 걸림
• 학습기 동안 성과 불안정 → 높은 CPA
• 10개 세트 모두 안정화되려면 2~3개월 필요

해결책: "같은 캠페인 목표는 광고세트로 통합"

• 캠페인 1개(Sales) → 광고세트 2개 (신규고객 Lookalike / 기존고객 리타겟)
• 각 세트 50만 원 → 50전환 2배 빨리 달성
• 안정화 기간 1/5로 단축

3.2 학습기 50전환 규칙 (정확한 이해)

50전환의 기준:

• "광고세트 레벨"에서 주당 약 50전환 달성 시점
• 캠페인 전체가 아님
• 시간 기준 "7일" 또는 "누적 50전환" 중 먼저 도달

활성 상태 도달 후 성과:

• 성과 개선: 평균 5~10%
• 라벨 개선 자체의 효과는 미미
• 실제 중요한 것: CPA 목표 달성 여부

핵심 원칙:

1. 구조 통합 (파편화 방지)
2. 최적화 이벤트 품질 (purchase 선택)
3. 예산 증액 (가장 낮은 우선도)

3.3 최적화 이벤트 선택의 중요성

Soft Conversion 선택 시 (클릭, 페이지뷰, ATC):

Meta 학습 결과 → "클릭만 하는" 사용자 대량 수집
→ 구매율 낮음 → CPA 상승

Hard Conversion 선택 시 (Purchase, Lead Form):

Meta 학습 결과 → "실제 구매/양식 제출" 사용자 탐색
→ 구매율 높음 → CPA 절감

권장: 항상 purchase 또는 lead form submission 선택

---

4. 노출위치: Advantage+ 자동 vs 수동 배치

4.1 Advantage+ 노출위치 (자동)

정의: Meta AI가 자동으로 "가장 저렴한 배치"를 선택해 노출.

성과:

• CPC/CPM 6~22% 절감
• 도달 6% 확대
• AI 최적화 최대

투명성: 낮음 (어느 배치에 얼마나 나타나는지 모름)

추천 시나리오:

1. 신규 광고주
2. 광범위 오디언스 (전 여성 2534 등)
3. 빠른 셋업 필요
4. 스케일링 우선

4.2 수동 배치 선택

성과:

• 정밀도 우선
• 사례: 전자제품 47% CPM 효율성
• 투명성 높음 (각 배치 성과 측정)

권장 시나리오:

1. 니치/고급 제품 (럭셔리, 의료, 금융)
2. 브랜드 안전 중요 (특정 배치 피하기)
3. 역사 데이터로 입증된 배치 성과
4. 규제 산업

4.3 2025년 변화: 개별 토글

2025년 이전: "Advantage+ ON/OFF" 단일 토글 2025년 이후: 노출위치, 오디언스, 입찰 각각 토글로 분리

→ "완전 수동" vs "완전 자동" 이분법이 사라짐 → "어느 레버를 수동 오버라이드 할까" 프레이밍 변경

---

5. 캠페인 목표 선택 기준

5.1 Sales (판매)

최적화 대상: 웹 구매 / 앱 인앱 결제

사용 기준:

• 즉시 매출 발생
• ROAS/ROI 측정 가능
• eCommerce, SaaS, 구독형

CPA 예상: 제품 마진 기반 (평균 고객단가의 5~15%)

5.2 Leads (리드)

최적화 대상: 양식 제출, 상담 신청, 이메일 수집

사용 기준:

• 즉시 매출 X, 영업 파이프라인 구성
• B2B, 부동산, 금융 서비스
• 영업팀의 후속 필요

CPA 예상: 제품에 따라 1,000~50,000원 (금융/부동산은 높음)

5.3 Traffic (트래픽)

최적화 대상: 클릭 → 웹사이트 유입

사용 기준:

• 구매 없이 사이트 도착이 목표
• 콘텐츠 미디어 (뉴스레터, 블로그 구독)
• 소식 앱, 커뮤니티
• CPC 기반 요금

5.4 Awareness (인지)

최적화 대상: 도달 / 노출 (클릭 X)

사용 기준:

• 브랜드 인지도 구축 (상위 퍼널)
• 신상품 런칭
• 광고주 모르는 신규 세그먼트

기반 요금: CPM (1,000회 노출당 금액)

