럭셔리 브랜드 캠페인에서 확인한 DMP 데이터의 역할

광고 매체의 자동 최적화 기능은 시간이 지날수록 더 정교해지고 있습니다.

캠페인 목표와 예산만 설정해도 플랫폼이 전환 가능성이 높은 유저를 찾고, 노출과 예산을 자동으로 조정합니다.

또 타겟을 세밀하게 제한하기보다, 매체가 더 넓은 범위에서 신규 유저를 탐색하도록 맡기는 방식이 일반적으로 자리 잡았습니다.

이런 변화 속에서 DMP의 역할은 타겟을 어떤 데이터를 학습 시키느냐로 바뀌었습니다,  이후 머신러닝이 탐색하는 방향도 달라지기 때문입니다.

이번 뉴스레터에서는 럭셔리 브랜드의 추석 캠페인을 통해 TG360 DMP 세그먼트를 활용한 결과를 살펴보겠습니다.

👀 기존 유입된 고객을 넘어, ‘명품’을 소비할 새로운 고객이 필요했습니다

L사는 이미 웹사이트 방문자, 장바구니·구매 전환 유저, 유사 타겟을 활용한 리타게팅 캠페인을 꾸준히 운영하고 있었습니다.

하지만 매번 노출되던 유저들에게서 벗어나 이번 추석 캠페인에서 아직 확보하지 못한 잠재 고객들을 유치하고 싶다는 니즈가 있었죠.

기존 고객이나 브랜드와 접점이 있는 유저를 다시 전환시키는 데에는 효과적이었습니다. 문제는 같은 고객군을 반복적으로 공략하는 것만으로 신규 고객을 넓히기 어렵다는 점이었습니다.

특히 추석 캠페인에서는 브랜드와 접점이 없는 잠재고객을 발굴하고, 이후 리타게팅으로 이어갈 신규 유입 구조가 필요했기에 TG360에 데이터 설계를 의뢰했고, TG360은 럭셔리 소비 행동과 추석 선물 탐색 맥락을 고려해 두 가지 세그먼트를 구성했습니다.

📌 DMP 데이터를 통해 머신러닝 최적화 구조를 설계했습니다

캠페인 세팅 시 TG360 DMP 세그먼트에 Meta Advantage+ 타겟을 적용했습니다.

DMP 세그먼트를 학습의 출발점으로 제공하고, 플랫폼이 전환 가능성이 높은 유저를 추가로 탐색하는 구조입니다.

머신러닝이 진행 되며 9월 18일 이후에는 DMP 세그먼트와 리타게팅 캠페인 모두 ROAS가 개선됐습니다.

시각화 1 | TG360 DMP 세그먼트 및 Meta 캠페인 ROAS 추이

여기서 DMP 세그먼트와 리타게팅의 ROAS를 단순히 비교할 필요는 없습니다. 두 캠페인이 맡은 역할이 다르기 때문입니다.

DMP 세그먼트는 기존 데이터 밖에서 신규 유저를 발굴하고, 리타게팅은 브랜드와 접점을 만든 유저가 다시 구매로 이어지도록 돕습니다.

이번 캠페인에서는 행동 데이터를 바탕으로 신규 유저 후보를 제시했고, 플랫폼은 이 신호를 학습해 탐색 범위를 넓혔습니다.

이후 유입된 유저가 리타게팅 모수에 편입되면서, 두 캠페인의 효율이 함께 개선되는 흐름으로 이어졌습니다.

📈 연휴 기간에도 효율은 안정적으로 유지됐습니다

추석 캠페인은 물류 마감과 연휴가 시작된 이후 구매 여건이 달라지기 때문에 성과가 빠르게 떨어질 수 있습니다.

하지만 SMART 세그먼트는 10월 1일 ROAS 47.2배를 기록한 뒤, 연휴 기간인 10월 2일~10월 6일까지도 45~46배 수준을 유지했습니다.

