'좀비 SKU'를 되살리는 방법 — Performance Max로 노출 사각지대 깨기

대형 이커머스 카탈로그에서는 상품이 틈새로 빠져버리는 일이 흔하다. 나쁜 상품이어서도, 품절이어서도 아니다. 성과를 내는 데 필요한 노출을 그냥 못 받게 될 뿐이다.

구글 알고리즘이 과거 성과가 가장 강한 상품 쪽으로 최적화하면서, 저볼륨 SKU는 서서히 노출 점유율을 잃는다. 트래픽이 줄면 전환 데이터가 줄고, 그것이 문제를 복리로 키운다.

머지않아 그 상품들은 "SKU 연옥(SKU purgatory)" 에 갇힌다.

좀비 캠페인이란

좀비 SKU는 새로운 개념이 아니고, 왜 이런 일이 벌어지는지 이해하고 선제적으로 손쓰는 것도 어렵지 않다.

선택 캠페인은 대개 퍼포먼스 맥스(PMax) 다. 구글의 자동화를 우리에게 유리하게 쓸 수 있는 지점이 정확히 여기이기 때문이다.

PMax는 표준 쇼핑이 발굴하지 못하는 추가 기회와 수요를 찾아낼 수 있다. 방치된 SKU에는 때때로 그것만으로 충분하다.

SKU가 특정 성과 임계값 아래로 떨어지면, 트래픽을 거의 못 받는 기존 표준 쇼핑 캠페인에 그대로 두는 대신 전용 좀비 SKU 퍼포먼스 맥스 캠페인으로 자동 이동시킨다.

목표는 성과 나쁜 상품에 억지로 돈을 쓰는 것이 아니다. 간과된 상품에 경쟁할 기회를 한 번 더 주는 것이다.

그 상품들이 다시 노출·클릭·전환 데이터를 만들기 시작하면 구글의 이해도가 개선된다. 스스로를 증명하면 원래 캠페인으로 돌아갈 자격을 얻는다.

자동화 방법

PMax를 쓰기 전에는 좀비 캠페인이 대체로 수고에 비해 얻는 게 적었다. SKU를 캠페인 안팎으로 옮기는 수작업이 시간을 잡아먹었기 때문이다.

핵심은 수작업을 제거하는 것이었다.

데이터 팀과 함께 빅쿼리에 커스텀 로직을 만들어 무엇이 "좀비 SKU"에 해당하는지 지속적으로 식별하게 했다. 정확한 임계값은 사업마다 맞춤이지만 목표는 같다 — 의미 있는 기회를 사실상 못 받게 된 상품을 찾아내는 것.

6단계 파이프라인

1. 빅쿼리가 커스텀 로직으로 모든 SKU를 평가한다
2. 해당하는 좀비 SKU를 구글 시트로 내보낸다
3. 피도노믹스(Feedonomics, 피드 관리 도구)가 그 시트를 읽어 "zombie SKU" 커스텀 라벨을 자동 적용한다
4. 구글 애즈가 그 커스텀 라벨로 해당 상품들을 전용 퍼포먼스 맥스 캠페인에 포함시킨다
5. 같은 SKU를 원래 표준 쇼핑 캠페인에서 제외해 중복을 피한다
6. SKU가 더 이상 좀비 기준에 해당하지 않으면 커스텀 라벨이 자동 제거되고, 상품은 원래 캠페인으로 돌아간다

전체 과정이 거의 수작업 없이 자동으로 돌아간다.

성과 피드백 루프를 끊는다

대형 상품 카탈로그의 가장 큰 난제 중 하나는 구글의 머신러닝이 이미 강한 성과 신호를 가진 상품 쪽으로 자연스럽게 쏠린다는 것이다.

효율에는 좋지만, "부자가 더 부자가 되는" 피드백 루프를 만들 수도 있다. 최상위 SKU는 계속 트래픽을 받고, 이력 데이터가 적은 상품은 모멘텀을 얻지 못한다.

좀비 캠페인이 작동하는 이유는 그 사이클을 끊기 때문이다. 그 상품들을 영구히 포기하는 대신 추가 성과 신호를 만들어낼 수 있는 전용 환경을 제공한다.

