Ana's Studynote

[내일배움캠프] 디지털 마케팅_77일차

ana 아나 — Tue, 21 Apr 2026 21:00:42 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : 마케팅 강의

AI 기반 이터레이션 & 광고 개선

4-1. 성과 데이터 분석 및 문제 진단

A/B 테스트 외 최적화 전략
타겟팅 최적화, 예산/매체 믹스 최적화, LPO 및 퍼널 기반 최적화

<핵심 포인트>
A/B 테스트 = 마이크로 최적화
A/B 테스트 외 최적화 전략 = 매크로·구조적 최적화

타겟팅 최적화
머신러닝 기반 광고 시스템의 성능 = 시드 데이터의 품질. AI가 학습할 수 있는 "고품질 신호" 제공

데모그래픽/관심사 타겟팅
나이와 성별 뿐만 아니라, 행동 패턴과 관심사 신호를 함께 분석하는 것이 핵심
- 연령·성별·지역·기기, 관심사 기반 행동 신호, Meta와 Advantage 상세 타겟팅 확장, Google P-Max
<전략적 포인트>
❌ 너무 좁은 타겟팅 → 학습 부족 → CPA 상승 → 캠페인 비효율
❌ 너무 넓은 타겟팅 → 잡음 증가 → 의도 신호 희석 → 전환율 하락
➡️ 적절한 "전략적 확장" 필요

맞춤 타겟
퍼스트 파티 데이터 기반 활용, AI 광고 시스템이 가장 높은 품질로 학습할 수 있는 데이터 소스
<AI 시대의 의미>
고품질 학습 데이터 제공, Lookalike 품질 향상, 러닝페이즈 단축, 개인정보 규제 대응
<주요 전략 및 세분화>
장바구니 이탈자, 최근 방문자, 고가치 고객 리스트, 카테고리별 행동 기반, 이메일 리스트, 앱 사용자
➡️ 맞춤 타겟은 최소 10,000명 이상이어야 효과적임

유사 타겟
최고의 신규 고객 확보 전략, 기존 고객 데이터를 기반으로 유사한 특성을 가진 신규 잠재고객을 찾아내는 AI 기반 타겟팅 방법
<Meta 기준 - Lookalike 비율별 특성>
1% = 가장 정교하고 품질이 높음
1~3% = 실무에서 가장 안정적
3~5% = 확장 단계에서 활용
5~10% = 확장성은 크지만 품질은 하락
➡️ 1% LAL로 시작 → 성과 안정화 → 2~3% 추가 → 단계적 확장
<Google 기준 - P-Max>
유사 타겟팅 개념이 Audience Signals에 녹아 있음. ML 기반 "의도형 잠재고객 탐색"
실시간 검색 의도 + 구매 행동 패턴 분석
Youtube 시청 이력, Gmail 반응률 등 Google 생태계 전체 데이터 활용
시드 데이터가 많을수록 정확도 향상 (최소 1,000개 권장)
- 주의사항
Lookalike는 시드 데이터의 품질이 전부, 저품질 고객 기반으로 만들면 비슷한 저품질 고객만 유입됨
정기적 업데이트 : 최소 30일마다 시드 데이트 갱신하여 최신 고객 특성 반영
여러 시드 소스 테스트 : 구매자 기반, 고가치 고객 기반, 참여도 높은 고객 기반 등 다양한 시드로 테스트

잠재고객 신호 - P-Max 필수 요소
P-Max는 AI에게 "이런 고객을 찾아달라"는 힌트를 주는 방식, Google의 머신러닝 알고리즘이 최적의 고객을 자동으로 탐색하도록 돕는 핵심 요소
<중요성>
방향성 제공, 러닝테이즈 단축, 품질 향상, CPA 개선
<가장 효과적인 신호 우선순위>
1. 구매자 리스트 : 최근 30~90일 내 구매 고객 - 가장 강력한 신호
2. 고가치 고객 : LTV 상위 20% 고객 - ROI 극대화
3. 장바구니 이탈자 : 구매 의도가 명확한 고객군
4. 참여도 높은 방문자 : 체류시간 3분 이상, 페이지뷰 5회 이상
5. 카테고리 관심사 고객 : 특정 제품군 반복 조회한 고객
<실무활용 팁>
복수 신호 조합, 정기 업데이트, 최소 규모, 성과 모니터링

예산 및 매체 믹스 최적화
예산과 채널 조합은 AI 자동입찰의 기반구조

매체 믹스
각 채널의 강점을 이해하고, 고객 여정의 각 단계에 맞게 채널을 배치하는 것

<Owned / Paid / Earned Media 조합 전략>
1. Paid Media (유료 매체)
메타, 구글 - 신규 고객 유입 전담, 빠른 확장 가능
네이버, 카카오 - 국내 시장 공략에 필수
예산 : 전체의 50~70% 투입

2. Owned Media (자체 매체)
이메일/CRM - 기존 고객 리텐션, 재구매율 향상
웹사이트/블로그 - SEO 기반 자연 유입 확보
앱 푸시 알림 - 즉각적인 재참여 유도

3. Earned Media (획득 매체)
인플루언서/리뷰 - 신뢰도 구축
PR/언론 - 브랜드 권위 확립
입소문/바이럴 - 자연스러운 확산

<크로스채널 마케팅 전략>
하나의 통합된 전환 퍼널로 연결하여 성과 극대화
- 고객 여정 패턴
인지 단계 : 유튜브 광고로 브랜드 노출 → 관심 확보
고려 단계 : 인스타그램/메타 광고로 제품 정보 전달 → LP 방문
탐색 단계 : 구글 서치 광고로 구매 의도 고객 포착
전환 단계 : 리타겟팅 광고로 재방문 유도 → 구매 완료
충성 단계 : 이메일/CRM으로 재구매 및 LTV 극대화

<ROAS 기반 예상 배분 전략>
측정 : 채널별 ROAS를 Last-click, First-click, Data-driven Attribution 등 다양한 방식으로 측정
기준 설정 : 목표 ROAS 대비 ±20% 이내는 유지, ±30% 이상 차이 시 조정 검토
저효율 채널 : ROAS가 목표의 50% 이하면 즉시 최적화 또는 예산 50% 축소
고효율 채널 : ROAS가 목표의 150% 이상이면 예산 20~50% 증액 테스트
주의사항 : 학습 기간 (7~14일)을 고려하여 급격한 변동은 금물, 단계적 조정이 안전함
계절성 반영 : 성수기/비수기에 따라 채널별 예산 비중 유연하게 조정
➡️ 업종과 제품에 따라 큰 차이가 있으므로 자사 데이터 기반으로 기준 설정

LPO
AI-ML 기반 캠페인 효율의 기반을 결정하는 요소

<퍼널별 이탈 지점 분석>
ROI 효율성 : 유입을 늘리는 것보다 퍼널 내 개선이 ROI 측면에서 3~5배 더 효율적
무료 성과 개선 : 비용 지출 없이도 전환율 20~50% 상승
빠른 효과 : 광고 최적화보다 훨씬 빠르게 (1~2주) 효과가 나타남
누적 효과 : 퍼널 개선 효과는 모든 광고 채널에 동시에 적용되어 전체 성과 향상
- 실무 활용 팁
주요 분석 포인트 및 벤치마크
1단계 : LP 방문 → 상품 페이지
2단계 : 상품 페이지 → 장바구니
3단계 : 장바구니 → 결제 시작
4단계 : 결제 시작 → 구매 완료
- 주요 마찰 지점 및 해결책
긴 입력 폼 - 필수 항목만 남기고 자동완성 기능 추가
느린 페이지 로딩 - 이미지 최적화, 목표 2초 이내
핵심 정보 하단 배치 - 가격, USP, CTA를 Above the Fold에 배치
가격/혜택 불명확 - 명확한 가격 표시, 할인율 시각화
모바일 UI 오류 - 터치 영역 확대, 입력 필드 최적화
신뢰 부족 - 리뷰, 보안 인증 마크, 환불 정책 명시
배송 정보 불명확 - 예상 배송일, 배송비 사전 안내

<UI/UX 기반 LPO 전략>
사용자 경험(UX)은 전환율을 결정하는 가장 직접적인 요소, 아무리 좋은 제품도 UX가 나쁘면 고객은 이탈함
- 미니멀리즘 & 명확한 메시지
3초 규칙, 인지 부하 감소, 가치 제안 우선, 시각 계층, 여백 활용
- Above the Fold 최적화
필수 요소 체크리스트
헤드라인, 핵심 USP, 비주얼, CTA 버튼, 신뢰 요소, 가격 정보
ATF에서 피해야 할 것
긴 텍스트 블록, 너무 많은 선택지, 자동재생 동영상, 팝업
- CTA 최적화 전략
문구 : 간결, 행동 중심
색상 : 배경과 대비되는 색
크기 : 충분히 크게
위치 : ATF에 반드시 배치, 스크롤 시 추가 배치
개수 : 주요 CTA는 1개, 보조 CTA는 최대 2개까지
- 기술적 성능 최적화
페이지 속도, 이미지 최적화, 캐싱 최적화, 모바일 반응형 필수, 서버 응답 시간, JavaScript/CSS 최소화

[내일배움캠프] 디지털 마케팅_75일차

ana 아나 — Sat, 18 Apr 2026 00:26:14 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : , 아티클 스터디, 마케팅 강의

아티클 스터디

[브알 #107] 세포라가 올리브영한테 SOS 친 이유

K-뷰티에 물 들어왔다고? 이때싶 노 저어버리는 올리브영

maily.so

[브알 #107] 세포라가 올리브영한테 SOS 친 이유

올리브영의 글로벌 진출과 세포라와의 파트너십

# 물 들어왔을 때 노 젓는 올리브영

전세계 K-뷰티 시장에서 미국이 차지하는 비율이 23.4%로 단일 국가 중 1위
2025년 기준 약 276억 달러 규모, 2033년까지 연평균 9.5%씩 성장할 것으로 전망

# 올리브영의 필승 전략

1️⃣ 한다면 제대로 하기. 현지 법인부터 물류, 소싱, 마케팅까지 현지화
올해 3월 미국 캘리포니아에 미국 서브센터 구축 - 북미에 유통할 상품의 통관, 보관, 배송 담당
세포라에 입점할 상품에 대해 E2E 물류 서비스 제공
(E2E: End-to-End, 생산부터 유통까지 전 과정 연결 구조)

2️⃣ 현지 트렌드를 저격하는 체험형 콘텐츠
AI 피부·두피 진단 및 400여개의 한국 뷰티 브랜드 제품 테스트
올리브영 성수점에서 피부진단 컨설팅을 받는 고객 중 87%가 외국인
미국에서는 스키니피케이션(두피를 얼굴처럼 관리하는 트렌드)라는 신조어가 있음

3️⃣ 경쟁자 '세포라'와 손잡은 이유
이번 협업으로 세포라의 온오프라인 채널에 올리브영이 직접 큐레이션한 K-뷰티존이 신설됨
세포라가 갖고 있는 마케팅과 세일즈 인프라를 활용하여 현지 시장 노출 극대화 가능
세포라 입장 : 공급 리스크 없이 최신 트렌드의 제품을 확보할 수 있음, 경쟁사(울타뷰티)에 맞서 올리브영이 입증된 큐레이션 방식 자체를 수입함으로써 트렌드에 민감한 브랜드로 자리잡을 수 있음

AI 기반 이터레이션 & 광고 개선

2-1. A/B 테스트의 필요성 및 정의

지역 최소점
지금 상태보다 약간 나아 보이는 지점을 최적화라고 착각하는 현상
→ 전체 퍼널을 기준으로 보면 오히려 악화인 경우

<영향 요소>
- 시간 관련 : 요일별 차이, 시간대별 차이
- 사용자 관련 : 새로운 고객 vs 기존 고객, 연령대, 지역
- 외부 요인 : 경쟁사 광고, 시장 상황, 계절적 요인
- 기술적 요인 : 웹사이트 속도, 모바일 vs PC

→ A/B 테스트는 다른 모든 조건은 똑같이 하고, 딱 하나만 바꿔서 비교하는 방법

A/B 테스트
두 가지 버전을 동시에 테스트해서 어떤 게 더 좋은지 비교하는 방법

<A/B 테스트의 핵심 원리>
A = 기존 버전
B = 새로운 버전
동일한 조건 : 같은 시간, 같은 대상, 같은 환경
하나만 다름 : 테스트하고 싶은 딱 한 가지만 변경
→ 어떤 요소가 원인인지 파악하기 쉬움

2-2. A/B 테스트의 핵심 개념과 설계 원리

독립변수
인과 관계에서 원인이 되는 변수, 종속변수에 영향을 줄 것이라고 기대되는 변수
- 역할 : 인과관계 모델에서 '원인' 역할
- 특징 : 실험에서 단 하나만 바꿔야 하는 "테스트 대상 요소"
- 다른 이름 : 설명변수

종속변수
독립변수에 의해 영향을 받을 것으로 기대되는 변수, 인과 관계에서 결과가 되는 변수
- 역할 : "결과" 역할
- 특징 : 독립 변수의 처치에 따라 값이 변화하는 변수
- 조건 : 반드시 측정 가능해야 하며, 실험 전에 "어느 정도 변화가 기대되는지" 정의

통제변수
종속변수에 영향을 줄 수 있기 때문에 '동일하게 유지해야 하는 조건들'
→ 통제변수가 다를 시, 실험군과 대조군이 "동일 모집단"이라고 볼 수 없어 A/B 테스트가 인과관계 증명 불가

대조군
현재 운영 중인 버전, 아무 변화를 주지 않은 상태

실험군
변경된 독립변수가 적용된 버전

<비교 시 원칙>
1. 오직 독립변수만 다르게 적용, A와 B는 단 1개의 요소만 다르게
2. 그 외 모든 것은 동일해야 함
- 예산, 타겟, 기간, 입찰전략, 게재 위치, 랜딩 속도
3. 통제변수 철저히 유지

