뷰티업종 'B'사 메타 광고 현황 분석 및 성과 개선사례

1. 메타 광고 집행 현황 분석 (기존 문제점)

(1) 계정 구조 및 운용 현황

• 캠페인 파편화: 타겟별/제품별로 캠페인을 과도하게 분할하여 예산이 분산됨 (캠페인 15개 이상 동시에 동결·운영).

• 머신러닝 학습 미달: 캠페인당 주당 전환 수가 50회 미만으로 발생하여 머신러닝이 '학습 미완료(Learning Limited)' 상태 지속.

(2) 타겟팅 영역

• 과도한 상세 타겟팅: 연령/성별/관심사를 너무 협소하게 지정하여 타겟 모수가 작고 CPM(1,000회 노출당 비용)이 높게 형성됨.

• 리타겟팅의 피로도 증가: 모수가 적은 픽셀 기반 리타겟팅 모수에 동일 소재를 장기간 노출하여 빈도(Frequency)가 4.5 이상으로 치솟음.

(3) 소재 측면

• 단일한 연출컷 위주: 고화질 제품 연출 샷 위주의 연출 이미지에만 의존하여 유저 참여도(ENGAGEMENT) 감소.

• UGC 및 숏폼 폼 부족: 릴스(Reels) 맞춤형 세로형 9:16 비디오 소재 및 실제 사용 후기 형태의 콘텐츠 부족.

2. 성과 개선 전략 및 실행 (Action Plan)

Strategy 1. 캠페인 구조 단순화 (Account Simplification)

• 통합 캠페인 구조 도입: 기존 15개 캠페인을 '신규 고객 확보(Advantage+ 쇼핑 캠페인)' 및 '기존 고객 리타겟팅' 2개 메인 캠페인 구조로 일원화.

• CBO(캠페인 예산 최적화) 및 Advantage+ 활용: 메타의 머신러닝 알고리즘에 예산 배분을 맡겨 실시간 효율이 높은 타겟과 소재로 예산 자동 집중.

Strategy 2. 타겟팅 모수 확장 (Broad Targeting)

• Broad 타겟팅 전환: 연령/성별 최소 조건만 설정하고 관심사 제한을 해제하여 메타 알고리즘이 구매 가능성이 높은 유저를 스스로 탐색하도록 전환.

• 퍼스트파티 데이터 활용 (LAL): 자사몰 구매자 DB 기반의 유사타겟(1%~3%)을 생성하여 신규 타겟 모수 확장.

Strategy 3. 소재 다각화 및 테스트 (Creative Diversification)

• UGC(User Generated Content) 도입: 뷰티 크리에이터 및 서포터즈의 실제 제형 테스트, 비포/애프터 릴스 영상(9:16) 제작.

• Hooking 메시지 다변화:

  • 기능 강조형: "3일 만에 느낀 수분 장벽 변화"

  • 소셜 프루프형: "누적 판매 10만 개 돌파, 뷰티 어워드 1위"

  • 프로모션형: "신규 회원 한정 1+1 기획전"

• 다이내믹 소재(Advantage+ 소재 최적화) 활용: 이미지, 문구, 헤드라인의 조합을 머신러닝이 실시간 테스트하도록 세팅.