데이터 기반 광고 의사결정과 성과 분석

📌 TIL · 내배캠 디지털 마케팅 80일차

데이터 기반 광고 의사결정과 성과 분석

2026.08.14

📑 목차

1. 오늘 배운 내용
2. 인상 깊었던 점
3. 연결된 점
4. 느낀점

① 오늘 배운 내용

핵심은 "예전에 좋았던 방식"을 계속 정답처럼 쓰지 않는 것. 같은 방식도 타깃·시기·채널에 따라 결과가 달라지므로, 경험은 정답이 아니라 가설의 재료로만 쓰고 늘 테스트로 재검증해야 한다.

• 🎬 이미지 vs 영상 — 영상이 늘 우세한 건 아니다. 이미지가 CVR이 더 높거나 CAC가 더 낮은 경우도 있으니 "영상이 좋다"가 아니라 "우리 타깃엔 뭐가 맞나"를 테스트.
• 💰 프로모션 = 매출 증가? — 할인 후 매출 상승이 기존 고객의 추가 구매일 수도 있음. 신규/기존 고객 매출, 채널·타깃·상품별 전환율, CAC, 재방문·재구매율까지 세분화해서 "누가, 어디서, 무엇으로" 만든 매출인지 확인해야 함.
• 🎯 Lookalike vs Broad — Lookalike가 항상 우수한 건 아님. 메타 알고리즘이 발전하면서 Broad로 풀어도 알고리즘이 전환 가능성 높은 고객을 스스로 찾아내는 경우가 많아짐 → 둘 다 A/B로 검증.

📊 퍼널 지표로 보는 성과 분석

방문자 수만 늘었다고 "광고 성공"이 아니다. 유입 → 탐색 → 구매 → 이탈 → 재방문/재구매 흐름을 따라 아래 지표를 함께 봐야 원인을 알 수 있다.

지표	확인하는 것
이탈률 / 세션 시간 / 페이지뷰	들어온 고객이 충분히 탐색했는가
전환율 / 매출	실제 비즈니스 성과로 이어졌는가

📅 8월 사례 — 유저 수 증가 + 이탈률·세션 지표는 정상 유지 + 매출까지 유의미하게 증가 → 질 낮은 트래픽이 아니라 질 좋은 유입이었을 가능성. 원인은 전상품 10% 할인 프로모션으로 추정. 한 지표가 아니라 여러 지표를 연결해야 원인이 보인다.

💡 실무 팁: 파이썬·R 없이도 엑셀 피벗 테이블 + 필터로 월별 유입~매출 흐름을 비교하고, 프로모션 시점에 플래그만 표시해도 전후 변화를 빠르게 확인할 수 있다.

② 인상 깊었던 점

가장 인상 깊었던 건 Lookalike가 항상 정답은 아니라는 것이었다. "기존 구매자와 비슷한 사람에게 광고하면 당연히 더 잘 팔린다"고 막연히 생각했는데, 메타 알고리즘이 발전하면서 오히려 Broad로 넓게 풀어도 알고리즘이 알아서 전환 가능성 높은 사람을 찾아낸다는 게 신선했다. "이 방법이 원래 좋다"는 상식 자체가 계속 갱신되고 있다는 걸 처음 체감한 부분.

③ 연결된 점

오늘 나온 퍼널 지표(이탈률·세션 시간·전환율)는 결국 예전에 정리했던 Funnel 분석의 실전 버전 같았다. 그리고 "매출이 올랐다"에서 멈추지 않고 "왜, 누구 때문에 올랐는가"까지 파고드는 태도는 이전에 배운 So What? 사고법과도 이어지는 지점이었다. 결국 오늘 배운 것들도 전부 "숫자 하나만 보고 판단하지 말자"는 같은 메시지로 수렴하는 느낌.

④ 느낀점

앞으로 어떤 방법이 "원래 좋다더라"는 말을 들으면 일단 의심부터 해봐야겠다. 특히 과제나 프로젝트에서 특정 포맷·타겟을 정할 때, 근거 없이 익숙한 방식을 고르지 말고 최소한 왜 그 선택이 맞다고 생각하는지 스스로 한 번 더 물어보는 습관을 들여야겠다.

#TIL #내배캠 80일차 #디지털마케팅 #데이터분석 #광고성과

※ 본 글은 학습을 목적으로 작성된 게시물로, 특정 브랜드·제품·서비스명이 언급될 수 있습니다. 이는 순수한 예시일 뿐이며, 상업적 목적은 전혀 없음을 밝힙니다.