단변수 테스트
하나의 변수만 변경하여 테스트
목적 : 단일 변수의 효과 비교
원칙 : 한 번에 하나만 바꿈
특징 : 해석 명확, 실험 설계 간단, 적은 트래픽에서도 실험 가능, 실무에서 가장 많이 사용됨

다변수 테스트
두 개 이상의 요소를 동시에 변경하여 테스트
목적 : 여러 변수들이 결합된 조합이 최적의 성과를 내는지 분석
원칙 : 두 개 이상의 변수를 동시에 바꿔 조합 효과까지 테스트
특징 : 인사이트는 깊지만 표본 수가 많이 필요함, 분석이 매우 복잡, 광고/신규 서비스 초반에는 부적합

2-3. A/B 테스트 가설 수립

가설
A/B 테스트의 전체 성공을 좌우하는 핵심 요소

<좋은 가설 수립의 3가지 효과>
실험 목적 명확
무엇을 검증하는지 명확히 정의되므로, 불필요한 실험을 줄이고 팀의 리소스를 아낄 수 있음.
실험 진행 중에도 목적을 잃지 않고 집중 가능

해석 명확
테스트가 성공했는지 실패했는지 판단 기준이 명확해짐. 실패하더라도 배움이 선명하게 남아 다음 실험에 활용 가능

전략적 선택 가능
가설이 정교하면, 어떤 실험을 우선순위로 진행해야 하는지 명확해져 "해야 할 테스트"와 "하지 않아야 할 테스트" 구분 가능

<좋은 가설의 선순환>
좋은 가설 → 좋은 실험 설계 → 빠른 조직 학습 → 높은 전환율 개선

<잘못된 가설 수립의 문제점>
문제가 명확하지 않음
실험 목적 모호
어떤 지표로 판단할지 불분명함
얼마나 개선되면 의미있는지 기준 부재

<좋은 가설의 3가지 조건>
명확성
가설은 변경하려는 원인(독립변수)과 그로 인해 개선될 것으로 기대하는 결과(종속변수)를 정확히 표현해야 함
EX) CTA 문구를 변경하면 클릭률 증가 / 이미지 변경 시 구매 전환율 개선
→ '무엇을 바꿀지(독립변수)'와 '무엇을 측정할지(종속변수)' 정확히 표시

측정 가능성
A/B 테스트는 과학적 실험이므로 반드시 수치로 검증할 수 있어야 함
- 성공 지표
CTR(클릭률), CPC(클릭당 비용), CVR(전환율), CPA(전환당 비용), ROAS(광고수익률), 구매 수/장바구니 담기, 회원가입 완료율
→ 정확히 어떻게 계산하는지까지 명시하는 것이 좋음
- 기대효과
MDE란 "이 정도 변하면 비즈니스적으로 의미 있다"고 인정할 최소 변화량, 실험의 '현실성 있는 기준'
= MDE가 중요한 이유
너무 낮으면, 실제 효과를 높칠 수 있음
너무 높으면, 테스트 기간이 끝나지 않음

전략적 중요성
좋은 가설은 회사의 핵심 목표를 향해있음. 모든 테스트는 궁극적 비즈니스 지표에 기여해야 함. 가설의 예상되는 기여도와 중요성을 판단해서 우선순위 세워야 함.
- ICE Framework
A/B 테스트 우선순위 판단을 위한 실무 프레임워크
Impact(영향) : 성공했을 때 비즈니스에 미치는 영향 크기
Confidence : 성공 가능성에 대한 팀의 정성적 확신 정도
Ease : 개발/디자인/마케팅 등 실행 난이도
- ICE Score 계산
(Impact + Confidence + Ease) ÷ 3
→ ICE Score가 높을수록 가장 전략적으로 의미있는 가설

<나쁜 가설의 특징>
주관적이고 데이터 기반이 아닌 가설
데이터 기반이 아니며, 개인 취향에 의존함. 실제로 테스트할 필요가 없음

중복/광범위한 가설
MVT(다변수 테스트)가 존재, 일반적으로 트래픽 부족으로 활용하기 어려움

지표가 모호한 가설
무엇이 성공인지 판단 자체가 불가능하여 실험이 무용지물이 됨

가드레일 지표
A/B 테스트는 주 KPI만 상승하면 되는 것이 아님. 수익성, 고객 경험, 장기 성과 등에 부정적 영향을 주지 않는지 감시하는 지표

<예시>
장바구니 담기 비율 증가 - 주문 취소율/결제 완료율/평균 주문 금액
모니터링 이유 : 클릭은 늘었지만 구매 의도는 떨어질 수 있음
클릭률 증가 - 바운스 레이트/세션 지속 시간/실제 전환율
모니터링 이유 : 허위 클릭이나 기대 불일치 가능성

<가드레일 지표 설정 원칙>
주 KPI와 연관성이 높은 지표 선택
비즈니스에 직접적 영향을 미치는 지표 우선
너무 많이 설정하지 말고 3-5개 정도로 제한
실험 전에 미리 악화 허용 범위 설정

2-4. 신뢰도 높은 A/B 테스트 설계

실험 기획 프로세스
문제 인식 - 문제 분석 - 가설 수립 - 우선순위 결정 - 실험 설계

문제 발견
데이터나 유저 인터뷰에서 "현재 무엇이 문제인지" 발견하는 단계
ex) 구매 CVR이 지난달 대비 20% 감소 / 장바구니 담기율이 경쟁사 대비 현저히 낮음
핵심 : 문제가 분명해야 실험 방향이 정확해짐

문제 분석 및 정의
발견된 문제를 정성·정량 데이터로 구조화하고, 문제가 발생한 지점(퍼널 단계)을 명확히 함
ex) 첫 스크롤 유지율 31% → 24% 하락 / 특정 이미지 소재에서만 CTR 지나치게 낮음
중요 : 이 과정에서 문제의 근본 원인과 영향 범위가 명확해져야 함

해결을 위한 가설 정의
이전 수업에서 배운 가설 템플릿을 활용하여 측정 가능한 가설 수립
- 가설 템플릿
만약 [독립변수 A]를 [독립변수 B]로 변경하면, [종속변수]가 [기대효과(MDE)%] 개선될 것입니다.
- 가설 구성 요소
독립변수 : 변경할 구체적 요소
종속변수 : 측정할 성과 지표
기대효과 : 비즈니스적으로 의미 있는 최소 개선 수치

실험 우선순위 결정
아이디어는 많지만 리소스는 제한적이므로, 어떤 실험을 먼저 진행할지 정량적 기준으로 우선순위 결정. ICE Framework 활용

실험 설계
모든 실험은 아래 5요소가 완벽하게 정의되어야 함. 하나라도 누락되면 실험 결과는 "판단 불가 또는 위험"
- 설계 요소
Success Metric : 주요 성공 지표
MDE : 최소 효과 기준
Guardrail Metric : 부작용 방지 지표
Sample Size : 필요한 최소 표본 수
Duration : 실험 기간

ICE Framework
Sean Ellis가 개발한 우선순위 프레임워크

ICE Score = Impact × Confidence × Ease (각 항목 1-10점 평가)

- 요소
Impact(영향력) : 실험이 성공할 경우 비즈니스 목표에 미치는 긍정 효과
Confidence(확신) : 실험 성공에 대한 팀의 정성적·정량적 확신
Ease(용이성) : 개발/디자인/마케팅 등 실행에 필요한 리소스 비용

- 주의사항
팀 전체가 함께 점수를 매겨 주관적 편향을 줄임
점수 기준을 사전에 명확히 정의하고 일관성을 유지
정기적으로 기준을 업데이트하여 조직 성숙도 반영
ICE는 도구일 뿐, 최종 의사결정은 비즈니스 상황을 종합적으로 고려

테스트 기간 설정 기준
샘플 충분 ≠ 시간 충분

최소 러닝타임
최소 1주 - 절대적 최소 기준
보통 10~14일 - 일반적 권장사항
대규모 테스트 2~3주 - 복잡한 실험의 경우

1. 샘플 충분과 시간 충분은 별개의 문제
2. Primacy Effect와 Novelty Effect
- 사용자 심리 효과 이해
초두 효과 : 기존 버전에 익숙한 사용자들이 초반에 더 안정적인 행동을 보임
신기 효과 : 새로운 버전이 신선함으로 인해 초반에 과대 성과를 보임

요일 편차
- 요일별 사용자 행동 패턴
평일 + 주말 모두 포함
월요일 - 구매 의욕 상승, 새로운 시작 / 전환율, 가입률 상승
화~목요일 - 안정적 탐색, 비교검토 / 세션 시간 상승
금요일 - 주말 준비, 충동구매 / 장바구니 담기 증가
주말 - 여유로운 탐색, 가족 구매 / 세션당 페이지 뷰 증가

계절성 및 외부 변수 고려
국가 공휴일, 쇼핑 시즌, 날씨 급변, 업계 이벤트, 사회적 이슈 등 피하는 것으 좋음

샘플 사이즈의 중요성
샘플 사이즈는 A/B 테스트의 정확도와 신뢰도를 결정하는 핵심 요소

<필요 표본 수를 결정하는 4가지 핵심 요소>
Baseline Conversion Rate : 현재 전환율 / 과거 데이터를 통해 정확히 측정
MDE : 최소 감지 효과 / 비즈니스적으로 의미 있는 최소 개선량
신뢰수준 : Confidence Level / 보통 95%
검정력 : Statistical Power / 보통 80%

1. 신뢰수준 : 우연인데 진짜라고 착각할 확률 = 가짜 허용❌
→ 신뢰수준 95%란, "이 결과가 95%는 진짜고, 운일 확률은 5%밖에 안 돼"라고 확신할 수 있는 기준
2. 검정력 : 진짜 효과가 있는데도 못 알아보고 놓칠 확률 = 진짜를 찾겠다!
→ 검정력 80%란, "진짜 대박인 안이라면, 10번 중 8번은 반드시 '성공'이라고 데이터를 띄워주겠다"는 약속

샘플 사이즈의 함정
Underpowered Test의 위험성 = 샘플이 너무 적으면 발생하는 문제들
유의미한 차이를 발견할 검정력 부족
- 2종 오류 증가 : 실제로 효과가 있어도 "효과 없음"으로 잘못 판단
- 결론 도출 불가 : 테스트 결과를 "판단 불가"로 처리해야 함
- 리소스 낭비 : 시간과 예산을 투입했지만 아무것도 배우지 못함
- 의사결정 지연 : 추가 실험이 필요해 제품 개선이 늦어짐

2-5. A/B 테스트를 위한 통계 이야기

통계적 유의성
이 차이가 우연이 아닐 확률이 충분히 높다 = 우리가 관찰하는 '성과 차이'가 단순한 우연이 아니라 독립변수의 변화로 인해 실제 발생한 개선이라는 통계적 증거 제공

유의성 있는 결과 : 우연일 가능성이 낮음 (보통 5% 이하) / 신뢰할 만한 결과로 판단
유의성 없는 결과 : 우연일 가능성이 높음 / 판정 불가, 추가 실험 필요
→ A/B 테스트에서 "통계적으로 유의하다"라고 하는 것은 단순한 우연이라고 생각되지 않을 정도로 의미가 있다는 뜻

P-value
"이 결과가 우연일 확률"
= 운이 좋아서 이런 결과가 나올 확률이 얼마나 되는지?
P-value는 귀무가설이 사실이라는 가정 하에, 현재 우리가 관찰한 실험 결과만큼 극단적인 값이 우연히 관찰될 확률

P-value 해석 기준: 값이 낮을수록 신뢰도 높음

p = 0.5~0.1 : 판정 불가
p< 0.05 우연일 확률이 5% 이하 / 통계적으로 유의미
p < 0.01 : 매우 강한 증거 / 높은 확신

유의 수준
실제로는 차이가 없는데 차이가 있다고 잘못 결론 내릴 확률
보통 5% 이하로 설정하는 것이 일반적임

90% 신뢰 수준 : 탐색적 실험
빠르게 방향을 잡고 싶을 때

95% 신뢰 수준 : 일반적인 비즈니스 결정
대부분 A/B 테스트에서 사용

99% 신뢰 수준 : 매우 중요한 결정

신뢰 구간은 새로운 방법이 기존 방법보다 얼마나 더 나은지 보여주는 범위
신뢰 구간이 0을 포함하지 않는다면, 통계적으로 유의미한 차이가 있다고 해석 가능

<실무 의사결정 4단계 체크리스트>
1. P-value 확인하기
p < 0.05 인가요? → ✅ 통계적으로 유의미해요!
p ≥ 0.05 인가요? → ⚠️ 아직 판단하기 어려워요

2. 효과 크기 확인하기
CTR이 1.0%에서 1.1%로 증가 → ⚠️ 통계적으론 유의하지만 실무적으론 의미 없어요
CTR이 1.0%에서 1.3%로 증가 → ✅ 의미 있는 개선이에요!

3. 가드레일 지표 확인
CTR은 올랐는데 구매율은 떨어졌나요? → ⚠️ 주의해야 해요
모든 지표가 개선되었나요? → ✅ 완벽한 승리!

