목표 설치당비용(tCPI) 및 목표 작업당비용(tCPA) 비딩 조정법: 머신러닝의 학습을 깨뜨리지 않는 미세 비딩 룰

목표 설치당비용(tCPI, Target Cost Per Install)은 설치 하나를 얻는 데 지불할 목표 비용을 설정하는 방식으로, ACi 캠페인에서 신규 설치를 늘리는 것이 목적일 때 씁니다. 목표 작업당비용(tCPA, Target Cost Per Action)은 설치를 넘어 특정 인앱 행동(구매, 회원가입 등)을 목표로 삼을 때 쓰며, ACe 캠페인이나 설치 이후의 특정 행동까지 최적화하고 싶은 ACi 캠페인에서 활용됩니다. 타겟 ROAS(tROAS)는 여기서 한 걸음 더 나아가, 단순히 행동 건수가 아니라 광고비 대비 실제 발생한 수익(인앱 결제 금액 등)의 비율을 목표로 삼는 전략입니다. 세 전략 모두 구글 AI가 목표를 자동으로 달성하도록 입찰가를 실시간 조정한다는 공통점을 가지지만, 최적화하는 대상(설치 건수, 행동 건수, 수익 비율)이 다릅니다.

스마트 입찰 전략은 표준 7~14일의 학습 단계를 거치며, 이 기간 동안 알고리즘은 설정된 목표에 맞춰 입찰 패턴을 조정해나갑니다. 이 기간 중 목표 비용이나 예산, 전환 액션을 빈번하게 수동으로 바꾸면, 이런 조정은 학습 기간을 리셋시킵니다. 검색광고·유튜브 과목에서 이미 다룬 원칙이 AC에서도 동일하게 적용되며, 오히려 AC는 타겟팅을 직접 조정할 수 없는 구조이기 때문에 목표 비용 조정이 담당자가 실질적으로 캠페인에 개입할 수 있는 몇 안 되는 지점이라, 이 지점을 성급하게 자주 건드리고 싶은 유혹이 특히 큽니다. 하지만 그럴수록 학습이 리셋되는 빈도만 늘어나 성과가 안정되지 못하는 악순환에 빠지기 쉽습니다.

학습 기간의 길이는 확보한 전환수, 전환 주기(전환까지 걸리는 시간)의 길이, 사용 중인 입찰 전략에 따라 달라집니다. 전환이 빠르게 자주 발생하는 캠페인(예: 무료 게임의 설치 이벤트)은 상대적으로 짧은 기간에 충분한 데이터가 쌓여 학습이 빨리 안정되는 반면, 전환 주기가 긴 캠페인(예: 결제까지 며칠이 걸리는 구독형 앱)은 같은 7~14일이 지나도 충분한 데이터가 쌓이지 않아 학습이 더 오래 걸릴 수 있습니다. 이 때문에 "얼마나 기다려야 하는가"에 대한 정해진 정답은 없으며, 캠페인 화면에서 제공하는 학습 상태 표시를 참고해 실제로 학습이 완료됐는지 확인하는 것이 목표 수치를 조정해도 되는 시점을 판단하는 가장 정확한 방법입니다.

학습이 완료된 이후에도 목표 비용을 조정해야 하는 상황(예산 확대, 목표 CPA 재설정)이 생길 수 있습니다. 이때도 한 번에 큰 폭으로 바꾸기보다 점진적으로(예: 10~20% 단위로) 조정하는 것이 안전합니다. 급격한 목표 변경은 새로운 학습 단계를 촉발할 뿐 아니라, 알고리즘이 갑자기 훨씬 낮은 비용으로 같은 양의 전환을 만들어내야 하는 상황에 놓이면 노출량 자체가 급감하는 부작용으로 이어질 수 있습니다. 예산을 늘리고 싶다면 목표 비용은 그대로 두고 예산 상한만 먼저 올려보는 것이, 목표 비용까지 동시에 바꾸는 것보다 학습 안정성을 해치지 않는 방법입니다.

2026년 6월부터 입찰 전략 라벨이 변경되어 '전환을 최대화하되 타겟 CPA'는 '타겟 CPA'로, '전환값을 최대화하되 타겟 ROAS'는 '타겟 ROAS'로 표기가 단순해졌습니다. 이는 이름만 바뀐 것으로 기존 입찰 동작 자체는 유지되지만, 과거 자료나 팀 내부 문서에 옛 명칭이 남아 있다면 신입 담당자가 새 화면과 옛 문서 사이에서 혼란을 겪을 수 있습니다. 내부 운영 가이드나 교육 자료를 이 변경에 맞춰 갱신해두는 것이 작은 일이지만 팀 전체의 혼선을 줄이는 데 도움이 됩니다.

서비스 초기에는 설치 자체를 늘리는 tCPI로 시작하는 것이 자연스럽지만, 인앱 이벤트 데이터가 충분히 쌓이면(앞서 다룬 일일 최소 이벤트 조건 충족) tCPA나 tROAS로 전환해 단순 설치가 아니라 실제 가치 있는 사용자를 확보하는 방향으로 최적화 목표를 바꾸는 것을 검토해야 합니다. 설치만 늘리는 tCPI는 실제로 서비스를 쓰지 않는 저품질 설치까지 늘릴 위험이 있는 반면, tCPA·tROAS는 실제 행동이나 매출로 이어지는 사용자를 우선하도록 알고리즘을 유도하기 때문에, 서비스가 성숙할수록 이 전환이 광고비 효율에 유리한 경우가 많습니다.

목표 비용을 지나치게 낮게 설정하면, 그 비용 안에서 전환을 만들어낼 수 있는 경매가 부족해 노출량 자체가 크게 줄어드는 현상이 나타날 수 있습니다. 반대로 목표 비용을 지나치게 높게 설정하면 노출은 잘 되지만 실제 지불하는 비용이 예상보다 커질 수 있습니다. 캠페인 노출량이 예상보다 현저히 적다면 목표 비용이 시장 경쟁 수준에 비해 너무 낮게 잡혀 있지 않은지 먼저 의심해보는 것이 진단의 출발점입니다.