Executive Summary
Meta의 GEM(Generative Ads Model)과 Andromeda 검색 엔진은 광고 알고리즘의 패러다임을 근본적으로 바꿨습니다. 기존 LMF(Language-Market Fit) 프레임워크의 "세그먼트별 최적화" 접근은 10,000배 증가한 모델 용량과 실시간 시퀀스 학습 앞에서 오히려 성과를 제한하는 요인이 되었습니다.
핵심 전환:
- 인간의 세그먼트 정의 → 알고리즘의 실시간 패턴 매칭
- Always-on/Test 분리 → 단일 ad set 내 지속적 진화
- CTR 선행지표 → ROAS/CPA 직접 최적화
1. 핵심 패러다임 전환: LMF가 작동하지 않는 이유
1.1 통제의 역설 (The Control Paradox)
기존 LMF 가정
- 인간이 퍼소나를 정의하고 → 소구점을 매핑하고 → 크리에이티브를 클러스터링하면 효율이 높아진다
- 테스트 세트에서 winner를 찾아 always-on으로 이동시키는 것이 최적화다
왜 깨졌나
Andromeda 기술 스펙:
- 10,000배 증가한 모델 용량
- GPU 기반 feature extraction (100배 latency/throughput 개선)
- Hierarchical indexing (기존 two-tower 대체)
- Segment-aware model elasticity (10배 효율 향상)
GEM 기술 스펙:
- LLM 스케일 학습 (수천 개 GPU)
- 수천 개 유저 이벤트 시퀀스 동시 처리
- Cross-domain learning (Instagram → Facebook 전이)
- 4배 compute/data 효율 향상
당신이 "비슷한 타겟 = 비슷한 소재"로 묶은 순간, 알고리즘은 학습할 수 있는 signal diversity가 줄어듭니다.
💡 Contrarian Insight #1
메타는 이제 "당신이 정의한 세그먼트"가 아니라
"실시간 유저 행동 패턴"으로 광고를 매칭합니다.
당신의 클러스터링은 알고리즘에게 방해입니다.
1.2 Always-On vs Test Split의 함정
기존 Best Practice (LMF 기준)
- 2단계: "발산 실험" 세트에서 다양한 크리에이티브 테스트
- 3단계: "수렴 고도화"로 성과 확인된 언어를 always-on에 적용
왜 이제 반패턴인가
Andromeda는 hierarchical indexing + joint training으로 index와 model을 동시 학습합니다.
"테스트/본세트" 분리의 3가지 문제:
- 학습 신호 약화: 테스트 세트는 예산이 적어 통계적 유의성 확보 어려움
- Cold Start 반복: Winner를 옮기는 순간 새로운 맥락에서 learning phase 재시작
- Diversity 부족: Always-on 세트는 GEM의 cross-feature learning이 제한됨
실제 성과 데이터:
- Andromeda: +6% retrieval recall, +8% ads quality (selected segments)
- GEM: Instagram +5% conversion, Facebook Feed +3% conversion
- Advantage+ 채택 광고주: +22% ROAS
💡 Contrarian Insight #2
"Winner를 옮기는 것"은 알고리즘의 학습 히스토리를 버리는 것입니다.
Andromeda 시대에는 "한 ad set 안에서 지속적으로 진화"가 답입니다.
2. 크리에이티브 개수 논쟁: 잘못된 질문
2.1 일반적인 논의 (Reddit/Meta Growth Hackers)
- "Ad set당 3-5개가 최적이다"
- "너무 많으면 학습이 분산된다"
- "50개까지 넣으라는 사람도 있다"
2.2 Contrarian 분석: 개수가 아니라 "각도(angle) 다양성"
GEM의 InterFormer 구조
GEM의 InterFormer 디자인은 cross-feature learning을 위해 설계되었습니다:
- 완전한 sequence 정보 보존
- Feature 타입 간 interaction 학습
- Vector 압축 시 발생하는 signal loss 방지
학습 신호 관점:
- 같은 각도의 크리에이티브 20개 = 학습 신호 1개
- 서로 다른 각도(페인포인트, 톤, 포맷) 5개 = 학습 신호 5개
Andromeda의 Segment-Aware Elasticity
Andromeda는 자동으로 복잡도를 조정합니다:
- 가치 높은 세그먼트 → 높은 모델 복잡도 할당
- 다양한 각도 제공 → 알고리즘이 micro-segment별 최적 매칭 학습
💡 Contrarian Answer: 크리에이티브 개수
Best 개수는 없습니다.