4. 종합 판단하기
모든 조건을 만족하나요? → ✅ B안 적용하세요!
하나라도 문제가 있나요? → ⚠️ 더 분석하거나 재실험 고려

3-1. A/B 테스트 기획서 작성

A/B 테스트 프로세스
문제 발견 - 문제 정의 - 가설 & 기획서 작성 - 실험 설계 & 실행 - 결과 분석 - 서비스 개선

1. 문제 발견
데이터 포인트 분석, 퍼널 분석, 사용자 피드백을 통해 개선이 필요한 지점 발견
CTR이 업계 평균 낮음
특정 퍼널 구간의 전환율이 떨어짐
특정 세그먼트에서 성과가 이탈함
사용자 인터뷰에서 UX 문제가 언급됨

2. 문제 정의
발견된 문제를 구체적이고 측정 가능한 형태로 정의

3. 실험 가설 & 기획서 작성
가설 구성 → A/B 구조 설계 → KPI 정의 → 기간/예산 확정

4. 실험 설계 및 실행
메타/구글 광고 등 플랫폼에서 실제 실험 설정 및 실행

5. 실험 결과 분석
데이터 수집 → 통계적 분석 → 승자/무승부/패배 판단 수행

6. 서비스 개선 및 후속 실험
결과에 따라 스케일업/폐기/후속 실험 계획

<기획서 체크리스트>
문제 인식이 명확한가? (데이터 기반인가?)
가설이 측정 가능한가? (수체적 수치 포함)
독립변수가 1개로 정리되었는가? (단변수 원칙)
KPI와 가드레일이 명확한가?
타겟, 기간, 예산이 실험 조건으로서 타당한가?
사용자 분배 방식이 공정한가? (랜덤화)
예상 결과가 비즈니스 목표와 연결되는가?

<기획서 핵심 구성 요소>
테스트 목적 및 문제 정의
왜 이 실험을 해야 하는가? / 어떤 문제를 해결하는 실험인가?
- 데이터 기반 문제 발견 사례들
퍼널 분석, 세그먼트 분석, 경쟁 분석, 사용자 피드백, A/B 플랫폼 알림

가설 수립
"만약 [독립변수 A]를 [독립변수 B]로 변경하면, [종속변수]가 [MDE %] 개선될 것입니다."
명확성 : 독립변수와 종속변수가 구체적으로 정의됨
측정 가능성 : 성공 기준이 구체적 수치로 표현됨
단변수 원칙 : 한 번에 하나의 요소만 변경

테스트안(A/B) 및 변경 내용
단변수 테스트 원칙
A/B 테스트에서는 반드시 하나의 독립변수만 변경
광고명, 이미지, 헤드라인, CTA, 랜딩 URL, 타겟팅, 예산

측정 치표(KPI) 설정
KPI 3단계 구조
Primary KPI : 실험 목적을 직접 측정하는 지표 / CTR(클릭률)
Secondary KPI : 부가적 효과를 확인하는 지표 / CPC, 구매 CVR
Guardrail Metrics : 부작용 방지를 위한 보호 지표 / CPA, ROAS

타겟 조건
지역, 성별, 연령, 관심사, 캠페인 유형, Placement, 분배 단위

예산 및 기간
테스트 기간 설정 원칙
최소 7일 이상 : 평일과 주말을 모두 포함하여 요일별 편차 제거
충분한 샘플 사이즈 : 통계적 유의성 확보를 위한 최소 트래픽 확보
외부 변수 고려 : 특별한 이벤트, 공휴일, 경쟁사 프로모션 피하기
학습 기간 포함 : 알고리즘 학습을 위한 초기 2-3일 고려

사용자 분배 방식
랜덤화의 중요성
공정한 A/B 테스트를 위해서는 사용자가 무작위로 A안 또는 B안에 배정되어야 함.

3-2. A/B 테스트 방법 소개

<Meta Ads - A/B 테스트 내장 기능>
Meta 실험 기능
실험 → 테스트 만들기 → A/B테스트 시작하기
설정 가능 : 실험 이름, 비교할 캠페인/광고세트 선택, 비교 대상(변수), 최적화 이벤트, 예산 분배, 통계적 유의성 계산

Meta A/B 테스트 좋은 이유
1. 랜덤 분할 자동
유저 단위 무작위 분배, A/B 그룹이 완전히 동일한 특성 유지, Hash 기반 분할

2. 예산 균등 배분 자동
50:50 설정 시, 공정한 경쟁 환경, 실시간 조정

3. 통제 환경 제공
Placement 고정, 타겟팅 조건 동일, 디바이스 조건 동일

4. 통계적 유의성 계산 기능 제공
Meta 내부 계산, 권장 기간 제시, 신뢰도 수준

Meta에서 할 수 있는 대표 실험 유형
크리에이티브 테스트 - 광고 레벨 : 이미지 A vs B, 카피 A vs B / CTR 개선, 브랜드 인지 향상
오디언스 테스트 - 광고세트 레벨 : 타겟 A vs 타겟 B / 새로운 고객층 발굴, 타겟 확장
캠페인 구조 테스트 - 캠페인 레벨 : Advantage + 사용 여부 비교 / 자동화 vs 수동 최적화 성과 비교
랜딩 페이지 테스트 - UTM 기반 : 웹/앱 랜딩 버전 비교 / 전환율 개선, UX 최적화

Meta 실험 사용 시 주의사항
1. A/B 테스트 도중 구조 변경 금지
광고 문구/타겟/지면 변경 시 실험 무효
실험 진행 중 캠페인 설정 변경하면 이전 데이터 신뢰성 손상
긴급한 수정이 필요하면 실험 종료 후 새로 시작 권장
예산 조정은 가능하지만 비율 유지 필수

2. Learning Phase
초기 2~3일은 효율 불안정 → 최소 7일 권장
Meta 알고리즘이 타겟팅과 입찰을 학습하는 초기 기간
이 기간 중에는 성과가 불안정하므로 성급한 판단 금지
일주일 이상 진행해야 안정적인 패턴 확인 가능

3. 일부 실험은 Meta Experiments보다 '수동 실험'이 더 정확
다음 상황에서는 수동 설계 권장
Landing Page Test : 웹사이트 A/B 테스트 도구와 연동
복수 독립변수 : Meta는 단일 변수만 지원
타 플랫폼 연동 : 카카오/TikTok과 동시 테스트 필요 시
세밀한 통제 : 더 정교한 실험 조건 설정 필요

<Google Ads - Experiment 기능>
Google 실험 기능
캠페인 → 실험 → 실험 만들기
기능 구성 요소
원본 캠페인 선택, 실험 옵션 선택, 수정할 변수 설정, Performance Comparison 리포트

Google 실험의 강점과 주의점
- 고유 장점
검색 쿼리 기반 테스트, 랜딩 페이지 실험에 탁월, 시즌성·시간대·기기 분석
- 주의사항
캠페인 구조 수정 시 실험 초기화, 자동 입찰 전략과의 조합, 학습 기간 고려, 시즌성 민감도

<수동 실험이 필요한 경우들>
크리에이티브 세부 버전 테스트
플랫폼 혼합 실험
브랜드 세그먼트 실험
GA4 기반 온사이트 실험

수동 A/B 테스트 설계 핵심 원칙
1. 동일 조건 유지 (통제변수 유지)
통제변수들
타겟, Placement, 최적화, 기간, 랜딩, 예산 분배 동일

2. A/B 예산 완전 균등 분배
- 주의사항
A/B 광고세트 각각 "예산 고정" : 자동 예산 배분 OFF
50:50 유지 필수 : 한쪽이 더 많은 기회를 가지면 불공정
Adcantage+ / 자동예산 OFF : 알고리즘이 성과 좋은 쪽에 더 많이 배분하는 것 방지

3. 랜덤 분할 설계
- 중요한 부분
광고세트 2개 생성 → 동일 타겟 적용
방법: A세트에는 이미지A, B세트에는 이미지B 설정
장점: 간단하고 직관적, 플랫폼 내에서 완결
단점: 사용자 중복 노출 가능성 있음
적합한 경우: 간단한 크리에이티브 테스트
UTM 랜딩 기반 분할
분석: GA4에서 A/B 비교 가능
장점: 랜딩페이지 테스트에 최적화
단점: UTM 관리 복잡성

실험 방법 선택 의사결정 프로세스
1단계 : 실험 유형 파악
크리에이티브/오디언스 테스트? → Meta Experiments 사용
검색광고? 입찰전략 테스트? → Google Experiment 사용
랜딩페이지? 플랫폼 혼합? → 수동 설계 필요
2단계 : 복잡도 평가
단순한 A vs B? → 내장 기능 우선
복잡한 조건/분석? → 수동 설계 고려
3단계 : 리소스 고려
빠른 실행 필요? → 내장 기능
정교한 분석 필요? → 수동 설계

3-3. A/B 테스트 리포트 분석 및 결론 도출

EXP001 완전 데이터 분석 프로세스
1. 기본 데이터 수집 및 정리
2. 핵심 지표 계산
3. 개선율 및 차이 분석
4. 통계적 유의성 검증
5. 가드레일 지표 점검
6. MDE 달성 여부 확인
7. 최종 결론 도출
통계적 유의성 ≠ 실질적 의미
- 주의해야 할 상황들
통계적으로는 유의하지만: 개선율이 MDE에 못 미치는 경우
샘플 사이즈가 너무 클 때: 미미한 차이도 통계적으로 유의하게 나옴
비즈니스 맥락 무시: 숫자만 보고 판단하는 경우
부작용 간과: 주 지표는 개선되었지만 부작용 지표가 악화된 경우

<승자/무승부/패배 시나리오 해석>
승자 시나리오
- 승자 판별 기준
통계적 유의성 p-value < 0.05
실질적 의미 : MDE 달성
가드레일 안전 : 부작용 지표 악화 없음
일관성 : 실험 기간 전반에 걸쳐 안정적 패턴
- 승자 확정 시 3단계 스케일업
1단계 : 전체 배포
2단계 : 타 채널 확장
3단계 : 추가 최적화

무승부 시나리오
- 무승부 판정 기준
통계적 비유의 : p-value > 0.05
OR 미미한 차이 : 개선율 MDE에 못 미침
OR 혼재된 결과 : 일부 지표는 개선, 일부는 악화
- 무승부 시 대응 전략
1. 세그먼트 분석 실시
2. 가설 재검토
3. 새로운 실험 설계

패배 시나리오
- 패배에서 얻는 인사이트
왜 실패했는지 정확히 분석
- 패배 시나리오 분석 프레임워크
1단계 : 실패 유형 분류
2단계 : 원인 분석
3단계 : 학습 도출
- 패배에서 성공으로 : 후속 실험 설계
반대 방향 실험, 단계적 실험, 타겟 변경 실험, 맥락 변경 실험

세그먼트 분석
마케팅 전략의 정교화와 타겟팅 최적화에 핵심적인 인사이트 제공

<세그먼트 분석 실전 가이드>
연령/ 성별 세그먼트
라이프스타일, 구매력, 미디어 소비 패턴 차이
세대별 브랜드 인식과 커뮤니케이션 방식 선호도

디바이스 세그먼트
모바일 vs 데스크톱 사용자 행동 패턴
화면 크기에 따른 크리에이티브 효과성

시간대/요일 세그먼트
출퇴근 시간, 점심시간, 저녁시간별 반응 차이
주중 vs 주말 사용자 특성 차이

지역 세그먼트
수도권 vs 지방, 도시 vs 농촌 선호도 차이
지역별 경제력과 소비 패턴 차이

구매 이력 세그먼트
신규 vs 재구매 고객 반응 차이
구매 금액대별 메시지 선호도

[내일배움캠프] 디지털 마케팅_74일차

ana 아나 — Thu, 16 Apr 2026 22:33:57 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : 마케팅 강의

AI 기반 이터레이션 & 광고 개선

1-4. 성과 데이터 분석 및 문제 진단

광고 리포트
광고가 어떤 경로를 통해 사용자에게 도달하고, 어떤 지점에서 성과가 발생하거나 멈추었는지를 보여주는 지도
Meta : 캠페인 → 광고세트 → 광고 소재
Google Ads : 퍼포먼스 최대화 (P-Max) 캠페인 → 에셋 그룹 → 텍스트/이미지/피드(Assets)

Meta Ads 구조
캠페인 → 광고세트(타겟/예산/최적화) → 광고 소재(크리에이티브)

1. 캠페인 레벨 - 전체 방향 확인
목적이 성과 지표와 맞는지 확인
캠페인별 ROAS, CPA, 전환수를 보고 "어떤 캠페인이 돈을 벌고 있는지" 먼저 확인

2. 광고세트 레벨 - 타겟·예산·학습 상태 확인
세트별 CTR, CVR, CPA 비교
특정 세트만 유독 악화되었는지, 전체적으로 비슷하게 나쁜지 구분
학습 완료 / 학습 중 상태, 예산이 적절한지 확인

3. 소재 레벨 - 클릭과 반응 확인
같은 세트 안에서 소재별 CTR, CPC, 결과당 비용 차이 비교
이미지 vs 영상, 짧은 카피 vs 긴 카피, 혜택 강조 vs 감성 강조 등 패턴 찾기

Google Ads 구조
P-Max 캠페인 → 에셋그룹(Asset Group) → 에셋(이미지/영상/피드/헤드라인)

<P-Max 특징>
검색, 쇼핑, 디스플레이, 유튜브, Gmail 등의 여러 지면을 한 캠페인에서 자동으로 섞어 쓰는 구조
사람이 직접 배분하는 것이 아닌, 알고리즘이 어디에 예산을 태울지 자동 판단
실무자는 에셋그룹과 신호(Audience Signal, 피드 품질, 크리에이티브) 설계, 리포트를 보며 어디가 효율을 깎는지 확인

<P-Max 리포트 흐름>
1. 캠페인 레벨 - 전체 ROAS, 전환수, 신규/기존 비율 확인
2. 에셋그룹 레벨 - 어떤 오디언스+크리에이티브 조합이 효율적인지 확인
3. 지면/채널별 세부 리포트 참고하여 "어디에서 예산이 과도하게 쓰이고 있는지" 확인

<P-Max에 대한 오해>
자동이니 손댈 게 없다 - 아님
사람의 역할 : 구조(자산그룹)와 신호(크리에이티브, 피드, 오디언스)
진단 핵심 : 어떤 자산그룹이 알고리즘을 살리고 있고, 어떤 자산그룹이 예산만 태우고 있는지 찾는 것