5.5 Engagement (참여)

최적화 대상: 좋아요, 댓글, 저장, 공유

사용 기준:

• 소셜 미디어 성장 (팔로워, 인스타 팔로우)
• 오가닉 도달 확대
• 커뮤니티 활성화

5.6 App Promotion (앱 설치)

최적화 대상: 앱 스토어 설치 / 앱 내 구매

사용 기준:

• 모바일 앱만 (게임, 유틸리티, 금융앱)

---

6. 실전 구조 설계 예시

예시 1: eCommerce (월 예산 500만 원)

Step 1. 목표 선택: Sales (구매 최적화)

Step 2. 예산 방식: Advantage 캠페인 예산 (CBO)

Step 3. 광고세트 구성 (3개):

1. 신규고객 (Lookalike 1%) — 월 250만 원
2. 기존고객 리타겟 (7일 방문자 제외) — 월 150만 원
3. 장바구니이탈 (Custom Audience ATC) — 월 100만 원

Step 4. 최적화 이벤트: Purchase (구매)

Step 5. 노출위치: Advantage+ 자동 (스케일 우선)

예상 결과: 월 400만 원 매출 (ROAS 0.8배, 학습기 후 1.5배 예상)

---

예시 2: B2B SaaS (월 예산 100만 원, 초기 테스트)

Step 1. 목표 선택: Leads (상담 신청)

Step 2. 예산 방식: ABO (광고세트 예산) — 공정한 테스트

Step 3. 광고세트 구성 (2개, 각 50만 원):

1. Lookalike 고액고객 (연간 결제 1000만원+)
2. Custom Audience 방문 30일 (관심도 높음)

Step 4. 최적화 이벤트: Lead (상담 신청 양식 제출)

Step 5. 노출위치: 수동 선택 (금융/B2B 신뢰도 중요)

• Facebook Feed만 (전문성 느낌)
• 제외: Instagram Reels, 메신저 (브랜드 훼손)

Step 6. 1개월 후:

• Lookalike: CPA 15,000원 (낮음) ← 승자
• Custom Audience: CPA 35,000원 (높음)

Step 7. 월 300만 원으로 스케일:

• CBO 기반 신규 캠페인
• Lookalike 전문화, 유사층 3~5% 추가

---

7. 흔한 오류 & 해결

오류	문제	해결
월 100만 원을 10개 광고세트로 분산	학습 지연 (2~3개월)	2~3개 광고세트로 통합
Soft conversion(ATC) 최적화	구매자 아닌 클릭만 수집	Purchase로 변경
수동 배치 + 오디언스 스택	AI 자동화 비활성화 상태	Advantage+ 켜기 또는 배치만 수동
학습 라벨 제한 → 예산만 증액	5~10%만 개선 (근본 아님)	구조 통합 + 이벤트 품질 점검
캠페인 목표 변경	학습기 리셋 (2주 손실)	신규 캠페인 생성

---

8. 체크리스트 (캠페인 설계 전)

• 비즈니스 목표 확인 (즉시 매출 vs 리드 vs 인지)
• 월 예산 규모 확인 (5만 이하 vs 10만 이상)
• CBO vs ABO 선택 (스케일 vs 테스트)
• 광고세트 개수 결정 (2~4개가 표준)
• 최적화 이벤트 선택 (Purchase/Lead = 필수)
• 노출위치 결정 (Advantage+ vs 수동)
• 크리에이티브 최소 개수 확보 (12개 이상 권장)
• 데이터 흐름 확인 (CAPI/픽셀 설정 완료)

---

출처 및 참고 자료

공식 자료

1. Meta Ads Manager (https://adsmanager.facebook.com)
2. Meta Blueprint Course "Advantage+ 최적화"
3. Meta Official Release Notes (2025~2026)

신뢰할 수 있는 가이드

• Benly AI: CBO vs ABO 완벽 비교
• Jon Loomer: Advantage+ 심화 분석
• Pigeon Digital: 50전환 규칙 실증 가이드
• Adamigo.ai: 배치 최적화 기초

---

작성일: 2026-07-24
최종 검증: Meta 공식 문서 + 2025~2026년 실시간 사례 기반
다음 심화: Advantage+ 오디언스 세분화, CAPI 이벤트 맵핑, 광고세트별 학습 모니터링

핵심 팩트 (27건)