대신: "몇 개의 서로 다른 고객 페인포인트를 공략하는가?"를 세세요.
권장: 3-5개 핵심 페인포인트 × 2-3개 포맷/톤 = 6-15개
최대: 알고리즘이 학습할 만큼 충분한 예산이 있다면 20-30개도 가능
핵심 원칙: Quantity < Quality < Diversity
3. 실전 전략: 어떻게 테스트해야 하나?
3.1 신규 크리에이티브 추가 방식
❌ 절대 하지 말아야 할 것
- 새 테스트 ad set 생성 → winner만 기존 ad set으로 이동
- 기존 ad set의 모든 크리에이티브를 끄고 새 크리에이티브로 교체
- 매주 ad set을 새로 만들어 "fresh start"
✅ Contrarian 접근
기존 잘 돌아가는 ad set에 새 크리에이티브를 직접 추가
이유:
- Andromeda는 이미 해당 ad set의 delivery 패턴을 학습했습니다
- 새 크리에이티브는 기존 학습된 context 안에서 평가받습니다
- 알고리즘이 자동으로 성과 좋은 크리에이티브에 더 많은 impression 배분합니다
- Hierarchical indexing이 점진적으로 재조정됩니다 (급격한 변화 방지)
📋 실행 프로토콜
1. 기존 ad set 유지 (기존 크리에이티브 끄지 마세요)
2. 새 각도의 크리에이티브 2-3개를 추가
3. 7-14일 학습 기간 (Andromeda hierarchical indexing 재조정 필요)
4. 성과 낮은 것만 선별적으로 off (각 페인포인트당 최소 1개 유지)
5. 반복
주의: 한 번에 너무 많이(50% 이상) 추가하지 마세요
3.2 테스트 체계 재설계
기존 LMF 구조
[Test Campaign]
└─ Test Ad Set 1: 소구점A 테스트
└─ Test Ad Set 2: 소구점B 테스트
└─ Test Ad Set 3: 소구점C 테스트
[Always-On Campaign]
└─ Winning Ad Set: 검증된 크리에이티브만
문제점:
- Campaign/Ad Set 과다 분리 → GEM의 cross-domain learning 제한
- Winner 이동 시 cold start 반복
- 예산 분산으로 학습 신호 약화
Andromeda 최적화 구조
[Advantage+ Campaign] 또는 [CBO Campaign]
└─ Ad Set 1: 다양한 각도 크리에이티브 15-20개
├─ 페인포인트 A: 포맷 3개 (Static, Video, Carousel)
├─ 페인포인트 B: 포맷 3개
├─ 페인포인트 C: 포맷 3개
├─ 페인포인트 D: 포맷 2개 (신규 테스트)
└─ (지속적으로 추가/제거, 세트는 유지)
핵심 차이:
| 구분 | 기존 LMF | Andromeda 시대 |
|---|---|---|
| 구조 | Campaign/Ad Set 세분화 | 단순화 (1-2 campaign) |
| Diversity | Ad Set 간 분리 | Ad Set 내부에서 극대화 |
| 최적화 | "Graduation" (승격) | "Continuous Evolution" |
| 학습 | 반복적 cold start | 지속적 히스토리 축적 |
| 예산 | 분산 | 집중 (알고리즘이 배분) |
4. 측정 프레임워크 변경
4.1 LMF 지표의 한계
LMF 원칙 (line 43):
"CTR은 소구점 반응을 가장 먼저 확인할 수 있는 지표이며 CTR 개선이 CPC·CAC·CVR·CPA 개선으로 이어진다."
