Lookalike audience(LAL)는 고가치 시드 사용자와 비슷한 잠재 고객을 광고 플랫폼이 찾아주는 기능입니다. 시드 한 줄로 효율이 두 배 차이 나는 LAL 운영의 표준 룰.
"고가치 고객 1만 명 명단을 Meta에 업로드하면 비슷한 사람을 1000만 명까지 찾아준다." Lookalike audience(LAL)의 마케팅 마법입니다. 그런데 시드 명단 한 줄을 잘못 잡으면 같은 1000만 명이라도 효율이 두 배 차이 납니다. 시드 품질·확장 비율·평가 사이클의 표준 룰을 정리합니다.
마케터가 이 글을 읽어야 하는 이유: LAL은 1st-party 데이터를 광고 플랫폼에 활용하는 표준 도구이고, ROAS 개선에 강력한 카드입니다. 하지만 시드 잘못 잡거나 확장 비율 잘못 정하면 효율이 무너집니다. 시드 5가지·확장 룰·평가 표가 분기 운영의 기준이 됩니다.
1. LAL의 한 줄 직관
시드(고가치 고객) 사용자의 행동 패턴을 광고 플랫폼이 학습해, 그와 비슷한 잠재 고객을 찾아준다.
플랫폼별 부르는 이름:
| 플랫폼 | 명칭 |
|---|---|
| Meta | Lookalike Audience |
| Similar Audience (deprecated) → Optimized Targeting | |
| TikTok | Lookalike |
| Naver | 유사타겟 |
| Kakao | 유사타겟 |
작동 원리는 비슷합니다. 시드 사용자의 행동·인구통계·관심사 패턴 → 비슷한 사용자 풀 추정 → 광고 노출.
2. 시드 품질이 결정하는 5가지 요소
같은 1000만 명 LAL이라도 시드 한 줄로 효율이 결정됩니다.
2-1. 시드 크기
- 1,000명 미만: 패턴 추출 어려움, LAL 효율 낮음
- 1,000-5,000명: 마지노선
- 5,000-50,000명: 표준
- 50,000+: 상위 효율, 확장 가능 사용자 풀 큼
플랫폼별 권장 최소: Meta 100, Google 1,000, TikTok 1,000. 권장 최소 미달 시 LAL 비활성화.
2-2. 시드 동질성
시드가 한 가지 행동·세그먼트로 깨끗할수록 LAL 정밀도 상승. "전체 구매자" 시드보다 "Q1 카테고리 A 구매자" 시드가 더 정밀.
2-3. 시드 가치
시드 사용자의 평균 가치가 높을수록 LAL이 찾는 잠재 고객 가치도 높음. LTV 상위 10% 시드 vs 전체 구매자 시드의 효율 차이가 큼.
2-4. 시드 최신성
오래된 시드(2년 전 구매자)는 행동 패턴이 시장과 어긋남. 최근 90일 내 구매자가 표준.
2-5. 시드 매칭률
플랫폼이 시드를 자기 사용자와 매칭한 비율. Meta EMQ·Google match rate가 60%+ 권장. 매칭률 낮으면 시드 패턴 추출 한계.
| 시드 품질 변수 | 추천 |
|---|---|
| 크기 | 5,000+ |
| 동질성 | 단일 세그먼트 |
| 가치 | LTV 상위 10-20% |
| 최신성 | 90일 내 |
| 매칭률 | 60%+ |
3. 확장 비율의 트레이드오프
LAL 확장 비율(plataform별 1-10%)이 정밀도와 reach의 트레이드오프를 만듭니다.
3-1. 1% LAL — 시드와 가장 비슷
EU 4억 인구 중 1% = 400만. 시드와 행동 패턴이 가장 비슷, ROAS 가장 높음. reach 작아 광고 빈도가 빠르게 올라감(피로 위험).
3-2. 5% LAL — 표준
시드와 어느 정도 비슷, reach 충분. 대부분의 캠페인에 적합.
3-3. 10% LAL — 가장 넓음
시드와 가까운 정도가 약함, reach 가장 큼. 브랜드 인지·신규 도달 캠페인에 적합.
| 확장 비율 | reach | 정밀도 | 적합 캠페인 |
|---|---|---|---|
| 1% | 작음 | 매우 높음 | 직접 반응, ROAS 우선 |
| 3-5% | 중간 | 높음 | 표준 |
| 7-10% | 큼 | 중간 | 브랜드 인지, 신규 도달 |
3-4. 다중 확장 비율 동시 운영
1%, 3%, 7% LAL을 모두 만들고 광고 그룹 분리. 1%에 우선 노출, 소진되면 3%, 그 다음 7%. ROAS 우선순위 자동화.
4. 평가 사이클 — 분기 1회 LAL 효율 점검
4-1. LAL vs control 효과 비교
LAL 노출 vs 일반 타겟팅 노출의 ROAS·CPA 비교. 분기에 한 번 lift study로 검증.
4-2. 시드 갱신 주기
시드는 살아있는 데이터. 분기마다 갱신해 최신 90일 구매자로 업데이트. 갱신 안 하면 시드가 노화.
4-3. 확장 비율별 효율
1% vs 5% vs 10% LAL의 ROAS·CPA·CTR을 표로. 어느 비율이 가장 효율 좋은지 분기마다 확인.
4-4. 시드 카테고리별 효율
여러 시드(VIP·구매자·신규)별 LAL 효율 비교. 어느 시드가 가장 효율 좋은지.
| 평가 항목 | 점검 빈도 |
|---|---|
| LAL vs control | 분기 1회 (lift study) |
| 시드 갱신 | 분기 1회 (자동화) |
| 확장 비율별 | 분기 1회 |
| 시드별 효율 | 분기 1회 |
5. 코드 한 묶음 — Python 시드 생성 자동화
이게 글에 박는 유일한 코드입니다.