성과 진단
광고 퍼널의 어디에서 고객이 이탈하고 있는지 찾는 과정
1. CTR 문제 - 광고 노출⭕, 클릭❌
2. CVR 문제 - 클릭⭕, 전환❌
3. ROAS 문제 - 전환⭕, 수익❌

CTR 문제
광고의 매력도 · 메시지 적합성 · 타겟팅 방향에서 시작됨

<문제>
노출수 충분, CTR 업종 평균보다 낮게 나옴
같은 캠페인 안에서 특정 세트 or 특정 소재의 CTR만 유독 낮음
주간 기준으로 CTR 지속적 하락, 소재는 그대로

<원인>
썸네일, 이미지, 영상이 타겟의 시선을 끌지 못함
카피가 애매, "무엇을 말하는지" 한눈에 들어오지 않음
너무 일반적인 메시지, 타겟의 공감 유발 실패
같은 소재 장기 노출, 광고 피로도 형성

+) P-Max
<문제>
검색·쇼핑 중심 자산그룹인데도 클릭률이 너무 낮음
동일 목표의 다른 P-Max 캠페인 대비 현저히 낮은 CTR
유튜브/디스플레이 비중 높음, 고아고 소재 CTR 낮음

<점검사항>
썸네일/이미지/영상의 첫 1~3초 훅 확인
제목/헤드라인에 "누구를 위한 무엇인지"가 드러나는지 확인
너무 추상적인 카피만 쓰고 있지 않은지 점검

→ CTR 문제는 "광고를 보긴 봤는데, 굳이 눌러볼 이유가 없는 상태"

CVR 문제
광고 이후 랜딩 페이지, UX, 오퍼 구성, 타겟 매칭에서 발생

<문제>
CTR, CPC 괜찮음, 전환이 거의 없음
특정 세트만 전환율이 유난히 낮음
동일 상품인데 다른 세트 또는 다른 매체 대비 CVR 낮음

<원인>
랜딩 페이지 로딩 속도가 느려서 중간에 나가버림
광고에서 약속한 내용(가격, 혜택, 기간 등)이 랜딩 첫 화면에서 바로 보이는지
모바일 화면에서 버튼 위치, 폰트 크기, 스크롤 동선이 불편하지 않은지
너무 넒은 타겟에게 노출되어 살 마음이 없는 사람들이 많이 들어오는지

→ CVR 문제는 "상품이 싫어서라기보다, 전체 경험이 기대에 못 미치는 상태"

ROAS 문제
비즈니스 구조와 상품 전략이 함께 얽혀 있는 문제

<문제>
전환수는 지난 달과 비슷하거나 오히려 늘어남
매출이 줄거나, ROAS가 떨어짐

<원인>
객단가(AOV)가 떨어지지 않는지
할인/쿠폰 사용 비중이 갑자기 늘지 않았는지
저마진 상품의 판매 비중이 높아지지 않았는지
기존 고객보다 신규 할인 위주로 구성이 바뀌지 않았는지

→ ROAS 문제는 "광고를 잘못 집행했는지 점검하는 것과 더불어, 무엇을 팔고 있는지와 어떻게 팔고 있는지의 문제"

1-5. ChatGPT 활용한 데이터 분석 및 광고 개선하기

프롬프트 엔지니어링
타겟/페인포인트/소구점· 문제 정의 포함 (구조화)

1. 페르소나 설정
AI에게 역할과 전문성을 부여하여 적절한 어조와 표현을 사용하게 함

2. 목표 명확히 정의
클릭, 전환(구매/상담), 브랜드 인지 등 요청의 구체적인 목적 명시

3. 배경 정보 제공
제품, 경쟁사 차별점 (USP), 타겟 고객의 특성, 제공 혜택 등 상세히 제공

4. 광고 포맷 지정
문자 제약(헤드라인 30자, 설명문 90자)이나 출력 형식 명시

- 실전에서 데이터 진단 후, AI에게 문제를 던질 때는 문제 유형 정의(CTR, CVR, ROAS)와 함께 위 4가지 구성 요소 포함

텍스트 소재 개선 (카피 이터레이션)

<세 가지 개선 방향>
- 주목도 강화
스크롤을 멈추게 만드는 한 줄 훅, 강한 단어, 숫자 사용
- 오퍼 강조
할인, 무료체험, 기간 한정, 희소성 등 전면에 내세움
- 고객별 맞춤화
같은 상품이라도 20대/30대, 직장인/자영업자, 신규/재구매에 따라 메시지 분리

이미지·영상 기반 개선 (비주얼 이터레이션)
디지털 광고 성과의 50% 이상이 크리에이티브(소재)에 의해 결정됨
- 썸네일/배너 여러 버전으로 빠르게 제작
- 텍스트·색상·구도만 바꾼 버전을 양산해서 테스트 할 수 있음

<CTA 강화 가이드>
CTA(행동 유도)는 텍스트 + 비주얼 + 위치 함께 설계
- 텍스트 : 구체적으로
- 색상 : 배경과 대비되는 강한 컬러, 충분한 여백
- 위치 : 모바일 기준 엄지 손가락이 닿기 좋은 영역, 첫 화면 내 배치

[내일배움캠프] 디지털 마케팅_73일차

ana 아나 — Wed, 15 Apr 2026 21:07:37 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : 마케팅 강의

AI 기반 이터레이션 & 광고 개선

1-1. 데이터 기반 광고 개선의 이해 (1)

데이터 기반 의사결정
감(직관)과 경험 중심 의사결정의 한계를 넘어, 지표와 데이터로부터 얻은 통찰에 기반해 전략을 수립하는 방식
= 오류 최소화, 전략 최적화, 성장 가치 창출, 혁신을 위한 필수 요소

<직관 기반 의사결정 사례>
① 넷플릭스
임원의 감에 의한 콘텐츠 구매 → 데이터 기반 모델로 전환

② 아마존
데이터 기반으로 분석(1-Click Ordering 실험) → 전환율 20% 이상 증가

③ 스타벅스
데이터 기반 입지 선정 → 매출 증대 및 고객 충성도 향상

④ 쿠팡
직관 기반 수요 예측으로 재고 부족 및 폐기 비용 높음 → 머신러닝 기반 예측 모델로 전환하여 핵심 경쟁력 확보 (폐기율 감소, 재고 최적화, 빠른 배송)

⑤ 에어비엔비
기존 감으로 정하던 숙박 가격 → AI 기반 동적 가격 모델 도입으로 예약률 8%, 호스트 수익 4% 상승

<광고 데이터 분석>
1. 분석 전 (사람)
문제 및 목적 정의와 가설 구축

2. 작업 (사람 + 기계)
분석을 위한 기술과 지식 적용 및 결과 획득

3. 분석 후 (사람)
결과에 가설을 더한 결론 도출, 행동 유도

1-2. 데이터 기반 광고 개선의 이해 (2)

데이터 분석 = 성과 개선을 지속적으로 만들어내는 핵심 엔진
- 문제 발견, 원인 분석, 실행 가능한 행동으로 전환하는 실무 프로세스

캠페인 운영 → 문제 진단 → 개선 실험 → 반복(피드백 루프)

1. 캠페인 운영
마케팅 퍼널에 따른 KPI 설정과 초기 광고 집행
- 광고 활동에 대한 성과 데이터를 수집하고 측정

2. 문제 진단
수집된 데이터(리포트) 기반 문제 현상의 구체적 정의와 원인 분석
- 겉으로 드러난 현상을 넘어, KPI의 이상 징후 발견 및 가설 설정

3. 개선 실험
진단된 문제의 원인을 해결하기 한 A/B테스트나 머신러닝 최적화와 같은 과학적 실험 설계 및 실행
- 작은 실행을 통해 필요한 데이터 획득, 가설의 성패를 객관적 검증하여 리스크 최소화

4. 반복
실험 결과를 바탕으로 승자/패자를 결정, 다음 액션 정의 및 지속적 반복
- 데이터 기반의 피드백 루프 생성, 조직 전체의 의사결정 품질 개선 및 장기적 성장 추진

1단계 : 캠페인 운영
: 분석할 수 있는 '데이터 환경'을 만드는 과정

① 퍼널별 목적 정의 및 KPI 설정
- 전체 퍼널을 기준으로 목적과 KPI 설정
- 인지, 유입, 초기 행동, 구매/과금, 재방문/재구매, 추천/공유

② 데이터 수집 및 통합
- 데이터 분석 인프라를 통해 데이터 통합적 수집
- 광고 지표(CTR, CPM, CPC, CVR), 랜딩/퍼널 지표(세션 품질, 이탈률), 제품/매출 지표(구매 수, ARPU, ROAS)

③ 초기 운영의 핵심 원칙 - 학습기간 보장
- Meta와 Google은 학습기간 동안 알고리즘 최적화를 위한 충분한 데이터 수집
- 초기 1~2주 사이 과도한 변경은 데이터 품질을 망가트릴 수 있음

2단계 : 문제 진단
: 현상 → 문제 정의 → 원인 분석 → 가설 설정의 구조적 사고를 적용하는 단계

① 현상 파악 & 구체적 문제 정의
- 숫자가 말하는 문제를 정확하게 정의하는 것

② 진단 분석의 핵심 기법
- 퍼포먼스 구조 분석
CTR 문제 → 소재/타겟 문제
CVR 문제 → 유입 품질·랜딩·퍼널 구조 문제
CPA/ROAS 문제 → 전환단계 매출단계 문제
- 세그먼트 분석
기기(iOS, Android), 매체(Meta, Google, TikTok), 신규 vs 기존, 소재/세트/캠페인 단위
- 변화점 분석
특정 날짜 이후 성과가 급변했는지 확인
제품 업데이트, 가격 변경, 알고리즘 업데이트 등 원인
- 퍼널 분석
노출 → 클릭 → 세션 → 상품 조회 → 장바구니 → 구매
각 단계별 이탈을 보면 문제 지점 정확히 파악 가능

3단계 : 개선 실험
: 문제 정의 및 원인 식별 이후, 그에 대한 가설 → 실험 → 검증의 구조로 개선 실험 수행

① 실행 가능한 해결 방안은 '원인'에 적용

② A/B 테스트 - 가장 신뢰도 높은 실험 방식
- A/B 테스트 요소
명확한 가설 정의, 단일 변수 테스트, 대조군/실험군 분리, 샘플 사이즈 확보, 통계적 유의성 검증

③ AI와 머신러닝 활용
패턴 & 이상징후 감지, 자동 입찰 & 예측 모델, 강화학습 기반 최적화
- 사람은 가설과 전략을 설정, AI는 이를 대규모로 자동 실행

4단계 : 반복
: 일회성 분석이 아니라 지속적 개선의 여정

① 승자/패자 결정 및 다음 행동 도출
승자 전략 : 예산 스케일업
패자 전략 : 폐기 또는 후속 실험 설계
필요 시 : 캠페인 구조 자체 개편

② 결과가 아닌 '결론'을 도출해야 한다
A가 B보다 CTR이 높았다 → CTR 차이가 존재한다는 것은, 오퍼 명확성과 소재·타겟 적합성이 이미지형에서 더 높았다

1-3. 데이터 마케팅 지표의 이해

• Awareness (인지)
광고가 보인 정도와 비용 측정 단계

① Impression(노출수)
광고가 사용자 화면에 노출된 총 횟수
- 지표 해석
노출이 많을수록 알고리즘이 학습할 데이터 풍부해짐 / 노출이 높다고 성과가 보장되지는 않음

② Reach(도달수)
광고를 본 고유 사용자 수
Reach는 사람 수, Impression은 횟수
- 지표 해석
노출 대비 도달이 낮다면 과도한 중복 노출 발생

③ CPM
1,000번 노출되는 데 필요한 비용
CPM = (비용/노출수)*1,000
- 높아지는 이유
경쟁 심화, 타겟이 너무 좁음, 알고리즘 학습 부족
- 실무 인사이트
CPM 높으면 전체 성과가 악화되기 쉬우므로 타겟 확장, 광고 목적 재설정, 소재 성능 개선 같은 조정 필요

• Acquisition (유입)
사용자가 광고를 보고 실제로 클릭하거나 사이트에 방문했는지를 나타내는 지표

① CTR
광고를 클릭한 비율
CTR = 클릭수 / 노출수
- 지표 해석
CTR이 낮다는 것은 광고 소재가 매력적이지 않거나 타겟과 메시지 적합도가 낮다는 의미
- 실무에서 흔한 문제
CTR을 높이기 위해 과도한 자극형 카피 사용 - CVR 악화로 이어짐

② CPC
한 번의 클릭을 얻기 위해 지불하는 비용
CPC = 비용 / 클릭수
- 영향 요인 : CPM과 CTR이 함께 결정
CTR 감소 - CPC 상승 (동일 예산으로 클릭이 적어지기 때문)
- 주의
CPC가 낮다고 좋은 캠페인 아님
클릭이 많아도 전환이 떨어지면 의미 없음

• Activation (전환)
사용자가 실제 목표 행동을 수행했는지 나타내는 지표

① Conversion (전환)
광고가 유도한 목표 행동을 수행한 횟수
전환의 정의는 비즈니스 목적에 따라 달라지므로 설정이 매우 중요

② CVR
클릭 후 전환된 비율
CVR = 전환수 / 클릭수
- 지표 해석
CVR은 유입 품질을 판단하는 핵심
CTR은 소재/타겟 품질, CVR은 랜딩/퍼널 품질

③ CPA
전환을 1개 얻는 데 든 비용
CPA = 비용 / 전환수
- 지표 해석
CPA는 성과지표가 아닌 효율지표
> CPA가 낮아도 매출이 낮으면 좋은 캠페인이 아님. 따라서 ROAS와 반드시 함께 봐야 함