4.2 Contrarian 관점: CTR 최적화의 위험
왜 CTR이 더 이상 leading indicator가 아닌가?
-
Andromeda는 retrieval stage에서 작동
- +6% recall improvement = 더 많은 후보 발굴
- 하지만 최종 conversion은 GEM의 ranking이 결정
-
GEM은 전체 conversion 여정을 학습
- 수천 개 유저 이벤트 시퀀스 모델링
- 클릭 유도하지만 전환 안 되는 creative → 학습 후 노출 감소
- Instagram +5%, Facebook Feed +3% conversion 개선 = end-to-end 최적화
-
Generative AI 크리에이티브 영향
- 월 1,500만 개 AI 생성 광고 (100만 광고주)
- Image generation tools: +7% conversion
- CTR과 conversion의 상관관계 약화
📊 새로운 지표 우선순위
1. ROAS / CPA (ultimate outcome)
→ 알고리즘이 직접 최적화하는 목표
2. Hook Rate (3-second video views / impressions)
→ 진짜 관심 신호 (클릭보다 정직)
3. Landing Page Engagement
→ Scroll depth, time on site
→ GEM이 이 신호를 sequence learning에 포함
4. CTR (참고용)
→ 더 이상 leading indicator 아님
→ 극단적으로 낮으면 문제, 높다고 항상 좋은 건 아님
4.3 A/B 테스트 설계 변경
기존 LMF A/B 테스트:
- 소구점 A vs 소구점 B를 별도 ad set으로 분리
- CTR 높은 쪽을 winner로 선언
Andromeda 시대 A/B 테스트:
- 두 소구점을 같은 ad set에 투입
- 알고리즘이 어떤 유저에게 어떤 소구점을 보여줄지 자동 결정
- 7-14일 후 ad set level ROAS 비교 (creative level CTR 아님)
5. 테스트 로드맵: 무엇을 실험할 것인가
5.1 Phase 1: 구조 테스트 (Week 1-4)
Test 1: Single Ad Set Diversity Test
가설: 다양한 각도를 한 ad set에 모으면 알고리즘이 더 나은 매칭을 찾는다
| Group | 설정 | 크리에이티브 구성 |
|---|---|---|
| Control | 기존 방식 | 유사 타겟/소재 묶음 (ad set 3개 × 5개 creative) |
| Test | 통합 방식 | 다양한 각도 한 ad set (15개 creative) |
측정 지표:
- Primary: Ad set level ROAS (14일)
- Secondary:
- 크리에이티브별 impression 분포 (Gini coefficient)
- Learning phase 기간
- Cost per result 안정성
예상 결과:
- Test group의 ROAS 15-25% 개선
- Impression 분포가 더 고르게 (알고리즘이 다양한 옵션 활용)
Test 2: Always-On vs Continuous Evolution
가설: Winner를 옮기는 것보다 한 ad set에서 진화시키는 것이 낫다
| Group | 프로세스 |
|---|---|
| Control | Test ad set → Winner 확인 (7일) → Always-on으로 이동 |
| Test | 한 ad set에서 지속 추가/제거 (하위 20% off, 신규 추가) |
측정 지표:
- Primary: 4주 누적 ROAS
- Secondary:
- Learning phase 재진입 빈도
- Creative lifecycle (debut → peak → decline)
- CPA 변동성 (표준편차)
예상 결과:
- Test group의 ROAS 10-20% 개선
- CPA 변동성 40% 감소 (안정성 향상)
5.2 Phase 2: 크리에이티브 전략 테스트 (Week 5-8)
Test 3: Angle Diversity Index
가설: 크리에이티브 개수보다 각도 다양성이 중요하다
| Group | 구성 | 페인포인트 수 |
|---|---|---|
| High Quantity | 같은 페인포인트 변형 15개 | 1개 |
| High Diversity | 서로 다른 페인포인트 5개 | 5개 |
측정 지표:
- Primary: ROAS
- Secondary:
- 알고리즘이 discover하는 micro-segment 수 (audience breakdown 분석)
- Creative fatigue 속도 (frequency vs performance)
데이터 수집:
- Meta Ads Manager → Breakdown by Creative
- Audience overlap analysis
- Frequency distribution
Test 4: Format Mixing
가설: GEM의 multimodal 확장을 고려해 포맷 다양성이 미래 대비
| Group | 포맷 구성 |
|---|---|
| Static Only | 이미지 15개 |
| Video Only | 비디오 15개 |
| Mixed | 이미지 5 + 비디오 5 + Carousel 5 |
측정 지표:
- 4주 ROAS
- Format별 impression 분포