모든 SKU가 "살아 돌아오지는" 않는다. 그래도 괜찮다. 어떤 상품은 정말 수요가 없다. 그러나 경쟁력을 갖추기 전에 노출·클릭·전환 데이터를 모을 기회가 한 번 더 필요했을 뿐인 상품도 많았다.

실제 결과: 2주

한 클라이언트를 대상으로 테스트한 좀비 SKU 캠페인의 초기 결과다.

구분	SKU	클릭	노출	비용	전환	전환 가치	ROAS
좀비 캠페인 이전	13,829	0	0	$0	0	$0	0%
좀비 캠페인 이후	13,829	1,617	198,774	$5,072.17	24.42	$5,161.70	101.77%

단 2주 만에, 그 전까지 기회를 거의 못 받던 13,800개 이상의 SKU가 노출·클릭·전환 데이터를 만들기 시작했다.

결과를 읽는 기준

이 결과는 캠페인의 목적이라는 렌즈로 봐야 한다.

핵심 쇼핑 캠페인과 달리 좀비 캠페인의 1차 목표는 ROAS 극대화나 유의미한 판매 볼륨이 아니다. 부진한 SKU가 표준 쇼핑 캠페인으로 "졸업"할 수 있을 만큼의 노출·클릭·전환 데이터를 만들어내는 것이다.

상품이 좀비 기준을 벗어나면 자동으로 캠페인에서 빠져 원래 쇼핑 캠페인으로 돌아가고, 그 자리에 다음 간과된 상품들이 들어온다.

다음 단계는 SKU가 원래 표준 쇼핑 캠페인에 재투입된 뒤, 추가된 노출·클릭·전환 이력이 전체 성과를 개선하는지 측정하는 것이다.

확장 가능하게 만드는 것은 자동화다

가장 큰 이점은 퍼포먼스 맥스 캠페인 자체가 아니다. 자동화다.

빅쿼리, 피도노믹스, 커스텀 라벨이 없으면 수천 개 상품을 유지하는 데 끊임없는 수동 검토가 필요하다. 대신 상품이 성과에 따라 캠페인 사이를 흐르고, 성공한 SKU는 원래 있어야 할 캠페인으로 돌아간다.

대형 이커머스 카탈로그에서는, 구글 알고리즘이 우선순위를 거둬들였다는 이유만으로 유망한 상품이 조용히 사라지지 않게 하는 효율적인 방법이다.

실무 정리

첫째, "성과 나쁜 상품"과 "기회를 못 받은 상품"을 구분한다. 이 캠페인의 전제가 이것이다. 노출 0인 SKU는 성과가 나쁜 게 아니라 데이터가 없는 것이고, 둘은 다른 처방이 필요하다.

둘째, 임계값을 사업에 맞춰 정의한다. 좀비 기준은 정답이 없다. "의미 있는 기회를 사실상 못 받고 있는가" 라는 질문에 자기 카탈로그로 답해야 한다.

셋째, 수작업이 남아 있으면 하지 않는다. 저자도 PMax 이전에는 수고 대비 얻는 게 적다고 판단했다. 라벨 적용·해제가 자동이 아니면 수천 SKU에서 무너진다.

넷째, ROAS로 평가하지 않는다. 101.77%는 목표 달성이 아니라 부수 효과다. 이 캠페인의 KPI는 졸업한 SKU 수여야 한다.

다섯째, 중복 노출을 반드시 차단한다. 좀비 캠페인에 넣은 SKU를 원래 표준 쇼핑에서 제외하지 않으면 자기 캠페인끼리 경쟁한다. 같은 종류의 잠식 문제는 브랜드와 논브랜드 캠페인을 분리해야 ROAS가 정직해진다에서 다뤘다.

여섯째, 피드 품질을 먼저 본다. 좀비 캠페인은 피드에 담긴 정보로 경쟁한다. 피드가 부실하면 기회를 줘도 못 산다 — AI 쇼핑은 상품 페이지가 아니라 상품 피드에서 시작된다 — 챗GPT 캐러셀의 출처를 함께 보면 좋다.

일곱째, 소득·오디언스 제외와 조합하지 않는다. 좀비 캠페인의 목적은 데이터 수집이므로, Performance Max에 가구 소득 제외가 열린다 — 자동화에 남은 통제권 같은 제외를 겹겹이 걸면 모으려던 신호 자체가 줄어든다.