들어가며
광고 캠페인을 운영하다 보면 같은 사용자가 같은 광고를 하루 10~20번 보는 일이 자주 일어납니다. 너무 자주 보이면 피로(fatigue)로 CTR·CVR이 떨어지고 브랜드 호감도까지 깎입니다. 너무 드물면 광고가 기억에 남지 않아 효과가 없습니다. 두 함정 사이에서 최적 노출 빈도를 잡는 게 frequency capping이고, 그 설정 한 줄이 캠페인 ROAS의 10~30%를 좌우합니다. 이 글은 피로 곡선의 수학적 구조, 시간창 설계, 캠페인 종류별 최적값, cross-channel 통합 빈도 관리, 그리고 Python으로 피로 누적을 시뮬레이션하는 코드까지 마케터 시선에서 정리합니다.
피로와 노출 부족 사이의 작은 균형 — 빈도 한 줄이 ROAS를 결정한다
피로 곡선 — 수식과 직관
경험적 패턴
같은 사람에게 같은 광고를 반복해서 보일 때 CTR·CVR의 변화를 보면 일반적으로 다음 패턴이 나옵니다.
- 1~3회: 학습 단계 — CTR 상승
- 4~7회: peak — 효과 최대
- 8~14회: 피로 시작 — CTR 하락
- 15회 이상: 부정적 효과 — 브랜드 호감도 하락
이 곡선의 정확한 위치는 캠페인·크리에이티브·사용자 세그먼트마다 다르지만, 일정 빈도 이상에서 효과가 떨어지는 패턴은 거의 보편적입니다 (Tellis 1988, Krugman 1972).
피로 누적 수식
피로 곡선을 로지스틱 감쇠(logistic decay) 모델로 근사하면 다음과 같습니다.
여기서 는 노출 빈도, 는 peak 빈도 (보통 5~7), 는 피로 속도 파라미터입니다. 가 클수록 peak 이후 CTR이 가파르게 떨어집니다.
아래 코드는 이 모델로 피로 누적을 시뮬레이션합니다.
python