• Revenue (매출)
광고로 인해 실제 매출이 얼마나 발생했는지 측정

① Revenue (매출)
광고로 발생한 총 매출액
매출 높은 것이 좋은 캠페인은 아님. 비용 대비 효율 함께 파악

② AOV
주문 1건당 평균 구매 금액
AOV = 매출 / 전환수
CVR이 동일한 상황에서 AOV가 높으면 광고 효율 크게 개선

• Efficiency (효율)
비용 대비 성과가 좋은지 판단하는 핵심 지표

① ROAS
광고비 대비 매출 비율
ROAS = (매출 / 광고비)*100 / 광고비 100만원, 매출 400만원 = ROAS 400%
- 지표 해석
ROAS는 비즈니스 모델이 따라 목표 기준이 달라짐
> 커머스 300~600%가 보통
> 구독 서비스 : 초기 낮더라도 LTV 기반으로 판단

② ROAS와 CPA의 관계
낮은 CPA + 낮은 AOV = 낮은 ROAS
높은 CPA라도 AOV가 높다면 ROAS가 더 높을 수 있음
→ CPA와 ROAS는 반드시 함께 봐야 정확한 해석 가능

1-4. 성과 데이터 분석 및 문제 진단

1-5. ChatGPT 활용한 데이터 분석

[내일배움캠프] 디지털 마케팅_71일차

ana 아나 — Mon, 13 Apr 2026 21:01:30 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : 브랜드 스터디, 마케팅 강의

브랜드 스터디

브랜드 선택
민음사

콘텐츠 3개 수집
1.https://youtu.be/jWmy29bn1X0?si=x6IbW6PQsRLT-gzw
2. https://youtu.be/Fvcl__kEWDM?si=G7luzZBbiI-xjG-u
3. https://youtu.be/3YKE0V6Kwik?si=UMezDPDKN1ZK-6-a

콘텐츠 분석
- 1번 콘텐츠
1) 포맷 (예: 정보형 / 공감형 / 리뷰형 / 하이라이트형)
: 리뷰형
2) 핵심 메시지(카피) (가장 눈에 띈 문장 1–2개)
: 결혼이 연애와 다른 이유
3) 왜 좋았나요? (직관적으로 좋았던 이유 1–2줄)
: 해당 책을 읽은 사람들과 공감대를 형성할 수 있고, 읽지 않았더라도 해당 책에 대한 다양한 정보와 이야기들을 들을 수 있다.
4) 예상 타깃 (예: 20대 직장인 / 운동 관심자 / 쇼핑앱 사용자 등)
: 독서를 즐겨하는 사람들, 민음사 tv 구독자
5) 브랜드가 잘한 포인트 1개 (예: 훅 구성 / 시각적 톤 / 문제 제기 방식 / 감정 자극 등)
: 민음사만의 콘텐츠를 형성하여 밀고 나가는 것

- 2번 콘텐츠
1) 포맷 (예: 정보형 / 공감형 / 리뷰형 / 하이라이트형)
: 공감형
2) 핵심 메시지(카피) (가장 눈에 띈 문장 1–2개)
: 회사에서 라이어 게임
3) 왜 좋았나요? (직관적으로 좋았던 이유 1–2줄)
: 민음사 사원들이 직접 출연하여 회사 일상, 게임 등등의 다양한 콘텐츠를 하는 모습들이 재밌었다.
4) 예상 타깃 (예: 20대 직장인 / 운동 관심자 / 쇼핑앱 사용자 등)
: 민음사 tv 구독자
5) 브랜드가 잘한 포인트 1개 (예: 훅 구성 / 시각적 톤 / 문제 제기 방식 / 감정 자극 등)
: 진정성 상승 (리얼함 상승)

- 3번 콘텐츠
1) 포맷 (예: 정보형 / 공감형 / 리뷰형 / 하이라이트형)
: 정보형, 리뷰형
2) 핵심 메시지(카피) (가장 눈에 띈 문장 1–2개)
: 찾았다 출판계의 빛과 소금… 프로 적독러 심은경
3) 왜 좋았나요? (직관적으로 좋았던 이유 1–2줄)
: 유명 배우의 독서 리스트와 책추천 등 책 이야기를 나누며 자연스럽게 책과 독서에 대한 흥미를 증대시키는 것이 좋았다.
4) 예상 타깃 (예: 20대 직장인 / 운동 관심자 / 쇼핑앱 사용자 등)
: 민음사 tv 구독자, 해당 연예인의 팬들
5) 브랜드가 잘한 포인트 1개 (예: 훅 구성 / 시각적 톤 / 문제 제기 방식 / 감정 자극 등)
: 책 + 유명인의 적절한 활용

한 문장 인사이트
민음사 도서, 직원들이 직간접적으로 등장하며 해당 출판사와 대중간의 유대감 형성을 위한 콘텐츠들이 주를 이룬다.

트렌드 분석
롱폼형 콘텐츠 (+ 특색있는 콘텐츠)
1. 토스 - 머니그라피
2. 여기어때 - 때때때
3. 컬리 - 일일칠

AI 기반 이터레이션 & 광고 개선

1-1. 데이터 기반 광고 개선의 이해

[내일배움캠프] 디지털 마케팅_69일차

ana 아나 — Thu, 9 Apr 2026 21:01:18 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : , 아티클 스터디, 마케팅 강의

아티클 스터디

우리은행과 bbq가 김선태에게 1억을 쓰고 얻은 효과는? - 큐레터 QLetter

충주시 채널을 성공적으로 운영하고, 마침내 개인 채널을 만든 유튜버 김선태님(전 충주맨)의 소식이 뜨거운 관심을 받고 있어요. 첫 영상은 3월 3일, 숏츠(3개) 포함 9개의 영상으로 구독자 159만

www.qletter.co.kr

우리은행과 bbq가 김선태에게 1억을 쓰고 얻은 효과는?

"세상의 모든 것을 홍보합니다" 전 충주맨 김선태의 첫 영상에 약 1900개의 기업이 댓글을 남김...

가장 비싼 브랜디드 + 하이라이트 쇼츠 비용 1억원?!

이후 우리은행과 bbq의 홍보 영상 업로드

우리은행 홍보 콘텐츠
- 조회수 495만 회
- 좋아요 18만 개
- 댓글 21,000개

BBQ 홍보 콘텐츠
- 조회수 351만 회
- 좋아요 21만 개
- 댓글 21,000개

영상 구성은 기업 담당자와 함께 사무실을 돌아다니면서 아슬아슬한 수위의 드립으로 웃음을 자아내는 방식
→ 신제품 홍보보다는 브랜딩 콘텐츠에 가까움

1. 친근함을 넘어, 거의 아는 사이가 되기

규모가 있는 기업에 대한 딱딱한 이미지를 농담을 통해 벗겨내고자 함.

충주맨부터 쌓아왔던 김선태의 이미지(할 말은 하는 직장인)을 활용하여 높은 직급의 사람들 앞에서도 당당하게 대화하는 모습을 통해 직장인들의 대리만족을 줌.

요즘 트렌드인 스레드를 잘 운영하고 있는 BBQ
- 브랜드의 이미지를 하나의 개인으로 풀어내서 '아는 사이'처럼 대화하는 것이 스레드의 매력
→ 김선태 또한 '날것'의 질문을 통해 소비자들의 간지러운 부분을 긁어주는 역할을 하고 있다.

2. 지금이 가장 효과가 보장된 시기

첫 영상은 현재 1천만 조회수를 앞두고 있는 상황. 그만큼 뜨거운 관심을 받고 있다는 것을 의미함.

짧은 시간에 오른 구독자 = 활성화된 구독자
→ 높은 조회수 보장

3. 비교 대상을 넓히면

지금의 광고 시장은 TV만이 정답이 아님. 유튜브, SNS의 파급효과를 고려하면 인플루언서의 영향력이 더 강하다고 볼 수 있음.

이런 점에서 김선태와의 협업은 연예인보다 저렴한 가성비 홍보

4. 첫 광고라는 타이틀

"김선태의 첫 행보는?" 많은 이들이 궁금했던 질문

우리은행과 BBQ는 이 '첫' 타이틀 획득하게 됨.
- 시청자들의 궁금증 및 관심 유발

5분 안팎의 짧은 영상에서 브랜드의 많은 것들을 알게 되었다는 댓글이 많음.

당장 추산할 수 없는 브랜딩 효과는 더 클 것. 소비자의 머릿속에 남기는 브랜딩 효과 기대

두 브랜드는 이 채널에 나오면서 순식간에 젊은 브랜드의 이미지를 만들어냄.

데이터 이해와 AI 기반 성과 분석

5-2. 이상 징후 감지 및 선제적 대응 전략

AI 기반 이터레이션 & 광고 개선

1-1.

[내일배움캠프] 디지털 마케팅_66일차

ana 아나 — Mon, 6 Apr 2026 21:01:11 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : 마케팅 강의

260405
3-2. 채널 성과 비교
3-3. 캠페인 퍼널 분석
3-5. 캠페인 예산 배분 전략
4-1. 광고 리포트 도구 활용
4-3. KPI 기반 데이터 리포팅
4-4. 미디어 믹스 설계

데이터 이해와 AI 기반 성과 분석

3-2. 채널 성과 비교

지표	의미	계산식	좋은 기준
CTR	클릭률	(클릭 ÷ 노출) × 100	1% 이상
CPC	클릭 당 비용	광고비 ÷ 클릭수	낮을수록 좋음
CPA	전환 당 비용	광고비 ÷ 전환수	객단가의 30% 이하
ROAS	광고 수익률	(매출 ÷ 광고비) × 100	400% 이상 (높을수록 좋음)

① CTR (클릭률)
광고를 본 사람 중 클릭한 비율 "광고가 얼마나 매력적인가?"
CTR = (클릭 ÷ 노출) × 100
CTR = (200 ÷ 10,000) × 100 = 2% ✅

② CPC (클릭당 비용)
클릭 1회당 비용 "트래픽 확보 비용"
CPC = 광고비 ÷ 클릭 수
CPC = 100,000원 ÷ 500 = 200원

③ CPA (액션당 비용)
고객 1명의 액션을 얻는데 드는 비용
CPA = 광고비 ÷ 전환 수
CPA = 1,000,000원 ÷ 50 = 20,000원 ✅

④ ROAS (광고 수익률)
광고비용 대비 수익률
ROAS = (매출 ÷ 광고비) × 100
ROAS = (5,000,000 ÷ 1,000,000) × 100 = 500% ✅

채널광고비클릭노출CTR (클릭률)CPC (클릭당 비용)전환CPA (전환당 비용)매출ROAS

채널	광고비	클릭	노출	CTR (클릭률)	CPC (클릭당 비용)	전환	CPA (전환당 비용)	매출	ROAS
네이버	100만	5,000	2,000,000	0.25%	200원	50	20,000원	500만	500%
구글	100만	4,000	1,481,481	0.27%	250원	60	16,667원	600만	600%
페이스북	100만	1,000	500,000	0.2%	1,000원	40	25,000원	400만	400%

<CTR 계산>
네이버 : (1,000 ÷ 400,000)*100 = 0.25%
구글 : (600 ÷ 300,000)*100 = 0.2%
인스타 : (2,000 ÷ 800,000)*100 = 0.25%

<CPA 계산>
네이버 : 2,000,000 ÷ 80 = 25,000
구글 : 1,500,000 ÷ 90 = 16,667
인스타 : 1,000,000 ÷ 50 = 20,000

<ROAS 계산>
네이버 : (8,000,000 ÷ 2,000,000)*100 = 400%
구글 : (9,000,000 ÷ 1,500,000)*100 = 600%
인스타 : (5,000,000 ÷ 1,000,000)*100 = 500%

3-3. 캠페인 퍼널 분석

퍼널이란?
고객이 제품을 알게 된 수 구매하기까지의 고객 여정을 단계별로 나눈 것
- 유입부터 결제 전환까지 단계 별로 분석하기 위함.
- 퍼널 별로 사용자가 줄어드는 모습이 "깔때기" 모양처럼 생겨서 "퍼널"로 불림

<퍼널의 4단계>
노출 → 클릭 → 가입 → 구매

① 노출
광고나 콘텐츠를 본 횟수
<측정 방법>
광고 노출 수
- SNS 게시물 도달 수
- 검색 결과 노출 수
<개선 방법>
- 광고 예산 증액
- SEO 최적화
- SNS 활동 강화
- 키워드 확장

② 클릭
광고나 링크를 클릭한 횟수
<측정 방법>
- CTR (클릭률) = (클릭 수 ÷ 노출 수) × 100
<개선 방법>
- 광고 문구 개선
- 이미지/영상 최적화
- 타겟팅 정밀화
- A/B 테스트

③ 가입
회원가입, 이메일 구독 등 개인정보를 남긴 사람
<측정 방법>
- 가입률 = (가입 수 ÷ 클릭 수) × 100
<개선 방법>
- 가입 양식 간소화
- 소셜 로그인 제공 (네이버, 카카오, 구글)
- 가입 혜택 제공 (할인 쿠폰)
- 필수 입력 항목 최소화

④ 구매
실제 결제를 완료한 사람
<측정 방법>
- 전환율 (CVR) = (구매 수 ÷ 가입 수) × 100
- 전체 전환율 = (구매 수 ÷ 클릭 수) × 100
<개선 방법>
- 결제 과정 간소화
- 다양한 결제 수단 제공
- 배송비 무료/할인
- 신뢰 요소 강화 (리뷰, 보증)
- 장바구니 이탈 리마인더

