애슬러는 35세 이상 남성을 위한 패션 커머스 플랫폼입니다. 2023년 본격 런칭 이후 2024년 거래액 전년 대비 60배, 2025년에도 350% 성장하며 J커브를 그렸습니다. 월 300만 방문자, 840개 백화점 브랜드 입점. 숫자만 보면 순탄해 보이지만, 그 안에서 마케팅 스쿼드는 전혀 다른 현실을 마주하고 있었습니다.
마케터가 마케팅에 집중할 수 없는 상황. 빠른 성장이 만든 문제는 바로 이것이었습니다.
빠른 성장이 만든 3가지 문제
ROAS만으로는 진짜 성과를 알 수 없었습니다
예산이 작을 때는 ROAS, CPA 같은 요약 지표로도 충분했습니다. 문제는 규모가 커지면서 시작되었습니다. "이 캠페인에서 실제로 어떤 상품이 팔리는지", "이 소재를 클릭한 유저가 구매까지 이어지는지" - 이런 질문에 답할 수 있는 환경 자체가 없었습니다.
에어브릿지나 매체 대시보드에서 볼 수 있는 건 요약된 표면 지표뿐이었고, 유저 단위의 구매 맥락은 확인할 방법이 없었습니다. 예산이 커질수록 한 번의 잘못된 판단이 만드는 기회비용도 커졌고, 더 이상 감에 의존할 수 있는 단계가 아니었습니다.
매일 3시간, 반복 업무에 쓰고 있었습니다
예산이 늘면서 소재와 랜딩 페이지 수가 폭발적으로 증가했습니다. 수천 개의 소재를 한 건 한 건 수동으로 세팅하고, 반려 여부를 대시보드에서 직접 확인하고, 연령대별 효율을 매일 수동으로 가공하는 일에 하루 3시간 이상이 소요되고 있었습니다.
마케터의 시간 대부분이 판단이 아닌 반복 작업에 묶여 있는 상태였습니다.
유입 이후 고객 여정을 보지 못했습니다
퍼포먼스로 빠르게 유입을 만드는 데 집중하면서, 유입 이후 고객 여정은 세심하게 챙기지 못했습니다. 애슬러의 메인 타겟인 40~50대 남성은 모바일 결제에 미숙한 경우가 많아, 카카오페이 같은 외부 결제 앱으로 이동한 뒤 결제가 완료된 줄 착각하고 이탈하는 사례가 빈번했습니다. 관련 CS 문의가 늘어나고 있었지만 정확한 규모를 파악하지 못하고 있었습니다.
직접 데이터 환경을 만들었습니다
개발팀에 요청을 넣고 순서를 기다리는 방식으로는 이 성장 속도를 따라잡을 수 없었습니다. 마케팅 스쿼드는 에어브릿지 Raw Data, 카카오모먼트 API, AI 코딩 에이전트를 활용해 필요한 환경을 만들기 시작했습니다.
SQL 경험 0명에서 전원 분석하는 팀이 되기까지
에어브릿지를 통해 수집되는 유저 행동 데이터를 빅쿼리(BigQuery)에 실시간으로 적재하는 파이프라인을 구축했습니다. 채널, 캠페인, 소재 정보를 유저 단위로 매핑하여 마케터가 SQL로 직접 분석할 수 있는 환경을 만든 것입니다.
대시보드의 요약 지표만 보던 팀이, 유저 한 명 한 명의 구매 맥락을 직접 들여다볼 수 있게 되었습니다.
이 시점에 리드를 제외하면 SQL 경험자는 팀에 한 명도 없었습니다. 1시간 정도의 기초 세션과 AI 프롬프트 몇 개를 공유했는데, 마케터들이 직접 쿼리를 짜기 시작했습니다. 한 사람이 분석하던 때보다 훨씬 다양한 질문들이 나왔고, 그 질문들이 실제 의사결정을 바꾸기 시작했습니다.
"ROAS가 높으면 좋은 캠페인인가?"
