메타 lookalike 만드는 기준: 소스·비율·중복 3단계 점검

메타 lookalike는 "잘 팔린 고객과 닮은 사람을 찾아주는 마법 버튼"이 아닙니다. 소스 오디언스에 담긴 신호의 품질을 그대로 확대 복사하는 도구입니다.

메타 lookalike에서 실제로 성과를 가르는 건 유사도 비율(1%냐 5%냐)이 아니라 소스 오디언스를 무엇으로 잡았느냐입니다. 소스가 흐릿하면 1%로 좁혀도 흐릿한 사람들이 모이고, 소스가 선명하면 5%로 넓혀도 반응이 나옵니다. 2026년 기준으로는 브로드 타겟팅과 Advantage+ 오디언스가 기본값이 되면서, lookalike의 역할 자체가 '타겟 지정'에서 '알고리즘에 주는 시작 신호'로 바뀌었습니다.

아래에서 소스 선정 → 비율 결정 → 중복 점검까지 3단계 기준으로 정리합니다.

1. 메타 lookalike 소스 오디언스: 무엇으로 만드느냐가 8할입니다

lookalike는 소스 오디언스에서 공통 특성을 추출해 확장하는 구조입니다. 그래서 소스에 섞인 노이즈도 같이 확장됩니다.

실무에서 자주 보는 잘못된 소스는 이 세 가지입니다.

① 전체 웹사이트 방문자 180일
가장 흔하고, 가장 흐릿한 소스입니다. 광고를 잘못 눌러 들어온 사람, 검색으로 우연히 들어온 사람, 이미 구매한 사람이 전부 섞여 있습니다. 이 모수를 확장하면 "우리 사이트에 들어올 법한 사람"은 찾아주지만 "살 법한 사람"은 찾아주지 못합니다.

② 인스타그램 팔로워 전체
팔로워는 구매 의사가 아니라 콘텐츠 취향으로 모인 집단입니다. 이벤트나 팔로우 유도 광고를 돌린 이력이 있는 계정이라면 특히 그렇습니다.

③ 모수가 부족한 구매자 리스트
메타는 소스 오디언스 최소 100명을 요구하지만, 100명으로 만든 lookalike는 사실상 랜덤에 가깝습니다.

-> 핵심: 소스는 "행동의 깊이"로 고릅니다. 방문 < 장바구니 < 구매 < 재구매 순으로 신호가 선명해집니다.

소스 우선순위 정리

한 가지 더. 소스에 고객 가치(LTV) 값을 넣은 리스트를 쓸 수 있다면 우선순위가 한 단계 더 올라갑니다. 이메일·전화번호와 함께 누적 구매액을 컬럼으로 업로드하면 메타가 "구매한 사람"이 아니라 "많이 구매한 사람"과 닮은 사람을 찾습니다. 객단가 편차가 큰 카테고리(가전, 가구, 고관여 건강기능식품)에서 체감 차이가 큽니다.

2. 메타 lookalike 비율은 1%가 정답이 아닙니다

lookalike 비율은 1%부터 10%까지 설정할 수 있습니다. 1%는 소스와 가장 닮은 상위 1%, 10%는 훨씬 느슨한 상위 10%입니다. 한국 기준이면 1%가 대략 40~50만 명, 5%면 200만 명대가 나옵니다.

여기서 실무자들이 가장 많이 하는 오해가 "좁을수록 정확하다"입니다. 절반만 맞습니다.

1%가 유리한 경우
- 소스 모수가 5,000명 이상으로 충분하고
- 소스가 구매·재구매처럼 선명하며
- 일예산이 크지 않아 넓은 모수를 다 소화할 수 없는 계정

3~5%가 유리한 경우
- 소스 모수가 1,000명 안팎으로 얇을 때 (좁히면 데이터가 더 얇아집니다)
- 일예산이 커서 1% 모수 안에서 빈도가 빠르게 올라가는 계정
- 이미 1%로 몇 주 돌려 학습이 끝났고 확장이 필요한 시점

빈도 기준으로 판단하는 게 가장 실용적입니다. 1%로 돌렸는데 2주 안에 빈도가 3회를 넘고 CPM이 계속 오른다면, 모수가 예산을 감당하지 못한다는 신호입니다. 이때는 소재를 바꾸기 전에 비율을 넓히는 게 순서상 먼저입니다.

