소재·리타게팅·포화
타깃 일치와 메시지, 리타게팅 시점, 노출 빈도, 예산 포화의 효과 크기를 무작위 실험 중심으로 정리하고 시뮬레이션에 넣는 법을 안내합니다
글·검토 Eric Han · 리옵트 공동창업자·CTO
핵심 요약
- 성격에 맞춘 Facebook 뷰티 소재는 구매 오즈를 1.54배 높였지만 클릭에는 차이가 없었습니다. 앱 실험 2건은 클릭도 늘어, 클릭만으로 소재를 판단하기 어렵습니다.
- 장바구니 이탈 직후의 조기 메시지는 역효과입니다. 30분 뒤 13.1%(대조 15.2%), 24시간 뒤 8.3%(대조 6.0%)입니다.
- 플랫폼 소재 A/B 테스트는 알고리즘이 소재별로 다른 사람에게 전달해 왜곡될 수 있습니다.
- 미국 CPG TV 광고의 중앙 장기 탄력성은 0.014이고, 80% 이상 브랜드의 한계 ROI가 음수입니다.
- 포화 곡선을 무작위로 직접 잰 공개 자료는 찾지 못했습니다. 곡선 모양은 자사 실험으로 추정합니다.
소재와 메시지
| 실험 | 맥락 | 효과 | 등급 |
|---|---|---|---|
| Matz 외, PNAS 2017 | Facebook, 영국 뷰티, 313만 도달 | 성격 일치군 구매 오즈비 1.54(1.25~1.90), 클릭 차이 없음. 플랫폼 최적화 전달 때문에 내적 타당성 논쟁이 있음(Eckles 외 2018, 저자 반론 있음) | B |
| 같은 논문 | 앱 2건 | 클릭 오즈비 1.38, 1.30, 설치 오즈비 1.31, 1.15 | B |
| Bertrand 외, QJE 2010 | 남아공 대출, DM 53,194명 | 예시 대출을 4개에서 1개로 줄이면 금리 200bp 인하만큼의 효과 | A |
| Sahni 외, Marketing Science 2018 | 메일 제목 이름 삽입 | 오픈 9.05→10.80%, 리드 0.39→0.51% | A |
| Wernerfelt 외, 2025 | Meta 7만 건 이상 | 구매 대신 클릭 최적화 시 증분 CAC +31% | A |
| NYU Stern 요약 | 현장 실험, AI 소재 | CTR 최대 +19%, AI 고지 시 -31.5%. 동료심사 여부 미확인 | D |
소재 49%의 의미
NCSolutions 2023의 소재 49%, 브랜드 21%, 도달 14%, 타깃 11%, 최근성 5%는 CPG 캠페인 약 450건을 머신러닝으로 나눈 모델 기여 비중입니다. 소재를 고치면 매출이 49% 오른다는 뜻이 아닙니다(측정 업체, 등급 C).
플랫폼의 소재 A/B도 조심합니다. Braun·Schwartz(Journal of Marketing)는 알고리즘이 소재마다 다른 사용자에게 광고를 전달해 A/B 결과의 크기와 부호까지 왜곡할 수 있다고 보입니다. 소재 비교와 증분 리프트 테스트는 다른 실험입니다.
리타게팅
| 실험 | 맥락 | 효과 | 등급 |
|---|---|---|---|
| Johnson 외, Ghost Ads | 온라인 소매 1곳, 2주 | 방문 +17.2%, 거래 +12.0%, 매출 +10.8% | A |
| Sahni 외, JMR 2019 | 주택 자재 업체 | 4주 내 재방문 +14.6%, 첫 주 효과의 33%가 첫날 | A |
| Lambrecht·Tucker, JMR 2013 | 여행 | 평균적으로 동적 소재가 일반 소재보다 낮음. 후기 사이트 방문 후에는 열세 해소 | A |
시점이 부호를 바꿉니다
Li·Luo·Lu·Moriguchi(Journal of Marketing)는 장바구니를 떠난 사람에게 자사 메시지를 보내는 시점을 무작위로 바꿨습니다. 페이드 광고가 아닌 이메일·앱·문자이며, 값은 1개월 내 구매율입니다(4.05만 명 + 2.39만 명, 등급 A).
| 메시지 시점 | 처치군 | 대조군 |
|---|---|---|
| 30분 뒤 | 13.1% | 15.2% |
| 1시간 뒤 | 13.4% | 16.7% |
| 24시간 뒤 | 8.3% | 6.0% |
| 72시간 뒤 | 4.8% | 1.8% |
처치군과 대조군이 시점별로 다르므로 시점 사이의 구매율 값을 직접 비교하지 말고, 같은 행 안의 차이를 보세요.
빈도와 포화
| 근거 | 내용 | 한계 | 등급 |
|---|---|---|---|
| Lewis·Reiley 원고 | 약 50회에서 효과 정점, 약 100회에서 매출 증분=광고비(이익 기준이 아님) | 노출 빈도가 외생이 아니어서 저자들도 인과 해석을 경계 | B |
| Johnson 외 메타 실험 | 캠페인 종료 후 28일 이월: 방문 평균 16.4%, 중앙값 2.9% | 소수 캠페인이 평균을 끌어올림 | A |
| Shapiro 외, Econometrica 2021 | 미국 CPG TV 288개 브랜드 중앙 탄력성 0.014, 한계 ROI 음수 80% 이상 | TV 데이터. 디지털에 그대로 옮기지 못함 | B |
| Sethuraman 외, JMR 2011 | 광고 탄력성 메타분석 단기 0.12, 장기 0.24 | 1960~2008 브랜드 광고 | B |
시뮬레이션에 넣는 법
-
기본은 오목 곡선입니다. 예산을 2배로 늘려도 전환이 2배가 되지 않는다고 가정합니다. 곡선 모수의 공개 추정값은 쓸 만한 것이 없으므로 민감도 분석으로 다룹니다.
-
탄력성 는 시나리오로 둡니다. 신규 채널 초기에는 1에 가깝게, 지출이 이미 큰 채널은 낮게 둡니다. 이 형태와 시나리오 구분은 이 책의 판단입니다.
-
예산 분할 실험으로 추정합니다. 지역이나 기간을 나눠 지출을 달리 하고 두 지점의 로그 기울기로 를 잡습니다.
찾지 못한 근거
디지털 매체에서 노출 빈도를 무작위로 바꿔 포화 곡선을 직접 잰 공개 연구는 찾지 못했습니다. MMM의 포화 곡선은 측정값이 아니라 모델 가정입니다.