핵심 브랜드의 판매를 늘려야 하는 상황에서, 대시보드 ROAS 추이와 실제 판매가 다르게 움직이는 경우가 있었습니다. 빅쿼리가 없던 때라면 "뭔가 덜 팔렸나 보다" 수준으로 넘어갔을 것입니다.
직접 확인해보니 A캠페인은 매체 ROAS가 높았지만 핵심 브랜드 판매 비중이 낮았고, B캠페인은 ROAS가 낮았지만 핵심 브랜드 판매를 실제로 견인하고 있었습니다. 과거라면 당연히 A에 예산을 더 넣었겠지만, 이제는 데이터를 근거로 B에 집중하는 판단을 내릴 수 있게 되었습니다.
"소재에 나온 상품을 유저가 실제로 살까?"
상품 이미지를 직접 노출하는 소재를 많이 사용하는데, 빅쿼리로 소재와 구매 상품을 매칭해 봤습니다. 소재 속 상품의 실구매율이 높은 소재는 성과가 지속되고, 그렇지 않은 소재는 결국 효율이 떨어지는 패턴이 확인되었습니다. 이후 베스트셀러를 직접 노출하는 소재 전략, 채널별 인기 상품을 반영한 소재 전략까지 데이터에서 뽑아낼 수 있었습니다.
"갑자기 ROAS가 튀었는데, 진짜인가?"
같은 ROAS 800%라도 한 명이 100만 원어치를 산 것과 10명이 10만 원씩 산 것은 완전히 다른 상황입니다. 한 명이면 우연일 수 있지만, 10명이면 트렌드로 판단할 수 있습니다. 이전에는 판단하기 어려웠던 이런 구분을, 이제는 쿼리 하나로 바로 확인합니다.
하루 3시간이 걸리던 운영 업무를 1시간으로 줄였습니다
데이터 환경만 바뀐 것이 아닙니다. 마케터의 하루를 차지하고 있던 반복 작업도 하나씩 자동화했습니다.
소재 대량 등록 — 건건이 수동으로 세팅하던 작업이, 구글 시트에 정보만 기입하면 트래킹 링크 생성부터 ad group 세팅, 매체 업로드까지 자동 처리됩니다.
소재 반려 리포트 — 대시보드에 직접 들어가서 확인하던 걸, 반려 즉시 슬랙으로 사유와 소재 이미지가 날아오도록 만들었습니다.
비효율 소재 모니터링 — 비용 대비 효율이 낮은 소재를 하루 3회 자동 감지하여 슬랙으로 알립니다.
연령별 리포트 — 전체 성과를 끌어내리는 저효율 연령대를 자동으로 잡아내어, 타겟 제외 판단을 빠르게 내릴 수 있게 했습니다.
업무 Before After 소재 등록 건건이 수동 세팅 시트 기입 → 자동 업로드 반려 확인 대시보드 수동 확인 슬랙 즉시 알림 소재 OFF 판단 수동 확인 자동 감지 + 알림 연령대 분석 수동 집계 자동 리포트 구매 데이터 확인 불가 BQ 실시간 분석 데일리 운영 시간 3시간+ 1시간 이내
남는 시간은 "이 캠페인을 어떻게 운영해야 하는지"를 고민하는 데 쓰이게 되었습니다.
다음 편에서는 이렇게 만들어진 환경 위에서, 결제 이탈을 발견하고 CRM 자동화와 개인화 추천 실험을 어떻게 진행했는지, 그리고 "이 성과가 진짜 우리가 만든 건지"를 어떻게 검증했는지를 다룹니다.
👉 [(하) 결제 이탈 발견에서 CRM 자동화, 개인화 실험까지]
함께 만들어갈 동료를 찾고 있습니다
지금 애슬러 마케팅 스쿼드는 이 환경에서 함께 일할 동료를 찾고 있습니다.
데이터로 문제를 찾고, 직접 해결하고, 그 결과를 숫자로 검증하는 과정을 즐기는 분. 빠르게 성장하는 비즈니스 안에서 어려운 문제를 풀어보고 싶은 분이라면, 이 팀과 잘 맞을 것입니다.