한 뷰티 브랜드의 경우, 구매자 1% lookalike로 시작해 첫 열흘은 CPA가 좋았지만 이후 빈도가 4회를 넘기면서 CPA가 두 배 가까이 올라간 사례가 있었습니다. 소재를 세 번 갈아엎어도 회복되지 않다가, 비율을 5%로 넓히자 CPM이 내려오며 원래 수준으로 돌아왔습니다. 소재 문제로 보였지만 실제로는 모수 문제였던 겁니다.

-> 핵심: 비율은 정확도가 아니라 예산 대비 모수 크기로 정합니다.

메타 오디언스 크기 정하는 기준: 예산·전환·퍼널·소재로 판단하는 4가지

3. 메타 lookalike 중복 점검: 겹치는 순간 내 광고끼리 붙습니다

lookalike는 겹치기 쉬운 구조입니다. 구매자 1%와 구매자 3%는 포함 관계이고, 장바구니 2%와 구매자 2%도 상당 부분 겹칩니다. 이걸 각각 다른 광고 세트로 돌리면 같은 사람을 두고 내 광고끼리 경매에 붙습니다.

점검 순서는 이렇습니다.

① 포함 관계부터 정리
1%, 3%, 5%를 동시에 돌리는 구조는 피합니다. 메타의 lookalike는 기본적으로 하위 비율을 포함합니다(5%는 1%를 안에 담고 있습니다). 굳이 여러 단계를 쓰려면 "3~5% 구간만" 같은 형태로 하한을 설정해 겹치지 않게 잘라야 합니다.

② 제외 타겟 설정
lookalike 세트에는 반드시 기존 구매자와 최근 방문자를 제외로 넣습니다. lookalike는 신규 확보용인데, 소스가 구매자라면 구매자 본인들이 그 안에 다시 들어올 수 있습니다.

③ 타겟 중복 확인 도구로 실측
광고 관리자의 타겟 메뉴에서 두 오디언스를 선택해 겹침 비율을 확인합니다. 20~30%를 넘으면 세트를 합치거나 한쪽을 정리하는 게 낫습니다.

그런데 2026년에는 이 고민 자체가 줄어듭니다

Advantage+ 오디언스가 도입되면서 lookalike의 위치가 바뀌었습니다. Advantage+ 오디언스에서는 lookalike를 '오디언스 제안'으로 넣습니다. 즉 하드한 경계선이 아니라, 알고리즘이 처음에 우선적으로 탐색할 힌트로 작동합니다. 성과가 그 밖에서 더 잘 나오면 메타는 경계를 넘어 확장합니다.

그래서 현재 권장되는 구조는 이렇습니다.

• 캠페인 1개 → 광고 세트 1개

• 타겟팅: Advantage+ 오디언스, 제안 항목에 구매자 lookalike 1~3% 입력

• 제외: 기존 구매자, 최근 30일 방문자

• 소재: 세트 안에 여러 개 통합

lookalike 세트를 5개로 쪼개 비교하던 예전 방식보다, 하나의 세트에 신호를 몰아주는 쪽이 학습 속도와 CPA 모두 유리하다는 게 최근 흐름입니다.

메타 광고 오디언스 중복 점검법: 조건 3가지와 도달 실측 5단계

4. 데이터가 없는 초기 브랜드는 lookalike를 언제 켜야 할까

런칭 초기에는 구매 데이터가 100건도 안 되는 경우가 대부분입니다. 이때 억지로 lookalike를 만들면 오히려 브로드보다 못한 결과가 나옵니다.

판단 기준을 단계로 정리하면 이렇습니다.

0단계 (구매 100건 미만)
lookalike를 만들지 않습니다. 브로드 또는 Advantage+ 오디언스로 돌리며 픽셀에 전환 데이터를 쌓는 게 먼저입니다. 이 시기에 굳이 유사 타겟을 쓰겠다면 영상 시청·인스타 참여 기반이 그나마 낫습니다.