성과가 한 번 오른 뒤 바로 꺾이지 않고 연휴 기간에도 안정적으로 효율을 유지하며, DMP로 구성한 시드 데이터가 플랫폼 학습의 출발점으로 작동한 사례로 볼 수 있습니다.

🔄 DMP로 유입된 신규 유저는 리타게팅 자산으로 이어졌습니다

전년도 추석 시즌의 리타게팅 캠페인을 전년 동기와 비교해도

신규 유입 이후 리타게팅 단계의 효율도 함께 개선된 흐름이 확인됩니다.

ROAS는 약 62% 상승했고, CPC는 약 4% 감소했습니다.

시각화 2 | DMP 신규 유입 이후 리타게팅 캠페인의 전년 대비 효율 변화

이 결과를 토대로 정리하자면 DMP는 기존 브랜드가 소유한 데이터 밖에서 신규 유저를 확장하고,

리타게팅은 이미 브랜드와 접점을 만든 유저를 다시 전환시키는 방식이므로 선순환 구조를 보여줍니다.

2024년과 2025년 캠페인 구조와 리타게팅 설정에 큰 변화가 없었기 때문에 DMP를 통해 유입된 신규 유저가 사이트 방문과 상품 탐색 행동을 남기고 리타게팅 모수에 편입되면서 이후 효율을 보완했다고 해석할 수 있습니다.

이러한 관점에서 DMP를 통한 신규 유입은 한 번의 노출로 끝나지 않고 이후 캠페인에 활용할 고품질의 1st-party Data와 리타게팅 자산으로 쌓일 수 있습니다.

🧭 타겟 설계 시 먼저 본 것은 고객의 행동 맥락이었습니다

이번 타겟 설계에서 중점 사항은 타겟 조건의 개수보다 캠페인에서 실제로 일어날 수 있는 행동 상황을 먼저 정의하는 것이었습니다.

· 패션과 럭셔리 상품을 지속적으로 탐색하는 사람

· 소셜 채널에서 상품과 트렌드를 발견하는 사람

· 뷰티·리빙·패션 상품을 함께 비교하는 사람

· 명절을 앞두고 선물 상품을 탐색하는 사람

하나의 관심사만으로 잠재고객을 판단하지 않고, 앱, 사이트, 검색, 온라인 상품, 오프라인 방문 등 서로 다른 행동 신호를 다양하게 조합해 각 세그먼트의 맥락을 만들었습니다.

이렇게 구성한 세그먼트는 노출 대상을 촘촘하게 제한하기 위한 타겟이 아닙니다. 충분한 유저 풀을 확보하면서도, 플랫폼이 어떤 방향으로 신규 유저를 탐색해야 하는지 알려주는 출발점으로 활용했습니다.

🎯 플랫폼의 자동화가 강해질수록, 데이터는 더욱 중요해집니다

자동 최적화가 고도화될수록 플랫폼은 타겟팅을 제약이라고 표현하며 자동 최적화에 의존시킵니다.

우리는 점점 유입되는 고객들을 알 수 없고 분석에는 수 많은 제약이 생깁니다.

TG360은 이런 고객들의 고민을 위해 앱, 사이트, 검색, 온라인 상품, 관심사, 오프라인 방문 등

다양한 데이터를 통해 잠재고객을 ‘설계’하여 캠페인 목적에 맞게 제공합니다.

리타게팅 의존도가 높아 신규 고객 확장이 어렵거나 자동 최적화 캠페인의 성과가 불안정하다면, 플랫폼 설정만 바꿔보기보다 어떤 유저 신호를 학습시키고 있는지부터 살펴볼 필요가 있습니다.

💡 오늘의 한 줄

머신러닝의 성과는 알고리즘만으로 결정되지 않습니다.
어떤 고객 신호를 학습시키느냐가 탐색의 방향을 만듭니다.

TG360은 행동 데이터를 기반으로 캠페인에 필요한 오디언스를 설계하고, 광고 플랫폼의 머신러닝과 연결합니다.

신규 고객 확장이나 DMP 활용이 궁금하시다면 아래 메일로 편하게 문의해주세요.

sales@tg360tech.com