메타 머신러닝이란? “학습이 꼬였다”는 말 전에 알아야 할 것

메타 광고 성과가 며칠 흔들리면
회의에서 꼭 나오는 말이 있습니다.
“학습이 꼬인 것 같아요.”
그런데 이 말만으로는
오늘 무엇을 해야 할지 정해지지 않습니다.

예산을 내릴지, 소재를 바꿀지,
캠페인을 새로 만들지,
아니면 구매 이벤트부터 볼지.
전부 다른 결정이기 때문입니다.

1. 성과가 떨어지면 일단 캠페인부터 새로 만든다
2. 예산을 20% 넘게 바꾸면 큰일 나는 줄 안다
3. “학습 중” 표시가 사라지면 이제 안심해도 된다고 생각한다

하나라도 해당된다면, 머신러닝을 막연히 겁내고 있는 겁니다.
머신러닝을 아는 목적은 알고리즘을 맞히는 게 아니라,
지금 무엇을 건드리고 무엇을 그대로 둘지 정하는 데 있습니다.
그래서 오늘은 개념부터 차근차근 풀어 보겠습니다.

머신러닝이란? 지난 데이터로 다음 행동을 예측하는 방식입니다

머신러닝이라는 단어가 어렵게 들리지만
뜻은 생각보다 단순합니다.
컴퓨터가 이전 데이터를 보고 규칙을 익힌 뒤,
다음에 들어올 데이터를 최대한 맞혀 보는 방식입니다.

고양이 사진으로 생각해 보면 쉽습니다.
고양이 사진을 많이 보여 주면
컴퓨터는 고양이가 가진 특징을 숫자로 저장해 둡니다.
그다음 새 사진이 들어오면
저장해 둔 특징과 비교해 고양이인지 아닌지 판단합니다.

광고에서는 질문이 바뀔 뿐입니다.
“이 사람은 고양이인가?” 대신
“이 사람에게 이 광고를 보여 주면
클릭하거나 구매할 가능성이 얼마나 될까?”를 예측합니다.

아주 단순하게 그려 보겠습니다.
보여 줄 수 있는 사람 묶음이 네 개 있다고 해 보죠.
처음에는 이곳저곳에 광고를 보여 주면서 반응을 살핍니다.
그러다 4번 묶음에서 구매가 잘 나오면
“아, 여기서 결과가 나오는구나” 하고
4번 쪽에 노출을 더 몰아줍니다.

실제 메타는 네 묶음처럼 단순하지 않습니다.
처음부터 모두에게 똑같은 기회를 주지도 않고,
입찰과 광고 품질, 경쟁 상황도 함께 작동합니다.
다만 원리만 놓고 보면 같습니다.
지난 반응을 보고, 다음 노출을 고릅니다.

“그럼 데이터만 많이 쌓이면 알아서 잘하는 거 아닌가요?”

여기서 많이들 오해하십니다.
머신러닝은 받은 데이터로 예측할 뿐,
그 데이터가 맞는지까지 확인해 주지는 않습니다.
구매 이벤트가 주문 완료 전에 찍히고 있다면
시스템은 엉뚱한 행동을 ‘구매’로 배웁니다.
머신러닝은 똑똑한 예측 도구이지,
우리 사업 목표를 대신 정해 주는 도구는 아닙니다.

왜 운영자가 알아야 할까요? 무엇을 건드릴지 정하기 위해서입니다

대표님들이 내부 알고리즘을 전부 알 필요는 없습니다.
메타도 그 구조를 다 공개하지 않습니다.
그런데 원리를 대충이라도 알면
성과가 흔들릴 때 손이 덜 떨립니다.

예를 들어 볼까요.
머신러닝이 지난 반응으로 다음 노출을 고른다는 걸 알면,
소재·대상·최적화 이벤트를 한꺼번에 바꾸는 게
왜 위험한지 이해가 됩니다.
시스템이 참고하던 기준이 한 번에 흔들리고,
나중에 무엇이 효과를 냈는지도 알 수 없게 됩니다.

또 하나, 성과가 좋은 세트에 새 소재를
생각날 때마다 하나씩 넣는 경우가 많습니다.
원리를 알면 이것도 다시 보게 됩니다.
넣을 때마다 시스템은 새 후보를 다시 살펴야 하고,
다섯 번에 나눠 바꾸면 흔들림도 다섯 번 생길 수 있습니다.
그래서 저희는 수정을 정해진 날에 묶어서 하는 편입니다.

