크리테오 입찰 모델 최적화: 클릭 최적화(CPC)에서 시작해 머신러닝 모수가 쌓인 후 전환 최적화(CBO/타겟 COS) 전략으로 전환하는 골든타임

아무리 3강·4강에서 데이터 파이프라인을 정확히 구축해도, 이 데이터를 바탕으로 입찰가를 어떻게 산정할지는 별개의 판단 영역입니다. 정확한 데이터와 잘못된 입찰 전략이 만나면 캠페인은 여전히 비효율적일 수 있으므로, 데이터 인프라와 입찰 전략은 함께 챙겨야 할 두 축입니다.

크리테오는 기본적으로 CPC(클릭당 비용) 입찰로 배너 노출을 관리하며, 계정 담당자가 CPO(주문당 비용) 또는 COS(매출 대비 비용) 기준 입찰을 활성화할 수 있습니다. CPO·COS 최적화는 머신러닝 모델이 충분한 전환 데이터를 학습한 뒤에야 안정적으로 작동하므로, 캠페인 초기부터 곧바로 전환 최적화로 전환하면 데이터 부족으로 오히려 성과가 불안정할 수 있습니다. 이는 마치 아직 시장 반응을 충분히 배우지 못한 알고리즘에게 목표부터 강요하는 것과 같습니다.

CPC로 캠페인을 시작하는 초기 단계의 목적은 당장 최적의 비용 효율을 내는 것이 아니라, 4강에서 다룬 원태그를 통해 충분한 양의 클릭·전환 데이터를 쌓는 것입니다. 이 데이터가 쌓여야 크리테오의 머신러닝 모델이 "어떤 유저가 어떤 상황에서 전환할 가능성이 높은지"를 학습할 수 있고, 이후 전환 최적화 단계에서 이 학습 결과를 바탕으로 정확한 입찰가를 산출할 수 있습니다.

CPO(주문당 비용)는 주문 건수 자체를 늘리는 데 초점을 맞추고, COS(매출 대비 비용, 목표 광고비 대비 매출)는 광고비 대비 매출 효율을 관리하는 데 초점을 맞춥니다. 객단가가 상품마다 크게 다른 카탈로그를 운영한다면 COS가, 객단가가 비교적 균일하고 주문 건수 자체를 늘리는 것이 목표라면 CPO가 더 적합한 지표가 되는 경우가 많습니다.

크리테오의 예측 입찰(Predictive Bidding)은 경매 유형, 경쟁 강도, 일반적 낙찰가를 학습한 머신러닝 모델이 특정 시점·위치의 유저 가치를 평가해 매출 대비 비용을 낮추는 최적 입찰가를 산출합니다. 전환 최적화 전략에서는 입력된 CPC 입찰가를 기준선으로 삼아, 구매로 이어질 가능성에 따라 입찰가를 미세 조정합니다. 즉 마케터가 입력한 값은 완전히 무시되는 것이 아니라, 알고리즘이 상황에 따라 가감하는 출발점 역할을 합니다.

정해진 절대적인 기간이나 전환 건수 기준이 공식적으로 명시돼 있지는 않지만, 실무에서는 일정 기간(보통 몇 주) 동안 안정적인 전환 데이터가 누적되고 CPC 단계의 성과 지표(클릭률, 전환율)가 어느 정도 예측 가능한 패턴을 보이기 시작하는 시점을 하나의 신호로 삼습니다. 이 시점을 계정 담당자와 함께 논의해 판단하는 것이 임의로 날짜를 정해 전환하는 것보다 안전합니다.

CPO·COS로 전환한 이후에도 목표값을 지나치게 공격적으로(예: 매우 낮은 COS) 설정하면, 알고리즘이 이 목표를 달성하기 위해 노출량 자체를 크게 줄이는 방식으로 반응할 수 있습니다. 목표값 조정은 한 번에 크게 바꾸기보다 점진적으로 조정하며 노출량과 성과 지표가 함께 어떻게 변하는지 관찰하는 것이 안전합니다.

5강에서 다룬 리타겟팅 캠페인은 이미 검증된 관심 유저 대상이라 비교적 빠르게 전환 최적화로 전환해도 안정적인 경우가 많고, 유치 캠페인은 상대적으로 전환 데이터가 적게 쌓이므로 CPC 단계를 더 오래 유지하며 지켜보는 편이 안전할 수 있습니다. 두 캠페인 유형의 데이터 축적 속도가 다르다는 점을 감안해 전환 시점을 각각 다르게 판단해야 합니다.

계정 담당자가 바뀌면 새 담당자가 익숙한 CPC 방식으로 되돌리려 하는 경우가 있는데, 이미 안정적으로 작동하던 전환 최적화를 이유 없이 CPC로 되돌리면 그동안 쌓인 학습 효과가 희석될 수 있습니다. 담당자 교체 시에는 현재 입찰 전략과 그 전략을 채택하게 된 배경(언제, 왜 전환했는지)을 인수인계 자료로 남겨둬야, 새 담당자가 근거 없이 전략을 되돌리는 시행착오를 줄일 수 있습니다.

구글·메타의 스마트 입찰과 크리테오의 예측 입찰은 유사한 머신러닝 기반 자동 입찰이라는 공통점이 있지만, 각 플랫폼이 학습하는 데이터의 성격(검색 의도, 소셜 행동, 리타겟팅 이력)이 다르므로 한 매체에서 통했던 목표값 설정을 다른 매체에 그대로 적용하면 안 됩니다. 매체별로 별도의 학습 곡선과 목표값 튜닝이 필요하다는 점을 팀 내에 명확히 공유해둬야, 매체 간 성과 비교에서도 오해가 생기지 않습니다.