3-5. 캠페인 예산 배분 전략

ROAS : 광고비 대비 매출
ROI : 투자 대비 순이익

ROAS = (매출 ÷ 광고비) × 100
400% 이상 → 효율적 광고

ROI = (순이익 ÷ 투자비) × 100
30% 이상 → 수익성 양호

Attribution이란?
고객의 구매·전환 여정에서 각 채널/터치포인트 기여도를 측정하는 도구

<목적>
- 광고 효율 최적화
- 채널 간 성과 비교
- 데이터 기반 마케팅 의사결정 지원

<주요 Attribution 모델 6가지>
- Last Click
마지막 채널 100%
✅ 간단, 명확
⚠️초기 채널 무시
추천 : 즉시 구매 상품

- First Click
첫 번째 채널 100%
✅ 초기 채널 평가 가능
⚠️ 전환 채널 무시
추천 : 브랜드 인지 중시

- Linear
모든 채널 동일
✅ 공정한 평가
⚠️ 실제와 다를 수 있음
추천 : 전체 여정 중요시

- Time Decay
최근 채널에 높은 가중치
✅ 전환 시점 중시
⚠️ 초기 채널 무시 가능성
추천 : 일반적인 상황

- U자형
첫/마지막 40%, 중간 20%
✅ 균형적
⚠️ 중간 과소 평가
추천 : B2B, 고가 제품

- Data-driven
AI/통계 기반, 실제 기여도 반영
✅ 가장 정확
⚠️ 데이터 많이 필요
추천 : 대규모 캠페인

-----------------------------------------------

① 일반적인 전환 중심
Last Click이 가장 흔하게 사용됨
- 이유 : 전환 직전 채널이 실제 매출에 직접 연결된다고 보기 때문
- 즉시 구매 상품이나 단기 캠페인에서 선호
- GA도 Last Click이 기본값

② 퍼스트 클릭
주로 브랜드 인지도, 초기 유입 효과 평가할 때 사용
- 장점 : 고객 여정의 시작 채널 성과 측정 가능
- 단점 : 실제 매출 기여도를 과대/과소 평가할 수 있음

③ 현실적인 접근
- B2C, 단기 전환 → 대부분 Last Click
- B2B, 고가/장기 구매 First Click, U자형, Linear 등 사용 (중고차, 금융 등)

<Attribution 분석 틀>
Google Analytics 4 (GA4)
웹·앱
통합 분석, 데이터 기반 모델
무료, 웹 기반 업계 표준

Adjust
모바일 앱
앱 설치 / 인앱 이벤트 트래킹
모바일 앱 특화

AppsFly
모바일 앱
광고 성과 측정, 채널 통합 분석
글로벌 앱 성과 표준

Airbridge
모바일 앱
멀티 채널 트래킹, 캠페인 통합 분석
국내 최적화, 사용 편리

Amplitude
B2B / 웹·앱
행동 기반 분석, 퍼널 분석
사용자별 행동 기반 세밀 추적, 데이터 기반 의사결정

Branch
딥링크
멀티 채널 트래킹, 앱 설치 최적화
멀티 채널 트래킹 중심

--------------------------------------------------------

<툴 선택 가이드>
상황별 추천
- 웹 중심 비즈니스 : GA4
- 모바일 앱 중심 : Adjust, AppsFlyer
- 이커머스 : GA4 + Branch

<실전 예산 배분 원칙>
1. 채널 역할의 이해
- 인지 및 확산 : 인스타, 페이스북, 유튜브, 바이럴 등
- 검색 및 관여도 높은 채널 : 구글, 네이버 검색 광고
- 전환 중심 : 리타게팅 캠페인
- 퍼널 개선 : CRM

2. 예산 70-20-10 법칙
70% : 검증된 효율 채널 (안정적 성과)
20% : 성장 가능성 채널
10% : 신규 채널 테스트

3. 최소 유지 예산
- 각 채널 최소 일 10-50만원 유지 → 데이터 수집 및 학습 위해

4. 정기 재조정
- 일 1회 : 예산 및 데이터 확인
- 주 1회 : 소폭 조정
- 월 1회 : 소재 교체 및 재검토

4-1. 광고 리포트 도구 활용

네이버 광고 리포트
<광고 성과 지표>
기본 지표
- 노출 : 광고가 보여진 횟수
- 클릭 : 광고를 클릭한 수
- 전환 : 실제 구매/신청으로 이어진 수

효율 지표
- CTR : 클릭률
- CPC : 클릭당 비용
- ROAS : 광고비 대비 매출

<리포트 유형>
캠페인별 보고서
- 전체 캠페인 성과 한눈에
- ROAS 기준 우선순위 파악

광고그룹 / 광고별 보고서
- 세부 성과 분석
- 효과적인 광고 소재 발견

기간별 성과 비교
- 주간/월간 트렌드
- 전월 대비 증감률

<확인 포인트>
각 캠페인 CTR, ROAS 확인
- CTR 높음 → 광고 소재 효과적
- ROAS 높음 → 전환 효율 좋음

성과 높은 광고 vs 낮은 광고
- 상위 20% 광고 → 예산 증액
- 하위 20% 광고 → 개선 또는 중단

구글 광고 리포트
<광고 성과 지표>
기본 지표
- 노출, 클릭, 전환
- CTR, CPC, ROAS

추가 지표
- CPA : 전환 1건당 비용

<리포트 유형>
캠페인 / 광고 그룹 / 키워드 성과
- 계층별 상세 분석
- 비효율 키워드 발견

디바이스별 성과
- 모바일 vs PC
- 디바이스별 최적화

지역별 성과
- 지역별 전환율 차이
- 타겟 지역 조정

기간별 추세 분석
- 요일별 패턴
- 시간대별 효율

<확인 포인트>
- 성과 지표 비교로 광고 효율 판단

<성과 분석 3단계>
① 데이터 확인
• 플랫폼 리포트 확인
- 네이버 광고 관리자
- Google Ads 대시보드

• 기간 설정
- 최소 1주일 이상 데이터
- 전월 대비 비교

② 성과 지표 분석
• 주요 KPI 중심 확인
• 캠페인/광고별 성과 비교
- 상위 3개 vs 하위 3개
- 차이점 분석

③ 개선점 도출
문제별 액션
• CTR 낮은 광고 → 광고 소재 개선
- 이미지 교체
- 광고 문구 수정
- 타겟팅 재검토

• ROAS 낮은 캠페인 → 타겟 재조정
- 전환율 높은 고객 집중
- 키워드 정리
- 입찰가 조정

• CPC 높은 캠페인 → 예산 효율화
- 경쟁 낮은 키워드 발굴
- 품질 점수 개선

<분석 팁>
결과만 보지 말고 증가 폭 확인
⭕ 좋은 예시
"ROAS가 300%에서 400%로 증가했네. 지난 주 소재 교체가 100% 더 증가했구나."

❌ 나쁜 예시
"ROAS가 400%네."

• 비교를 통한 인사이트
- 전주 대비
- 캠페인 간 비교
- 업계 평균 대비

4-3. KPI 기반 데이터 리포팅

KPI란?
비즈니스 목표 달성을 측정하는 정량적 지표
- 목표 대비 현재 상태를 수치로 파악
- 의사결정의 근거 자료
- 팀 간 공통 언어

<KPI의 중요성>
데이터 기반 의사결정 (숫자로 표현)
- 감이 아닌 숫자로 판단 → 객관적 근거 확보

문제 조기 발견 (목표 대비 측정)
- 지표 하락 시 즉시 인지 → 빠른 대응 가능

성과 측정 및 개선 (개선 방향 제시)
- Before/After 비교 → 액션의 효과 검증

<비즈니스 핵심 KPI>
리텐션
사용자가 얼마나 다시 오는가?
핵심 지표 : D1, D7, D30

수익
사용자가 얼마나 돈을 쓰는가?
핵심 지표 : ARPU(사용자당 평균 수익), ARPPU(결제 사용자당 평균 수익), LTV

활동
사용자가 얼마나 활발한가?
핵심 지표 : DAU, MAU, 참여율

리텐션
사용자가 서비스에 다시 방문하는 비율
#리텐션이 낮으면?
- 구멍 뚫린 양동이 물 붓기 → 아무리 신규 유치해도 다 빠져나감

<주요 리텐션 지표>
D1 리텐션
가입 다음날 재방문율
- 의미 : 첫인상 지표
- 중요도 : 별 5개
- 목표 기준 : 40% 이상
- 해석 : 낮으면 온보딩 문제, 높으면 초반 경험 우수

D7 리텐션
가입 후 7일째 재방문율
- 의미 : '지속 이용 의지' 지표
- 중요도 별 4개
- 목표 기준 : 25~40%
- 해석 : 낮으면 콘텐츠/기능 매력도 부족, 높으면 습관 형성 단계 진입

<리포트 작성 3단계>
- 지표 3개 → 숫자로 표현
- 인사이트 1줄 → 원인 분석
- 액션 1~2개 → 구체적 개선 방법

4-4. 미디어 믹스 설계

미디어 믹스란?
여러 마케팅 채널에 예산과 리소스를 전략적으로 배분하여 최적의 성과를 만들어내는 것

<중요성>
한 채널만 사용할 때
- 리스크가 높음 (알고리즘 변경, 비용 상승)
- 확장성 제한
- 브랜드 자산 축적 어려움

여러 채널을 조합할 때
- 안정적인 성장
- 채널 간 시너지 효과
- 리스크 분산

----------------------------------------------

<3가지 핵심 질문>
1. 어디에 투자할 것인가?
- 채널 선택 (네이버, 구글, 메타 등)

2. 얼마나 투자할 것인가?
- 예산 배분 비율

3. 어떻게 측정할 것인가?
- 성과 지표 설정

단기 효율 채널
<특징>
- 즉각적인 전환 발생
- 명확한 ROI 측정 가능
- 빠른 결과 확인

<대표 채널>
• 검색 광고 (네이버, 구글)
- 성과형 광고
- 리타게팅 광고

✅ 장점
- 즉각적인 매출 발생
- 명확한 성과 측정 가능
- 예산 조적이 용이함

⚠️ 단점
- 광고 중단 시 매출 급감
- 경쟁 심화로 비용 상승
- 브랜드 자산 축적 어려움

장기 가치 채널
<특징>
- 브랜드 인지도 향상
- 장기적 고객 관계 구축
- 누적 효과 발생

<대표 채널>
• 콘텐츠 마케팅 (블로그, 유튜브)
- SEO (검색 엔진 최적화)
- 소셜 미디어 (인스타그램, 틱톡)
- 브랜드 광고 (디스플레이, 영상)

✅ 장점
- 지속 가능한 성장 가능
- 고객 충성도 향상
- 장기적으로 비용 효율성 확보

⚠️ 단점
- 즉각적인 매출 기여 낮음
- 성과 측정이 어려움
- 긴 시간 투자 필요

-----------------------------------------

황금 비율 60:40 법칙
린 필드의 연구 (IPA, 2013)
- 브랜드 빌딩 60% : 장기 성장 기반
- 퍼포먼스 40% : 단기 매출 확보
→ 오가닉 60% 페이드 40% 성장이 이상적

[내일배움캠프] 디지털 마케팅_65일차

ana 아나 — Fri, 3 Apr 2026 21:01:58 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : 마케팅 강의

데이터 이해와 AI 기반 성과 분석

2-1. 고객 세그먼트 분석 기초

세그먼트란?
비슷한 특징을 가진 고객을 그룹으로 분류한 것
✔️ 효율적인 타겟 마케팅
✔️ 개인화 마케팅

<세그먼트 3가지 분류>
1. 누구인가? (인구통계 기반)
- 나이, 성별, 지역 등
전환율이 가장 높은 세그먼트를 찾아서 타겟 마케팅
개인화 메시지 사용으로 클릭 유도
» 장점
쉽고 간단함
데이터 수집 용이
» 한계
같은 나이여도 취향이 다를 수 있음
포괄적인 세그먼트라 잠재고객이 넓음

2. 무엇을 했나? (행동 기반)
- 구매, 클릭, 방문 등
» 장점
고객 실제 관심사 반영
높은 전환율
데이터 기반 잠재고객 이벤트 활용
» 한계
데이터 수집 필요 (비용 발생)
분석의 어려움

3. 얼마나 중요한가? (가치 기반)
- VIP, 일반, 휴면 등
※ RFM 모델 : Recency(최근 방문), Frequency(빈도), Monetary(금액)
VIP 고객
전략 : 이탈 방지
이탈 위험
전략 : 다시 오게 하기
신규 고객
전략 : 단골 만들기

2-2. 개인화 마케팅 전략

개인화 마케팅
고객의 특성과 행동에 맞춰 최적화된 메시지와 경험을 제공하는 전략

<핵심 요소>
1. 누구에게? (타겟팅)
2. 무엇을? (메시징)
3. 언제 (타이밍)
4. 어떻게 (채널)

<개인화가 필요한 이유>
✔️ 정보 과부하 시대
✔️ 높은 ROI
✔️ 고객 경험 개선

고객 여정
고객이 브랜드를 인지하고 구매하기까지의 전 과정

<고객 여정 5단계>
[인지] → [관심] → [고려] → [구매] → [충성]

1단계 : 인지
- 고객 상태
브랜드를 처음 알게 됨, 문제해결을 위해 제품 니즈를 인식
- 마케팅 목표
브랜드 노출, 문제 해결 방법 제시

2단계 : 관심
- 고객 상태
웹사이트 방문, 상품 둘러봄, 무료 회원가입, 아직 구매 전
- 마케팅 목표
관심 유지, 가치 전달

3단계 : 고려
- 고객 상태
장바구니 추가, 가격 비교, 리뷰 확인, 데모 서비스 경험완료
- 마케팅 목표
구매 허들 제거, 신뢰 구축, 전환 유도