반대로 측정이 깨졌거나 결제가 막혔다면
학습을 위해 기다릴 이유가 없습니다.
바로 고칠 문제와 기다릴 문제를 나누는 기준,
그게 운영자가 머신러닝을 아는 이유입니다.

안개 낀 산에서 제일 높은 봉우리를 찾는 일

저는 머신러닝 최적화를 설명할 때
이 비유를 자주 씁니다.
안개가 자욱한 산에 사람을 내려 두고
“알아서 제일 높은 봉우리를 찾아가 봐”라고 하는 겁니다.

안개 때문에 정상이 보이지 않으니
할 수 있는 건 하나뿐입니다.
지금 서 있는 곳보다 조금이라도 높은 쪽으로 걷는 것.
한 발씩 오르다 보면 언젠가 꼭대기에 닿습니다.

문제는 그 꼭대기가
진짜 제일 높은 봉우리라는 보장이 없다는 점입니다.
옆에 더 높은 산이 있어도 안개 때문에 보이지 않습니다.
주변보다 높은 곳에 올라 “여기가 정상이다” 하고 멈출 수 있습니다.

로컬 최댓값과 글로벌 최댓값

이걸 수학에서는 이렇게 부릅니다.
주변에서만 제일 높은 봉우리는 로컬 최댓값(local maximum),
산 전체에서 진짜 제일 높은 봉우리는 글로벌 최댓값(global maximum)입니다.

광고로 옮기면 이런 장면입니다.
처음 몇 주는 괜찮은 성과가 나오는데,
예산을 늘려도 비슷한 사람들 안에서만 맴돌고
그 이상으로 커지지 않는 상태.
운영자 입장에서는 “두 번째 봉우리에 갇혔나?” 싶어집니다.

그리고 어디에서 출발하느냐도 결과에 영향을 줍니다.
같은 산이라도 정상 근처에 내려진 사람과
한참 먼 골짜기에 내려진 사람은 걸리는 시간이 다릅니다.
계정이나 캠페인마다 초기 성과가 다르게 나오는 것도
이 출발점 차이로 보면 이해가 쉽습니다.

다만 이건 이해를 돕는 비유이지,
메타 내부가 실제로 산을 오르는 구조라는 뜻은 아닙니다.
성과가 멈춘 이유는 봉우리 말고도 많습니다.
그 봉우리의 사람들에게 이미 충분히 보여 줬을 수도 있고,
소재가 익숙해졌거나 시즌이 바뀌었을 수도 있습니다.

그래서 저희는 이 비유를 이렇게 씁니다.
“지금 봉우리가 낮은 건지, 봉우리의 사람을 다 쓴 건지,
아니면 길이 끊긴 건지”를 나눠서 묻는 질문으로요.
비유는 결론이 아니라,
확인할 질문을 떠올리게 하는 도구입니다.

계정·캠페인·광고 세트·광고, 어디를 만질지 정하는 네 단계

이 산 비유를 단계별로 한 번 더 나눠 보면 이렇습니다.
계정은 여러 산맥 중 어느 산맥으로 갈지,
캠페인은 그 산맥에서 어느 산으로 갈지,
광고 세트는 그 산의 어느 봉우리로 어떤 길로 갈지.
큰 방향에서 작은 길로 좁혀 가는 그림입니다.

이 그림이 쓸모 있는 이유는
화면의 네 단계가 곧 운영자가 손댈 수 있는 레버이기 때문입니다.
내부 모델이 이 경계대로만 학습한다는 근거는 없지만,
어느 단계에서 무엇을 바꿨는지는 정확히 기록할 수 있습니다.

계정: 운영이 가능한 상태인가

권한, 결제 상태, 픽셀과 자산 연결, 집행 제한을 봅니다.
다른 상품을 광고하던 계정이라면
초기에 엉뚱한 사람들에게 먼저 노출될 수 있다는 점도 염두에 둡니다.
그렇다고 계정이 특정 업종에 영원히 묶인다고 볼 근거는 없습니다.

캠페인: 무엇을 얻으려는가

목표와 캠페인 예산 사용 여부처럼
전체 방향을 정하는 자리입니다.
판매가 목표인데 트래픽 캠페인으로 돌리고 있다면
방문은 잘 만들어도 구매와는 거리가 생길 수 있습니다.