- Cross-format synergy (mixed group의 초과 성과)
주의사항:
- 예산 동일하게 통제
- CBO 사용 (format 간 예산 차이 최소화)
5.3 Phase 3: Advantage+ 극한 테스트 (Week 9-12)
Test 5: Constraint Removal
가설: Andromeda hierarchical indexing이 인간의 targeting보다 낫다
| Group | Targeting |
|---|---|
| Control | Detailed targeting (interests, behaviors) |
| Test 1 | Audience signals only (lookalike, custom audience) |
| Test 2 | 완전 제거 (Advantage+ Audience) |
측정 지표:
- ROAS (primary)
- Audience composition (Meta의 automated report)
- CPM (제약 제거 시 inventory 확장 효과)
리스크 관리:
- 예산의 20%만 Test 2에 할당
- 3일마다 모니터링
- CPA가 control 대비 50% 이상 상승 시 중단
Test 6: Creative Volume Stress Test
가설: Andromeda 백서가 말한 "exponential growth in ad creatives" 지원 검증
| Group | Creative 수 | 예산 (일) |
|---|---|---|
| Baseline | 5개 | $100 |
| Medium | 15개 | $300 |
| High | 30개 | $500 |
| Extreme | 50개 | $1,000 |
측정 지표:
- Creative당 평균 impression
- ROAS plateau 지점 (몇 개부터 한계 효용 체감?)
- Algorithm utilization rate (active creative % with >100 impressions)
성공 기준:
- 30개까지는 ROAS 유지 또는 개선
- 50개에서 utilization rate >60%
6. 실무 Walk-through: 12주 플레이북
Week 1-2: 베이스라인 & 구조 전환
Day 1-3: 현재 성과 스냅샷
# 데이터 수집 체크리스트
□ 모든 ad set의 지난 30일 성과 (CTR, CPC, CPA, ROAS)
□ 크리에이티브별 지표 export (Breakdown by creative)
□ Audience overlap analysis
□ Learning phase 상태 확인
분석 포인트:
- Best performing ad set 선정 (ROAS 기준)
- 현재 creative 개수 분포
- Campaign/Ad Set 구조 복잡도 측정
Day 4-7: 새 구조 셋업
액션 플랜:
-
기존 Best Ad Set 선택 (끄지 않음!)
- 지난 30일 ROAS Top 1-2 ad set
- Learning phase 완료 상태
- 일예산 최소 $50 이상
-
다른 Ad Set의 크리에이티브 이주
- 다양한 페인포인트 크리에이티브 2-3개씩 추가
- 기존 크리에이티브는 유지
- Target: 총 15개 이상
-
Creative Tagging 체계 구축
예시: - PP1_Video_Hook (페인포인트 1, 비디오, 후크 스타일) - PP2_Static_Social (페인포인트 2, 이미지, 소셜 프루프) - PP3_Carousel_Feature (페인포인트 3, 캐러셀, 기능 설명)
Day 8-14: Learning Phase
DO:
- 매일 모니터링 (cost, impression 분포)
- 노트 작성 (어떤 creative가 빠르게 impression 받는지)
DON'T:
- 크리에이티브 on/off 변경
- 예산 50% 이상 조정
- Targeting 변경
이유: Andromeda의 hierarchical index가 재구성 중입니다 (논문: joint training of indexes and models)
Week 3-4: 첫 최적화 사이클
Day 15: 성과 분석
데이터 다운로드:
Meta Ads Manager → Export
- Date range: Last 14 days
- Breakdown: By creative
- Metrics: Impressions, CTR, CPC, CPA, ROAS, Frequency
분석 매트릭스:
| Creative | Impressions | ROAS | Frequency | 판단 |
|---|---|---|---|---|
| PP1_Video_Hook | 10,000 | 3.5 | 1.8 | ✅ Keep |
| PP2_Static_Social | 8,000 | 2.8 | 1.5 | ✅ Keep |
| PP3_Carousel_Feature | 500 | 0.5 | 1.2 | ❌ Off (단, PP3가 이것뿐이면 Keep) |
Decision Rule:
- Bottom 20% off
- 단, 각 페인포인트당 최소 1개는 유지 (알고리즘이 다양성 필요)
- Frequency >3.0이면 creative fatigue 의심 → 교체 고려
Day 16-21: 새 라운드 제작
Top Performer 패턴 분석:
질문:
- 어떤 페인포인트가 작동하는가?
