Frequency capping — 같은 사람한테 광고를 몇 번 보여줄까

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.

$$\text{CTR}(f) = \text{CTR}_\text{peak} \cdot \frac{1}{1 + e^{\alpha (f - f^*)}}$$

여기서 $f$ 는 노출 빈도, $f^*$ 는 peak 빈도 (보통 5~7), $\alpha$ 는 피로 속도 파라미터입니다. $\alpha$ 가 클수록 peak 이후 CTR이 가파르게 떨어집니다.

아래 코드는 이 모델로 피로 누적을 시뮬레이션합니다.

python