광고 세트: 누구에게, 무엇을 기준으로

최적화 이벤트, 전환 위치, 대상, 일정과 게재 위치를 정합니다.
머신러닝이 ‘무엇을 성공으로 배울지’가 정해지는 곳이라
여기 설정이 바뀌면 영향이 큰 편입니다.

광고: 무엇을 보여 주는가

이미지·영상·문구, 연결 페이지, 추적 설정을 봅니다.
같은 세트 안에서도 반응이 좋은 소재에 노출이 몰리기 때문에
적게 쓰인 소재를 곧바로 실패작으로 볼 필요는 없습니다.

무엇이 학습을 다시 시작하게 할까요?

“이거 바꾸면 학습 리셋돼요?”
아마 가장 많이 받는 질문일 겁니다.
여기서는 메타가 직접 공개한 기준을 보는 게 제일 정확합니다.

메타 도움말은 이렇게 설명합니다.
모든 수정이 게재에 어느 정도 영향을 주지만,
학습 단계로 다시 들어가게 하는 건 ‘중요한 수정’뿐이라고요.

항상 중요한 수정으로 보는 것

• 타겟팅 변경
• 광고 소재 변경
• 최적화 이벤트 변경
• 광고 세트에 새 광고 추가
• 광고 세트를 7일 이상 일시중지했다가 다시 켜기
• 입찰 전략 변경

크기에 따라 달라지는 것

예산 금액, 비용 목표나 ROAS 목표 같은 입찰 금액,
광고 세트 지출 한도는
얼마나 크게 바꿨느냐에 따라 중요한 수정일 수도, 아닐 수도 있습니다.
도움말의 예시도 같은 이야기입니다.
예산을 아주 조금 올리는 것과 열 배로 올리는 것은 다르다는 거죠.

“20%까지는 안전하다”는 메타가 정한 기준이 아닙니다.
현장에서 조심하자는 뜻으로 쓰이는 어림값일 뿐이고,
모든 계정에 같은 선이 있다는 공식 근거는 없습니다.
그래서 저희는 비율보다
광고 관리자의 ‘마지막 중요 수정’ 날짜와
그 뒤의 성과 흐름을 함께 봅니다.

캠페인 예산(CBO)을 쓸 때도 알아 둘 점이 있습니다.
캠페인 예산이나 입찰 전략을 바꾸면
여러 세트가 함께 학습 단계로 들어갈 수 있습니다.
반면 예산이 세트 사이로 옮겨 다니는 것,
세트 하나를 수정하는 것은
다른 세트의 학습을 다시 시작시키지 않는다고 안내합니다.

학습 단계를 벗어나는 기준으로는
마지막 중요 수정 이후 일주일 안에
최적화 이벤트 약 50건이 자주 언급됩니다.
이건 게재 상태 표시의 기준이지,
성과가 계속 좋을 거라는 보증은 아닙니다.
학습이 끝난 뒤에도 경쟁과 시즌, 소재 피로는 계속 바뀝니다.

숫자로 한 번 보겠습니다: 구매가 반으로 줄었을 때

이 숫자만 보고 “학습이 꼬였다”고 하면
캠페인을 새로 만드는 쪽으로 손이 갑니다.
그 전에 순서대로 확인해 보겠습니다.

그 전에, 같은 자로 잰 숫자인가요?

두 기간의 기여 설정이 같은지부터 봅니다.
최근 기간은 아직 구매가 덜 들어왔을 수도 있습니다.
어제 클릭한 사람이 내일 사면
그 구매는 며칠 뒤에야 보고서에 붙기 때문입니다.
막 끝난 기간과 다 집계된 기간을 비교하면
최근 기간이 늘 불리해 보입니다.

먼저, 실제 주문도 줄었나요?

쇼핑몰 주문이 여전히 20건 안팎인데
광고 관리자 구매만 10건이라면
광고보다 측정 경로를 먼저 의심해야 합니다.
이벤트가 빠졌거나, 결제 페이지가 바뀌었을 수 있습니다.
물론 쇼핑몰 전체 주문과 광고에 연결된 구매는 원래 다른 숫자라
똑같이 맞출 필요는 없고, 흐름이 같이 움직이는지를 봅니다.

둘째, 어느 구간에서 줄었나요?