- 어떤 포맷이 impression을 많이 받는가?
- 어떤 후크/오프닝이 효과적인가?
신규 크리에이티브 방향:
- ✅ 작동하는 각도의 변형 2-3개 (다른 포맷으로)
- ✅ 미테스트 각도 1-2개 (완전히 새로운 페인포인트)
- ❌ 실패한 각도의 변형 (학습 완료, 더 이상 시도 X)
Day 22-28: 추가 & 모니터링
- 신규 크리에이티브 추가
- 다시 7일 학습 기간
- 목표: 항상 10-15개 active creative 유지
Week 5-8: Continuous Evolution 체계화
주간 루틴:
매주 월요일:
□ 지난 7일 creative 성과 리뷰
□ Bottom 10-20% 선별
□ Off 결정 (단, 페인포인트당 최소 1개 유지)
매주 수요일:
□ 신규 크리에이티브 2-5개 제작
□ 추가 업로드
□ Tagging 업데이트
매주 금요일:
□ Ad set level 성과 체크
□ ROAS trend 분석
□ Learning phase 재진입 여부 확인
KPI 대시보드:
| 지표 | Target | 현재 | Trend |
|---|---|---|---|
| Active Creatives | 10-15개 | 12개 | ➡️ |
| Ad Set ROAS | >2.5 | 2.8 | ⬆️ |
| Learning Phase | Completed | Yes | ✅ |
| Avg Frequency | <2.5 | 2.1 | ➡️ |
Week 9-12: 고급 최적화
Campaign 구조 단순화
Before:
[Test Campaign 1] - $200/day
├─ Ad Set A: PP1 테스트
├─ Ad Set B: PP2 테스트
[Test Campaign 2] - $150/day
├─ Ad Set C: PP3 테스트
[Always-On Campaign] - $500/day
├─ Ad Set Winners
After:
[Main Campaign - CBO] - $850/day
├─ Ad Set 1: 다양한 각도 20개
(알고리즘이 예산 자동 배분)
이점:
- GEM의 cross-domain learning 극대화
- 예산 효율 (CBO가 실시간 최적 배분)
- 관리 공수 70% 감소
Advantage+ 전환 (선택사항)
조건:
- ROAS가 안정적 (표준편차 <20%)
- Pixel data 충분 (주 50+ conversions)
- 브랜드 가이드라인 명확
전환 프로세스:
- 기존 campaign 유지 (백업)
- Advantage+ campaign 신규 생성
- 예산의 30%만 할당
- 2주 A/B 테스트
- ROAS 개선 확인 시 예산 증액
7. 마지막 Contrarian 제언
7.1 LMF를 버리지 말고, 재배치하세요
LMF의 가치 (여전히 유효):
- ✅ 고객 리서치 방법론 (인터뷰, 커뮤니티 분석)
- ✅ 페인포인트 발굴 (Use Case Map, Value Promise)
- ✅ 소구점 가설 수립 (언어 샘플 수집)
역할 재정의:
| 단계 | Before Andromeda | After Andromeda |
|---|---|---|
| LMF 리서치 | → 세그먼트별 캠페인 설계 | → 다양한 각도 크리에이티브 생성 |
| 소구점 매핑 | → 소구점별 ad set 분리 | → 한 ad set에 모두 투입 |
| 최적화 | → 인간이 winner 선택 & 이동 | → 알고리즘이 최적 매칭 |
