답변
모수가 없는 신생 브랜드는 처음부터 구매전환 최적화를 밀어붙이기보다, 데이터를 쌓는 단계부터 설계하시는 게 순서입니다. 최적화 목표부터 조정하세요. 메타 머신러닝은 광고 세트 단위로 주당 50개의 최적화 이벤트를 확보해야 안정적으로 최적화하는데, 신생 브랜드는 구매 전환 자체가 아직 적어 이 기준을 채우기 어려운 경우가 많습니다. 처음부터 구매로 최적화하기보다 장바구니 담기·결제 시작 같은 상위 단계 이벤트로 목표를 낮춰 먼저 데이터를 쌓는 것이 학습 제한을 피하는 방법입니다. 타겟팅도 마찬가지 논리입니다. 유사 타겟(Lookalike)은 소스 오디언스 최소 100명, 최적 성과를 위해서는 1,000명 이상의 구매자 데이터가 필요한데, 모수가 없는 신생 브랜드는 애초에 유사 타겟을 만들 소스 데이터 자체가 없습니다. 초기에는 유사 타겟이 아니라 상세 타겟팅이나 Advantage+ 같은 폭넓은 자동 타겟팅으로 시작해 구매자 데이터를 먼저 쌓는 단계가 필요합니다. Advantage+는 학습 단계를 30% 빠르게 완료한다고 알려져 있기도 한데(수동 타겟팅 평균 2주 → Advantage+ 평균 1.4주), 좁은 수동 타겟팅으로 시작하면 학습에 필요한 볼륨을 못 채워 오히려 더 오래 걸릴 수 있습니다. 다만 Advantage+를 쓸 땐 타겟팅보다 크리에이티브 품질이 성과의 가장 큰 변수가 된다는 점은 기억해두세요. 예산 배분도 처음부터 정교하게 나누려 하지 마세요. 판매량이 아니라 상품별 수익 기여도(공헌이익)를 기준으로 배분하는 게 원칙이지만, 신생 브랜드는 아직 어떤 상품·오디언스가 잘 팔리는지 데이터가 없습니다. 초기에는 소액으로 여러 상품·오디언스 조합을 병행 테스트해 데이터를 먼저 확보한 뒤, 그 데이터를 바탕으로 공헌이익 기준 배분으로 넘어가는 2단계 접근이 현실적입니다.