실제 주문도 줄었고 방문은 비슷하다면
방문 이후를 봅니다.
방문 1,000회에서 구매 20건이던 게 10건이 됐다면
전환율이 2%에서 1%로 반토막 난 겁니다.
이건 광고보다 가격, 배송 조건, 품절, 결제 오류를
먼저 볼 신호입니다.

셋째, 그 사이에 무엇을 바꿨나요?

측정도 정상이고 판매 페이지도 그대로인데
CPM이 오르고 클릭률이 떨어졌다면
그때 비로소 소재와 노출 쪽을 의심합니다.
CPM이 올랐다는 것만으로 대상이 틀렸다고 단정할 수는 없지만,
클릭률 하락은 소재 반응을 다시 볼 단서가 됩니다.
수정 이력에 소재 교체나 이벤트 변경이 있었다면
그 날짜부터 흐름이 꺾였는지 맞춰 봅니다.

하나의 CPA 숫자에서
알고리즘의 결론까지 한 번에 뛰어가지 마세요.
결제 오류가 원인인데 캠페인을 새로 만들면
문제는 그대로 두고 비교 기준만 하나 더 늘어납니다.

새로 학습시킬지, 기다릴지 정하는 기준

그래서 저희는 문제의 크기에 따라 손을 다르게 씁니다.
조금 어긋난 것 같으면 예산이나 대상을 조정해 흐름을 잡고,
많이 어긋났다면 캠페인을 복제하거나 새로 시작해
다른 출발점에서 다시 산을 타게 하는 방식입니다.

여기서 ‘많이 어긋났다’의 기준은
절대 숫자가 아니라 우리 계정의 평소 성과 대비입니다.
평소 대비 얼마나 떨어지면 움직일지는
각 회사의 마진과 감당할 수 있는 손실로 미리 정해 둡니다.

새로 시작하는 것도 공짜는 아닙니다.
복제하면 이전 흐름을 어느 정도 참고하는 대신
완전히 다른 방향을 찾기는 어려울 수 있고,
완전히 새로 만들면 초반 성과가 흔들릴 수 있습니다.
어느 쪽이든 학습 단계를 다시 거치는 비용을 치릅니다.

바로 고칠 문제는 고치고, 기다릴 문제는 기다리고,
그래도 안 되면 그때 출발점을 바꿉니다.

그래서 순서를 지킵니다.
측정과 결제처럼 바로 고칠 문제를 먼저 고치고,
그다음 정해 둔 관찰 기간을 기다리고,
그래도 기준 아래라면 그때 출발점을 바꿉니다.
변경할 때는 이유와 날짜, 다시 볼 날짜를 한 줄로 남깁니다.

자주 받는 질문

Q. 성과가 안 나오면 새 계정을 만드는 게 답인가요?

출발점을 바꾸는 방법 중 하나일 수는 있습니다.
하지만 측정 오류, 판매 페이지 문제, 소재 피로가 원인이라면
새 계정에서도 똑같이 반복됩니다.
계정 교체는 원인을 확인한 뒤 고르는 마지막 카드에 가깝습니다.

Q. 50건을 넘기면 이제 성과가 안정되나요?

학습 단계 표시가 사라질 수는 있지만
성과가 고정되는 건 아닙니다.
반대로 ‘학습 제한’ 상태여도 손익 기준을 넘길 수 있습니다.
상태 표시와 실제 이익은 따로 보세요.

Q. 소재 하나 추가하는 것도 조심해야 하나요?

메타 안내에서는 세트에 새 광고를 추가하는 것도
중요한 수정에 들어갑니다.
그래서 소재는 생각날 때마다 하나씩 넣기보다
정해진 날에 묶어서 넣는 편이 흐름을 덜 흔듭니다.

머신러닝은 지난 반응으로 다음을 예측합니다.
그러니 운영자가 할 일은 정확한 반응을 주고, 필요한 곳만 건드리는 것입니다.

대표님들, 오늘은 광고 관리자에서
‘마지막 중요 수정’ 날짜부터 확인해 보세요.
그 날짜와 성과가 꺾인 날짜를 나란히 적고,
그 사이 쇼핑몰 주문도 같이 줄었는지 보시면 됩니다.
이 세 줄만 있어도 “학습이 꼬였다”는 말이
확인할 수 있는 질문으로 바뀝니다.

참고: Meta 비즈니스 도움말, 중요한 수정과 학습 단계