1단계 (구매 300~500건 누적)
구매자 기반 1~3% lookalike를 만들어 Advantage+ 오디언스의 제안값으로 넣습니다. 아직 독립 세트로 분리하지 않습니다.

2단계 (구매 1,000건 이상, 주당 50건 이상)
소스를 재구매 고객·고LTV 고객으로 세분화해 볼 수 있는 단계입니다. 이 시점부터 lookalike 소스 실험이 의미를 갖습니다.

한 가지 자주 놓치는 점은 lookalike 갱신 주기입니다. lookalike는 만든 시점의 소스를 기준으로 계산되지만, 소스가 동적 맞춤 타겟(예: 최근 180일 구매자)이라면 메타가 주기적으로 재계산합니다. 반면 CSV로 업로드한 고정 고객 리스트로 만든 lookalike는 갱신되지 않습니다. 분기에 한 번은 최신 리스트로 다시 업로드하는 편이 좋습니다.

메타 브로드 타겟팅 켜는 기준: 계정 상태로 판단하는 3단계 점검

자주 묻는 질문

Q. 메타 lookalike 1%와 5% 중 뭐가 더 좋나요?
소스 품질과 예산 규모에 따라 다릅니다. 소스가 구매자 5,000명 이상이고 예산이 크지 않다면 1%가 유리하고, 소스가 얇거나 예산이 커서 빈도가 빠르게 오르는 계정은 3~5%가 낫습니다. 빈도 3회 이상, CPM 상승이 관찰되면 비율을 넓히는 것을 먼저 검토하세요.

Q. 메타 lookalike 만드는 최소 인원은 몇 명인가요?
메타 정책상 최소 100명이지만, 실무에서 안정적인 성과를 기대하려면 1,000명 이상을 권장합니다. 100~500명 구간에서 만든 lookalike는 소스의 우연한 특성까지 확대되어 성과 편차가 큽니다.

Q. Advantage+ 오디언스를 쓰면 lookalike는 필요 없나요?
필요 없어지는 게 아니라 역할이 바뀝니다. Advantage+ 오디언스에서는 lookalike를 '오디언스 제안'으로 넣어 알고리즘의 초기 탐색 방향을 잡아주는 용도로 씁니다. 제안값이 있으면 학습 초기 시행착오가 줄어듭니다.

Q. lookalike 오디언스는 얼마나 자주 새로 만들어야 하나요?
동적 맞춤 타겟(최근 N일 구매자 등)을 소스로 썼다면 메타가 자동으로 재계산하므로 새로 만들 필요가 없습니다. CSV 고객 리스트를 업로드해 만든 경우는 갱신되지 않으므로, 분기에 한 번 최신 리스트로 다시 만드는 것을 권장합니다.

Q. 여러 국가를 대상으로 할 때 lookalike는 어떻게 만드나요?
국가별로 별도의 lookalike를 만들어야 합니다. 메타는 국가 단위로 유사도를 계산하기 때문에, 여러 국가를 한 오디언스에 묶으면 특정 국가에 모수가 쏠릴 수 있습니다. 다만 세트를 쪼개기보다 하나의 세트에 복수 국가 lookalike를 함께 넣는 편이 학습에는 유리합니다.

마무리

메타 lookalike를 손보기 전에 확인할 것은 세 가지로 압축됩니다.

• [ ] 소스가 "방문"이 아니라 "구매" 이상의 행동인가

• [ ] 비율을 정확도가 아니라 예산 대비 모수 크기로 정했는가

• [ ] 여러 비율·여러 소스의 lookalike가 서로 겹친 채 동시에 돌고 있지 않은가

lookalike는 알고리즘을 대신하는 도구가 아니라, 알고리즘에게 방향을 알려주는 도구입니다. 2026년의 메타 광고에서는 타겟을 정교하게 그리는 것보다 좋은 신호를 얼마나 깨끗하게 넣어주느냐가 성과를 가릅니다. 소스를 정리하고 세트를 통합하는 것만으로도 학습 속도가 달라지는 경우가 많습니다.