| 측정 | → CTR 선행지표 | → ROAS 직접 최적화 |
🧠 메타인지적 전환
당신의 역할:
❌ "누구에게 무엇을 보여줄지 결정"
✅ "알고리즘이 선택할 수 있는 다양한 옵션 제공"
메타의 역할:
- Andromeda가 retrieval (수천만 → 수천 개)
- GEM이 ranking (실시간 conversion 예측)
- 수십억 유저에게 최적 크리에이티브 매칭
7.2 통제를 포기할 때 성과가 나온다
역설적 진실:
| 당신의 통제 | 알고리즘 성과 |
|---|---|
| 세밀한 세그먼트 분리 | ⬇️ (signal 분산) |
| Always-on/Test 분리 | ⬇️ (cold start 반복) |
| CTR 기반 winner 선택 | ⬇️ (conversion과 괴리) |
| → | → |
| 다양한 옵션 제공 | ⬆️ (학습 데이터 풍부) |
| 단일 ad set 진화 | ⬆️ (히스토리 축적) |
| ROAS 직접 최적화 | ⬆️ (목표 정렬) |
Andromeda 백서 인용:
"10,000x increased model capacity"
"Support exponential growth in ad creatives"
의미:
10,000배 모델 용량은 10,000배 더 많은 크리에이티브를 처리하려는 것이 아닙니다.
10,000배 더 정교한 매칭을 하기 위함입니다.
당신이 통제를 포기하고 다양성을 제공할 때, 알고리즘은 비로소 그 능력을 발휘합니다.
8. 테스트 우선순위 요약 (Quick Start)
즉시 실행 (이번 주)
✅ 기존 best ad set 선택 (끄지 않음)
✅ 다른 각도 크리에이티브 3-5개 추가
✅ Creative tagging 체계 구축
✅ 7일 동안 변경 금지 (learning phase)
2주 후
✅ Always-on과 test 분리 중단
✅ 성과 낮은 creative 하위 20% off
✅ 신규 creative 2-3개 추가 (주간 루틴)
✅ Ad set은 유지 (절대 새로 만들지 않음)
1개월 후
✅ Advantage+ 또는 CBO로 전환 (아직이라면)
✅ Campaign 구조 단순화 (3개 이상 → 1-2개)
✅ ROAS 기반 의사결정 (CTR은 참고만)
✅ Creative rotation 체계화 (주간 add/remove)
지속적으로
✅ 매주 creative refresh (하위 제거 + 신규 추가)
✅ 페인포인트 다양성 유지 (최소 3-5개)
✅ 포맷 mixing (static, video, carousel)
✅ Ad set level 성과 모니터링 (creative level 말고)
9. 예상 FAQ
Q1: 기존에 돌던 ad set을 건드리면 성과가 떨어지지 않나요?
A: Contrarian Answer - 오히려 반대입니다.
- 기존 ad set에 새 creative를 추가하는 것은 알고리즘에게 더 많은 옵션을 주는 것
- Andromeda는 hierarchical indexing을 점진적으로 재조정 (급격한 변화 아님)
- 성과 좋은 기존 creative는 계속 impression을 받습니다 (알고리즘이 자동 배분)
단, 주의사항:
- 한 번에 50% 이상 추가하지 마세요 (2-3개씩 점진적으로)
- 기존 creative를 끄지 마세요 (알고리즘이 선택하게)
- 7일은 기다리세요 (learning phase)
Q2: 그럼 테스트는 어떻게 하나요? 별도 세트 없이?
A: "테스트"의 정의를 바꾸세요.
