퍼포먼스 마케터 vs 머신러닝
'페이스북 머신러닝' 잘 활용하고 있으신가요?
(좌) 이세돌 9단, (우)알파고#인공지능과 인간의 대결
2016년 3월 인공지능과 인간의 대결로 세간의 주목을 이끌었던
<알파고 vs 이세돌>의 대국을 기억하시나요?
당시 다양한 변수에 대한 경험이 많고, 몇 수 앞을 내다보는 '이세돌' 9단이 이길 것이다
혹은 이기길 바라는 목소리가 많이 있었습니다.
하지만, 결과는 알파고가 4:1로 승리했습니다.
#Facebook 머신러닝 Win!
최근 Facebook 머신러닝의 수준을 보면 <이세돌 9단과 알파고>의 대결이 떠오릅니다.
불과 작년까지만해도 마케터의 노하우를 바탕으로한 '수동 최적화 운영'은 Facebook 광고 성과에 큰 영향을 주는 편이었습니다.
실제로 작년 초 진행했던 <수동 최적화 vs 자동 최적화>에 대한 실험의 경우 수동으로 최적화를 진행한 캠페인의 최종 성과가 약 30% 더 우수했습니다.
즉, 동일한 캠페인 목적의 광고라 할지라도 마케터의 최적화 전략에 따라 성과가 크게 달라질 수 있다는 것을 알 수 있었습니다.
※수동최적화 vs 자동 최적화 실험 내용
- 자동 최적화 : 논타겟팅 전환 캠페인
- 수동 최적화 : 타겟별 세트 분리하여 운영 중 효율에 따라 수동 최적화를 진행
* 두 캠페인은 모두 최적화가 진행 될 수 있도록 충분한 예산 편성
하지만, 최근에는 마케터가 주기적으로 모니터링하며 수동으로 최적화가는 것과
자동 최적화 즉, 머신러닝을 활용한 캠페인과 성과 차이가 나지 않거나,
오히려 머신러닝을 적극 활용한 캠페인의 성과가 더 우수한 수준이 되었습니다.
즉, 알파고가 이세돌 9단을 이겼 듯
머신러닝이 마케터의 노하우를 이긴 상황입니다.
물론, 여전히 '수동 최적화' 운영 방식이 더 적합한 캠페인이 있으며, 머신러닝 활용이 크게 필요하지 않은 캠페인이 있기도 합니다.
하지만, 앞으로 머신러닝의 수준이 더욱 높아질 것이며,
수동으로 조정해야하는 부분들은 점점 줄어들 것입니다.
그렇다면, 퍼포먼스 마케터는 어떤 부분을 고민해야 할까요...?
.
.
.
바로, 머신러닝을 어떻게 잘 활용할 지에 대한 고민이 필요합니다.
#머신러닝, 너 어떻게 활용해야 하니?
시작하기에 앞서 머신러닝을 활용한 페이스북 모든 전략을 정리할 수는 없기 때문에 대표적인 상황 세 가지만 정리해보고자 하며, 머신러닝의 대표적인 기능인 '캠페인 예산 최적화'와 '광고 소재 최적화'를 기준으로 방법론을 정리해보고자 합니다.
* 캠페인 예산 최적화 : 캠페인 내 광고 세트 효율에 따라 세트별 예산을 자동 편성
* 광고 소재 최적화 : 1개 광고 세트 내 여러 개의 광고를 등록 시 가장 효율적인 광고에 예산 집중됨
1단계 - 머신러닝 활용 낮음
- 상황 : 목표로 하는 타겟과 메시지가 명확하고, 타겟별 예산이 정해진 상황
- 캠페인 예산 최적화 : 미활용
- 광고 소재 최적화 : 미활용
=> 자동 최적화 되는 부분 : 타겟
2단계 - 머신러닝 활용 중간
- 상황 : 목표로 하는 타겟은 명확하나, 메시지 테스트가 필요한 상황
- 캠페인 예산 최적화 : 미활용
- 광고 소재 최적화 : 활용
=> 자동 최적화 되는 부분 : 타겟 / 광고 소재
3단계 - 머신러닝 활용 높음
- 상황 : 타겟 및 메시지 모두 테스트가 필요한 상황
- 캠페인 예산 최적화 : 활용
- 광고 자동 최적화 : 활용
=> 자동 최적화 되는 부분 : 타겟 / 광고 소재 / 광고 세트별 예산
위의 내용을 통해 짐작할 수 있듯이 페이스북은 캠페인 구조를 어떻게 하는지에 따라 머신러닝이 다르게 작용하며, 구조에 따라 효율이 크게 달라질 수 있습니다.
때문에 캠페인의 목표 및 상황에 맞추어서 캠페인을 구조화하는 것은 매우 중요합니다.
현재 운영 중인 혹은 운영 예정인 캠페인이 있으시다면 머신러닝을 어느 수준으로 활용하는 것이 좋을지와 가장 적합한 캠페인 구조는 어떤 모습일지에 대해서 고민해보셨으면 좋겠습니다.