4단계 : 구매
- 고객 상태
결제 완료, 첫 구매 경험
- 마케팅 목표
긍정적 첫 경험, 재구매 동기 부여

5단계 : 충성
- 고객 상태
재구매 고객, 브랜드 팬, 레퍼럴
- 마케팅 목표
장기 관계 유지, 지지자로 전환, 레퍼럴 유도

타겟팅
특정 세그먼트를 선택해 마케팅 리소스를 집중하는 것

<타겟팅 3단계>
1단계 : 세그먼트 정의
인구통계 기반, 행동 기반, 가치 기반

2단계 : 우선순위 설정
기준 - 규모, 수익성, 도달 가능성

3단계 : 실행 계획
세그먼트별 액션

메시징
고객에게 전달할 내용과 표현 방식

<효과적인 메시지 3요소>
① 관련성
ex) 전 상품 할인 / 블랙프라이데이 기념 회원님이 찜한 러닝화 할인

② 긴급성
ex) 세일 중입니다 / 오늘 자정까지만 20% 할인

③ 가치
ex) 신제품 출시 / 배터리 2배 오래가는 신제품 출시

<메시지 유형별 전략>
① 할인/프로모션
"20% 할인" / "회원님만을 위한 VIP 20% 할인" "생일 축하 쿠폰 선물"

② 상품 추천
"인기 상품 TOP 10" / "회원님 취향 저격 상품 3개" "이런 상품은 어때요?" (유사 상품) "관심 있을 만한 영상 보기"

③ 재방문 유도
"재방문 고객 혜택" / "오랜만이에요 [이름]님, 30일 동안 이런 일이 있었어요" "회원님이 관심있어 하신 카테고리 신상품"

④ 리텐션
"계속 이용해주세요" / "완강까지 20% 남았어요! 수료증 받으세요" "3일 연속 출석체크시 포인트 지급" -> 게이미피케이션 기능으로 참여 유도

<메시지 작성 팁>
⭕ 구체적 숫자
ex) 할인 → 20% 할인
⭕ 감정 자극
ex) 생일, 목표 달성 축하 기념
⭕ 행동 유도
ex) 지금 확인하기, 무료 혜택받기

❌ 모호한 표현
ex) "곧" → 언제?
❌ 과장
ex) "최고", "최저가" (검증 안 된)
❌ 긴 문장
모바일에서 읽기 어려움

2-3. 고객 유지 지표 이해

리텐션
일정 기간 후에도 서비스를 계속 사용하는 고객의 비율. 재방문, 재사용 등 잔존율
= (N일 후 재방문자 ÷ 최초 사용자) × 100

<리텐션 종류>
D1 : 가입 다음날 재방문

D7 : 가입 7일 후 재방문
습관 형성 여부

D30 : 가입 30일 후 재방문
장기 고객 전환

코호트
같은 시기에 같은 행동을 한 사용자 그룹
→ 같은 시기 동일한 사용자 그룹이기 때문에 변수가 최소화 됨. 고객 여정 흐름을 보기 좋음

LTV
한 고객이 플랫폼에서 평생동안 결제하는 총 금액
= 평균 구매 금액 × 구매 빈도 × 고객 생애 기간

+ LTV : CAC = 3 : 1 비율이 이상적임

<LTV 개선 방법>
① 구매 빈도 증가
- 재구매 쿠폰, 정기 구독 전환, 리마인더 발송

② 객단가 증가
- 묶음 할인, 무료배송 기준 상향, 업셀링/크로스셀

③ 고객 생애 연장
- 리텐션 캠페인, 로열티 프로그램, 고객 경험 개선

2-5. 케이스 스터디 (GA4)

<트래픽>
- 월간 사용자 : 91,672명
- 세션 : 51,926개

<상위 채널 3개>
- 1위 : Direct (직접 접속)
- 2위 : Organic Search (자연스러운 검색 결과)
- 3위 : Paid Search (검색 광고)

<전환>
- 구매수 : 1,956
- 평균 주문액 : $172

[분석 리포트]
1. 요약
기간 : 9/25 ~ 10/22
월간 사용자 : 91,672
참여율 : 56.64%
이벤트 수 : 1,956
총 수익 : $336,605.25
- 기간: 2025년 9월 25일 ~ 10월 22일 (28일)
- 매출: $336,606
- 전환율: 1.93%
- 총 세션: 91,672개 | 총 구매: 1,754건

2. 주요 데이터
채널별 성과(전환율)
Direct : 2.77%
Organic Search : 1.30%(최저)
Paid Search : 1.55%
Referral : 2.98%
E-mail : 4.87%(최고)

3. 인사이트 3개
- 전환율이 가장 높은 이메일 적극 활용.
- 다이렉트의 세션 수가 가장 많음. (채널 다각화 필요)
- ??
- Email 전환율 4.87%로 1위, 세션 확대 필요
- Direct 의존도 46.29% 매출, 채널 다각화 시급
- Referral 평균 주문액 $249.79, 파트너십 확대 기회
- Organic Search 전환율 1.30% 최하위, SEO 개선 필요

4. 다음 액션
- 이메일 발송 횟수 증가
- 채널 다각화를 통한 채널 의존도 감소
- 즉시: Email 구독 팝업 런칭 + Referral 파트너 인센티브 강화
- 1개월: Organic Search 랜딩페이지 최적화 + Paid Search ROI 분석
- 3개월: 채널 매출 비중 재조정 + 고객 추천 프로그램 시작

3-1. 트래픽 소스 분석

트래픽 소스
사용자가 우리 웹사이트에 어떻게 들어왔는가? 를 나타내는 유입 경로

<4가지 주요 트래픽 채널>
① Organic (오가닉)
검색엔진에서 자연스럽게 검색해서 들어온 트래픽

• 특징
광고비가 들지 않음(무료)
SEO(검색엔진 최적화)의 결과
장기적으로 안정적인 트래픽

• 장단점
✅ 무료, 신뢰도 높음
⚠️ 결과 도출까지 오래걸림

② Paid (페이드)
광고비를 지불하고 유입된 트래픽

• 특징
빠른 트래픽 확보 가능
정확한 타겟팅 가능
비용 발생

• 주요 광고 유형
검색 광고 : 검색결과 상단에 노출
디스플레이 광고 : 배너, 이미지 광고
소셜미디어 광고 : 페이스북, 인스타그램 피드 광고

• 장단점
✅ 즉시 트래픽 확보, 정밀한 타겟팅
⚠️ 지속적인 비용 발생, 광고 중단 시 트래픽 감소

③Referral (레퍼럴)
다른 웹사이트의 링크를 클릭해서 들어온 트래픽

• 특징
외부 사이트의 추천으로 유입
신뢰도가 높은 편
파트너십이나 협업의 결과

• 장단점
✅ 신뢰도 높음, 관련성 있는 방문자
⚠️ 통제하기 어려움, 예측 불가능

④ Direct (다이렉트)
URL을 직접 입력하거나 북마크로 들어온 트래픽

• 특징
브랜드 인지도의 지표
충성도 높은 사용자
출처를 정확히 알기 어려운 경우도 포함

• 참고사항
Direct 트래픽이 많다 = 브랜드 인지도가 높다는 신호
하지만 추적 불가능한 트래픽도 여기 포함됨

• 장단점
✅ 충성도 높은 사용자, 브랜드 파워 지표
⚠️ 정확한 유입 경로 파악 어려움

[내일배움캠프] 디지털 마케팅_64일차

ana 아나 — Thu, 2 Apr 2026 21:01:11 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : 마케팅 강의

데이터 이해와 AI 기반 성과 분석

1-1. 데이터 마케팅의 필요성과 장점

<핵심 용어>
지표 : 현상을 수치화한 값 (전환율 3.1%)
KPI : 목표 달성을 대표하는 핵심 지표 (주간 활성 결제자 수)
North Star : 비즈니스 지속성장을 설명하는 단일 지표 (결제 페이지 방문자 수, 서비스 사용 시간 등)

<웹과 앱의 데이터 분석>
웹 : 쿠키 기반 식별
브라우저에 저장되는 쿠키로 유저를 구분
쿠키는 브라우저별로 생성되며 삭제되면 추적 불가

앱 : 광고 ID 기반 식별
각 OS에서 발급하는 고유 광고 ID로 유저를 구분 (안드로이드 : ADID / iOS : IDFA)
브라우저가 아닌 기기 단위로 추적이 이루어짐

크로스 측정을 위해 공통점이 필요 - 로그인
로그인을 공통 기준으로 삼아 웹과 앱의 트래픽을 동일 사용자로 묶을 수 있음
없다면? 정확한 매칭 불가, 추정 기반 분석만 가능

<산업별 대표 이벤트 예시>
콘텐츠 : 조회수, 체류시간, 공유하기
커머스 : 가입, 장바구니 추가, 결제완료
모빌리티 : 설치, 카드등록, 예약시도, 이용완료
게임 : 튜토리얼 완료, 레벨클리어, 결제

<데이터 기반 의사결정 루프>
가설 수립 → 실험 설계 → 데이터 수집 → 결과 분석 → 학습/확대 → (다음 가설)

<KPI 설정 3단계>
1단계 : 비즈니스 목표를 문장으로
2단계 : 목표를 구성요소로 분해
3단계 : 각 요소에서 리드 지표 선택

<North Star Metric>
비즈니스의 지속 성장을 가장 잘 설명하는 단일 지표
- 고객 가치와 직결
- 매출/성장으로 연결
- 전사가 이해 가능
- 측정 가능하고 자주 확인 가능

<분석 툴>
GA4 : 세션/집계 기반 (웹 분석 툴)
Amplitude : 이벤트/로그 기반 (행동 분석 툴)

1-2. 목표와 KPI 설정

KPI : 목표 달성 여부를 판단하는 핵심 측정값
<좋은 KPI 조건>
- 측정 가능 : 숫자로 표현 가능
- 실행 가능 : 개선 액션으로 연결
- 목표 연결 : 비즈니스 목표와 직결

<데이터 vs KPI vs North Star>
데이터 : 측정 가능한 모든 수치 (페이지뷰, 클릭수)
KPI : 목표를 대표하는 핵심 지표 (전환수, 가입수)
North Star : 제품 기능 중 고객에게 가장 큰 가치를 주는 지표 (콘텐츠 생성 수, 시청수)

North Star Metric : 조직의 방향을 정렬하는 북극성 지표
<NSM의 선순환 구조>
고객 가치 경험 → 사용 증가 → 자연스러운 매출 성장

<주요 KPI 종류>
- 유입 KPI
① CAC, LTV
CAC : 고객 획득 비용 (총 마케팅 비용/신규 고객 수)
LTV : 고객 생애 가치 (고객이 총 지불하는 결제 금액)

② 전환율
= (전환 완료 수/시도 수) *100
어느 퍼널 단계에서 이탈이 많은지 파악

- 활성 KPI
① DAU / MAU
DAU : 하루 동안 서비스 사용한 고유 사용자 수
MAU : 한 달 동안 서비스 사용한 고유 사용자 수
stickness = (DAU/MAU)*100

② D7 / D30 리텐션
특정 날짜 가입자가 N일 후 돌아오는 비율
D7 리텐션 = (7일 후 재방문 자/가입자)*100
리텐션은 CRM에 영향을 크게 받음

- 수익 KPI
① ARPU : 사용자당 평균 매출
ARPU = 총 매출/사용자 수
ARPPU = 총 매출/유료 사용자 수
전체 사용자 기준 - ARPU
유료 사용자만 기준 - ARPPU

② LTV
= ARPU * 평균 고객 유지 기간(개월)

③ 1회 주문당 평균 매출 (AOV)
객단가 = 총 매출/주문 건수

North Star 1개 + 핵심 KPI 3~5개
<주요 KPI>
- 유입 : CAC, 전환율
- 활성 : DAU/MAU, D* 리텐션
- 수익 : ARPU, LTV, 객단가

목표 설정 → KPI 정의 → 현황 측정 → 병목 발견 → 개선 → 측정

1-3. 데이터 수집과 처리 과정

<데이터 수집의 목적>
1. 현재 상황 파악
2. 문제 발견
3. 개선 확인

로그
사용자의 행동을 기록한 데이터

<좋은 로그 만들기>
1. 명확한 이름
: [이벤트_처리] ← 텍소노미
2. 필요한 정보 포함
: 누가, 언제, 무엇을 + 상품명, 가격, 카테고리 등

<전체 흐름>
1단계 : 사용자가 행동한다
2단계 : 로그로 기록된다
3단계 : 데이터가 정리된다
4단계 : 저장소에 쌓인다
5단계 : 분석 툴로 본다

사용자 행동
사용자가 클릭, 구매, 검색 등을 함

로그 수집
웹사이트 : GA4 태그 설치, 특정 코드 심기
모바일 : SDK 설치, 개발자 코드 추가

데이터 정리
ETL = 수집 + 정리 + 저장
- 수집 : 여러 곳에서 데이터 모으기
데이터 출처 - 웹사이트 고르, 앱 사용 로그, 광고 플랫폼, 내부 시스템
- 정리 : 데이터를 깔끔하게 정리
정리 작업 - 중복 제거, 빈 값 처리, 형식 통일, 계산 추가
- 저장 : 정리된 데이터를 저장소에 보관
저장소 종류 - 데이터 웨어하우스, 분석 툴

저장 및 관리
- 큰 창고에 데이터 보관
- 언제든 꺼내서 볼 수 있게

분석 및 활용
- 저장된 데이터로 대시보드 만들기
- 데이터 시각화 툴
- KPI 확인
- 인사이트 발견

1-4. 데이터 분석 툴과 대시보드 이해

<분석 툴의 역할>
자동화 가능
- 데이터 자동 수집, 자동 계산, 시각화, 실시간 모니터링
→ 클릭 몇 번으로 원하는 데이터 확인, 시간 절약, 빠른 의사결정