기존 개념:
- 격리된 환경에서 A vs B 비교 → Winner 선택 → 이동
새 개념:
- 메인 ad set에 새 옵션 추가 → 알고리즘이 자동 평가 → 성과 낮으면 제거
이점:
- 실전 예산으로 테스트 (통계적 유의성 빠름)
- Context 유지 (학습 히스토리 보존)
- Winner 이동 불필요 (이미 메인 세트)
Q3: Advantage+로 전환하면 통제를 완전히 잃는 거 아닌가요?
A: "통제"를 재정의하세요.
당신이 통제하는 것:
- ✅ 브랜드 안전 (placement, content exclusions)
- ✅ 예산 & 입찰 전략
- ✅ 크리에이티브 풀 (어떤 옵션을 제공할지)
- ✅ Audience signals (완전 제거 아님, 힌트 제공)
알고리즘이 통제하는 것:
- ⚙️ 어떤 유저에게 어떤 creative를 보여줄지
- ⚙️ 실시간 입찰 최적화
- ⚙️ Placement mix
결과: 당신은 전략, 알고리즘은 실행 - 역할 분담이 명확해집니다.
Q4: CTR이 정말 중요하지 않나요?
A: 중요하지 않다는 게 아니라, 선행지표가 아니게 되었다는 것입니다.
GEM 이전:
CTR ⬆️ → CPC ⬇️ → CAC ⬇️ → CVR ⬆️ (순차적 인과관계)
GEM 이후:
알고리즘이 직접 conversion 여정 전체를 학습 (sequence modeling)
- 클릭은 많지만 전환 안 되는 creative → 노출 감소
- 클릭은 적지만 전환 잘 되는 creative → 노출 증가
실무 활용:
- CTR 0.5% 미만 = 🚨 문제 (hook이 약함)
- CTR 2-3% = ✅ 정상
- CTR 5% 이상 = ⚠️ 주의 (clickbait 의심, CVR 확인 필수)
Q5: 예산이 적으면(하루 $50 미만) 어떻게 하나요?
A: 원칙은 같지만 규모를 조정하세요.
Micro-budget 전략 ($20-50/day):
- Ad set 1개로 시작
- Creative 5-8개 (15개는 너무 많음)
- 페인포인트 2-3개 × 포맷 2개
- 교체 주기 2주 (1주는 학습 신호 부족)
Critical mass:
- 주 50+ conversions 확보 시 Advantage+ 고려
- 그 전까지는 manual targeting + CBO
10. 참고 자료
기술 백서
-
GEM (2025): Meta's Generative Ads Model
- 핵심: 4x efficiency, cross-domain learning, multimodal future
-
Andromeda (2024): Next-Gen Personalized Ads Retrieval Engine
- 핵심: 10,000x capacity, hierarchical indexing, segment-aware elasticity
성과 지표 (Meta 공식)
- Instagram: +5% conversion (GEM 도입 후)
- Facebook Feed: +3% conversion
- Advantage+ 채택: +22% ROAS
- AI 생성 이미지: +7% conversion
- Andromeda: +6% retrieval recall, +8% ads quality
LMF 프레임워크
- 원본: LMF_Mini_Playbook_TOON.json
- 활용: 고객 리서치 & 페인포인트 발굴 단계는 유지
- 변경: 실행/최적화 단계는 Andromeda 방식으로 재설계
결론: 역설의 수용
패러독스:
당신이 통제를 포기할수록,
알고리즘이 더 나은 결과를 만듭니다.
그러나:
"통제 포기" ≠ "전략 포기"
당신의 새로운 역할:
1. 고객을 깊이 이해하라 (LMF 리서치)
2. 다양한 각도의 옵션을 만들어라 (creative diversity)
3. 알고리즘에게 선택하게 하라 (single ad set evolution)
4. 학습하고 반복하라 (continuous iteration)
이것이 10,000배 모델 용량 시대의 마케터 역할입니다.
문서 버전: 1.0
작성일: 2025-11-18
기반 기술: Meta GEM (2025) + Andromeda (2024)
프레임워크: LMF (Language-Market Fit) Evolution