웹 vs 앱
플랫폼의 생태계의 차이
웹은 브라우저 기반, 앱은 OS 기반

- 식별 방식의 차이
웹(쿠키 기반 식별), 앱 (광고 ID 기반 식별)
- 쿠키의 한계
브라우저별 별도 생성, 쿠키 삭제 시 추적 단절, 동일 유저라도 브라우저 변경 시 다른 유저로 인식
- 광고 ID 특징
OS 단위로 고유값 부여, 앱 내 유저 행동 추적 가능
- 크로스 측정의 필요성
웹과 앱의 기준 불일치, 로그인 값을 공통 기준으로 사용 시 통합 가능, 로그인 데이터 부재 시 유저 추정만 가능

웹 : 쿠키 기반 → 브라우저 단위 추적
앱 : 광고 ID 기반 → 기기 단위 추적
웹과 앱 통합의 핵심 = 로그인 통합

<툴의 종류>
① 웹/앱/어트리뷰션 분석 툴
사용자 행동, 기여 분석
Google Analytics 4 (GA4) : 세션 및 집계 중심
Amplitude : 이벤트 기반 사용자 분석
Mixpanel : 이벤트 기반 사용자 분석
AppsFlyer : 앱 기여도 분석
Adjust : 앱 기여도 분석

② 광고 성과 툴
Paid 광고 효과 측정
Google Ads (구글 광고)
Meta Ads Manager (메타 및 인스타 광고)
네이버 광고 관리자 (네이버 광고)

③ 대시보드 시각화 툴
여러 데이터를 한눈에 시각화
Looker Studio
Tableau

<GA4 vs Amplitude 비교>
✔️GA4
집계 기준으로 한 눈에 볼 때
- 웹사이트 트래픽 분석
- Paid, 오가닉 등 어느 채널에서 유입되는지
- 페이지 별 방문자 수
- 전환 퍼널 기본 분석

✔️ Amplitude
사용자별 데이터 분석 및 세그먼트 분류
- 사용자별 행동 패턴 분석
- 세그먼트 별 사용자 이메일 추출
- 코호트 리텐션 분석
- 복잡한 퍼널 분석

Google Analytics 4 (GA4)
구글이 무료로 제공하는 웹 기반 분석 툴 (익명 & 집계 중심)
- 자동으로 많은 데이터 수집
- 데이터 누적 집계 분석에 유리

<주요 보고서>
실시간 보고서
- 무엇을 보는지?
접속자 수, 페이지 조회, 지역
- 언제 쓰는지?
캠페인 실행 직후, 이벤트 진행 중, 긴급 모니터링

사용자 획득 보고서
- 무엇을 보는지?
어느 채널로 유입되는지 (구글 검색, 네이버 광고, SNS, 직접 입력 등)
- 활용
효과적인 채널 발견
광고비 배분 결정

참여도 보고서
- 무엇을 보는지?
이벤트 발생 횟수, 전환 이벤트, 페이지별 조회수

전환 보고서
- 무엇을 보는지?
목표 달성 횟수, 전환 경로, 전환 가치

UTM : 마케팅 유입 경로를 추적하기 위한 파라미터
- 구글 애널리틱스에서 캠페인별 트래픽 분석에 사용
- 쿠키를 기반으로 트래픽 측정

<목적>
어떤 채널, 캠페인, 소스에서 유입되었는지 구분
광고, 뉴스레터, 인플루언서 링크 등 브라우저 링크 통한 성과 비교 분석

<UTM 주요 항목>
utm_source: 유입 소스 (예: google, naver, newsletter)
utm_medium: 유입 매체 (예: cpc, email, social)
utm_campaign: 캠페인명 (예: launch_event, summer_sale)
utm_content: 세부 구분 (예: banner_A, button_B)

<주의사항>
한글 사용 금지, 일관된 작명 규칙 유지, 대소문자 구분(소문자로 통일)

Amplitude
사용자 행동 분석에 특화된 툴 (방문자별 고유값을 부여해 모든 로그 기록 - 유료)

GA4와의 차이점
- GA4 : 어디서 왔는지
- Amplitude : 무엇을 했는지

<주요 기능>
이벤트 분석
특정 이벤트 추이, 이벤트 사용자별 데이터 추출, 세그먼트 별 CRM, 퍼널 분석

퍼널 분석
- 무엇을 보는지?
단계별 전환율, 이탈 지점 발견

사용자 세그먼트
- 무엇을 하는지?
특정 조건의 사용자 그룹화, 그룹별 행동 비교

데이터 시각화
중요한 지표를 한눈에 볼 수 있게 모아놓은 화면 / 핵심 정보만 한눈에

<좋은 대시보드의 조건>
① 핵심만 담기
지표 3개 > 지표 10개
KPI 중심으로 구성

② 한눈에 이해
그래프 활용
색상으로 구분 (좋음/나쁨)
전주 대비 증감 표시

③ 정기적으로 확인
매일 보는 대시보드
주간 리뷰용 대시보드

1-5. 미디어 믹스와 데이터 마케팅

미디어 믹스란?
여러 광고 채널을 조합해서 최고의 성과를 내는 전략

<주요 채널 종류>
검색 광고
네이버, 구글
- 구매 의도 높음, 전환율 높음
- 역할 : 전환

소셜미디어
인스타그램, 페이스북
- 타겟팅 정교, 시각적, 가장 많은 트래픽
- 역할 : 관심 유도, 잠재고객 확보, 바이럴

동영상
유튜브, 틱톡
- 브랜드 인지도(브랜딩)
- 역할 : 많은 사람에게 알리기, 바이럴

ROAS : 광고비를 사용해서 얼마나 팔았는지
= (매출/광고비) *100

ROI : 순이익으로 얼마나 남았나
= {(수익 - 비용)/비용}*100

<성과 측정 지표>
기본 지표
- 노출, 클릭, 전환
효율 지표
- CPC, CVR, CAC, ROAS

<예산 최적화 3단계>
1. 현황 파악
- 채널별 효율 확인
ROAS 높은 순으로 정리
비효율 채널 찾기

2. 예산 재배분

3. 테스트 & 측정
- 2주 실험
변경 전/후 비교
ROAS 변화 확인
좋으면 지속, 나쁘면 복귀

<최적화 팁>
⭕ 해야할 것
- 효율 높은 채널에 집중
- 주 1회 성과 확인
- 매달 예산 재검토

❌ 하지 말아야 할 것
- 모든 채널에 균등 배분
- 한 번 정하고 방치
- 감으로만 판단

[내일배움캠프] 디지털 마케팅_54일차

ana 아나 — Thu, 19 Mar 2026 21:00:29 +0900

*본 게시글은 단순 학습 목적으로 작성되었습니다.*

✅TODO : 아티클 스터디, 마케팅 강의

아티클 스터디

충주맨에서 100만 유튜버까지, 김선태가 보여준 ‘임플로이언서’ 시대

유튜브에 대한 모든 것이 궁금하신가요? 지금 [주간유광기] 뉴스레터를 구독하면 주 1회 무료로 유튜브 트렌드를 받아보실 수 있어요!요즘 떠들썩한 유튜브 이슈가 있죠? 김선태 채널 영상

newneek.co

충주맨에서 100만 유튜버까지, 김선태가 보여준 '임플로이언서' 시대

임플로이언서 (Employee + Influencer)
기업이나 조직에 속한 구성원이 자신의 직무나 경험을 바탕으로 영향력을 갖는 형태
현직자 자체가 콘텐츠가 되고 브랜드 스토리가 되는 구조가 점점 늘어나는 추세

3일만에 구독자 100만, 유튜브 공식 계정부터 충주시, 뽀로로 같은 기관 및 기업의 공식 계정이 댓글을 달기도 함.

1) 충주맨이라는 캐릭터로 공공기관 유튜브의 성공 사례를 만든 인물, '크리에이티브한 공무원'이라는 독보적 캐릭터
→ 충주맨을 응원하는 흐름이 초반 구독자 폭발로 이어짐
2) 채널 구조가 '홍보 채널' - 브랜드 협업이 콘텐츠의 중심이 되는 구조
3) 채널 수익의 30%를 기부하겠다 밝힘.

이미 충주맨으로 쌓아온 캐릭터와 서사
브랜드 협업 자체가 콘텐츠가 되는 홍보 채널 구조
꾸며진 이미지보다 솔직함을 드러내는 태도

민음사TV - 기업 채널

'텍스트 힙' 열풍으로 독서를 공부나 의무로 소비하는 것이 아닌 하나의 취향 콘텐츠로 공유하는 문화 확산
책을 읽는 사람들의 취향과 라이프스타일을 보여주는 방식
출판사 직원이 등장하는 콘텐츠가 브랜드가 되는 구조 - 사람 중심 콘텐츠

컬리

대표가 직접 등장하는 콘텐츠, 식재료의 원물 이야기부터 조리법, 레시피까지 디테일하게 설명하는 콘텐츠

식재료 자체에 대한 지식 콘텐츠
MD가 직접 등장하여 제품 추천하고 이야기하는 라디오형 콘텐츠

브랜드가 말하는 것이 아니라 제품을 고르는 사람이 말한다
단순 상품 소개가 아니라 재료에 대한 기준과 취향을 공유한다
결국 콘텐츠의 중심이 회사 → 직원 → 전문가로 이동한다

기업 안에 있는 사람이 곧 콘텐츠가 되는 ‘임플로이언서 전략’의 대표적인 사례

완벽하게 만들어진 광고보다는 직접 경험하고 설명하는 사람의 이야기가 더 큰 신뢰를 얻음.
브랜드의 메시지보다 그 브랜드를 만드는 사람의 생각과 태도에 더 관심을 갖기 때문

“우리 브랜드는 무엇을 파는가?”가 아니라 “우리 브랜드 안에서 누가 이야기하고 있는가?”

인사이트
1. 이제 브랜드보다 ‘사람’이 콘텐츠다 (임플로이언서 시대)
→ 기업이 외부 인플루언서 쓰는 게 아니라, 직원이 직접 콘텐츠가 되는 구조로 변화 중
2. ‘광고’보다 ‘진짜 경험+캐릭터’가 더 먹힌다
→ 꾸며진 메시지보다 직접 경험하고 말하는 사람의 이야기가 신뢰와 팬덤을 만든다
3. 제품을 팔지 말고 ‘취향·기준’을 만들어라
→ 민음사·컬리처럼 라이프스타일과 관점부터 설득하면, 구매는 따라온다

광고 캠페인의 이해 강의

8-1. AI 기반 광고 자동화

성과측정 방법론

3-2. A/B 테스트 설계와 실습 - 데이터 기반 의사결정 만들기

A/B 테스트란?
서로 다른 이미지, 텍스트 또는 설정을 사용하여 가장 성과가 좋은 캠페인을 확인하고 광고 성과를 개선하는데 주로 활용
1) 목적 : 더 높은 전환/클릭/참여율을 찾기 위한 과학적 비교
2) 구조 : A (통제군) vs B (실험군)
3) 측정 : CTR, CVR, ROAS 등 핵심 지표 비교

가설 및 질문 설계 : 기능 도입
새로운 기능, UI/UX 도입 및 효과 검증
(업무)프로세스 변경
가입, 구매 등 핵심 서비스 플로우 변경 및 최적화
이탈률 확인을 통한 고객 경험 개선
특정 단계에서 고객 이탈이 많다면, 이탈 원인 파악 및 개선안 테스트

무엇을 개선하고 싶은가?
- 광고 클릭률 개선 : CTR
- 구매 전환율 향상 : CVR
- 효율적인 광고비 운영 : ROAS
무엇을 기준으로 '더 좋다'고 판단할 것인가?
- CTR : 클릭/노출(유입률)
- CVR : 전환/클릭(효율성)
- ROAS : 매출/광고비(수익성)

실무형 원칙 3가지
변수는 하나 → 조건은 명확하게
실험기간 충분히 → 최소 7~14일
데이터X 판단 보류 → 데이터가 모자라면, 무조건 판단 보류(샘플 부족 금지)

하루 반짝하는 데이터로는 그 어떤 것도 할 수 없다!

4-1. 광고 핵심 지표 이해 (1)

CPM, CPC, CTR
CPM : 광고가 1천회 노출될 때마다 부과대는 비용 < 비용의 효율성
CPC : 광고가 1회 클릭될 때마다 부과되는 비용 < 반응 유도 비용
CTR : 광고 노출 횟수 대비 클릭 횟수의 비율 (클릭률) < 광고의 매력도
CPA : 전환 1회 달성하는 데 소요된 비용
CVR : 방문한 사용자 중 실제로 전환율 달성한 비율(전환율)

ROAS : 광고 지출액 대비 발생한 매출액의 비율
ROI : 총비용과 순이익 비율
Impression : 광고 노출 횟수
Reach : 광고에 노출된 사용자 수
Frequency : 한 명의 사용자에게 광고가 평균적으로 노출된 횟수 (1.0 - 1.1수준이 베스트)

크리에이티브 성과와 CTR의 기준
1. 이미지 교체 - 빠르고 신속하게
2. 문구 수정 - 노출 메시지 조정 이슈
3. 타겟 세분화 -

CTR이 높으면 CPC가 낮아지는 경향
플랫폼 알고리즘은 CTR이 높은 광고에 더 많은 노출 기회 제공
좋은 크리에이티브 = 더 낮은 비용으로 더 큰 성과로 이어짐

광고 효율 선순환 구조
좋은 소재 - CTR↑ - CPC↓ - ROAS↑
- CTR은 광고 예산 최소화/최적화 하는 주요 지표
- CTR 개선으로 예산 효율 극대화

크리에이티브 성과와 CTR의 관계
1. 측정 : 노출/클릭/비용 데이터 수집
2. 비교 : 기간별, 소재별, 타겟별 CTR 비교
3. 개선 : CTR 높은 소재 확대, 낮은 소재 중단
- 지표는 어디를 개선해야 할지에 대한 측정 기준임.

광고 성과 분석 시 자주 보는 3가지 그래프
1. CTR 추이 그래프
2. CPC 분포 차트
3. CPM대비 CTR 산포도

4-2. 광고 핵심 지표 이해 (2)