AI가 광고 계정을 분석하기 전에 캠페인 이름부터 정리해야 하는 이유
AI에게 성과 분석을 맡기기 전에 캠페인명, UTM, 상품군 매핑이 계정을 읽을 수 있는 상태인지 먼저 점검해야 합니다.
AI는 숫자를 읽기 전에 이름을 읽는다
AI에게 "최근 14일 기준으로 상품군별 ROAS가 떨어진 캠페인을 찾아줘"라고 물었다고 해봅시다. 그런데 캠페인명이 new_test_2, 전환_0501, meta_리타겟, 혜택소재_수정본, SA_브랜드_복사본 같은 식이면 AI는 상품군과 퍼널을 알 수 없습니다.
답변은 보통 둘 중 하나로 흐릅니다. 너무 조심스러워서 쓸모없는 요약을 하거나, 너무 자신 있게 틀린 분류를 합니다. 문제는 AI가 멍청해서가 아닙니다. 계정이 AI가 읽을 수 있는 언어로 정리되어 있지 않은 것입니다.
캠페인 이름은 정리가 아니라 데이터 계약이다
캠페인 이름은 사람이 보기 좋으라고 붙이는 라벨이 아닙니다. 매체, GA4, 백오피스, 스프레드시트, AI 에이전트가 같은 대상을 같은 방식으로 부르기 위한 데이터 계약입니다.
이 계약이 깨지면 AI는 숫자를 읽어도 맥락을 잃습니다. 전환_0501이라는 이름만 보면 전환 목적 캠페인이라는 정도는 알 수 있지만, 어떤 상품군인지, 어떤 퍼널인지, 어떤 테스트인지는 알 수 없습니다.
GA4도 UTM 값을 기준으로 출처, 매체, 캠페인을 나눕니다. Google은 UTM source, medium, campaign을 일관되게 쓰라고 안내하고, 대소문자가 다른 값은 서로 다른 값으로 취급된다고 설명합니다. SpringSale과 spring_sale은 사람 눈에는 같은 캠페인처럼 보여도 보고서에서는 다른 행이 될 수 있습니다.
나쁜 이름은 AI 답변을 이렇게 망친다
AI 분석에서 가장 위험한 오류는 계산 오류보다 분류 오류입니다. ROAS 계산은 맞았는데 캠페인이 잘못 묶이면 결론은 틀립니다. "스킨케어 신규 캠페인의 ROAS가 하락했다"는 말이 사실은 리타겟팅 캠페인과 브랜드 검색 캠페인을 섞은 결과일 수 있습니다.
| 나쁜 패턴 | AI가 틀리는 방식 | 수정 방향 |
|---|---|---|
| new, test, copy만 있는 이름 | 테스트 목적과 상품군을 추측합니다. | 테스트 ID와 상품군을 분리해 넣습니다. |
| 한글/영문/약어 혼용 | 같은 상품군을 여러 그룹으로 나눕니다. | 상품군 표기 사전을 만듭니다. |
| 신규와 리타겟팅 미구분 | 퍼널별 성과 차이를 평균으로 뭉갭니다. | prospecting, retargeting 같은 필드를 고정합니다. |
| 브랜드 검색과 논브랜드 검색 혼합 | 수요 창출과 수요 회수를 같은 캠페인처럼 봅니다. | brand, nonbrand를 반드시 구분합니다. |
| UTM 대소문자 불일치 | GA4에서 같은 캠페인이 여러 행으로 쪼개집니다. | 소문자와 구분자를 표준으로 정합니다. |
AI가 읽어야 하는 최소 정보
모든 정보를 캠페인 이름에 다 넣을 필요는 없습니다. 이름이 너무 길어지면 운영자가 지키지 않습니다. 대신 AI 분석에 필요한 최소 필드는 정해야 합니다.
| 필드 | 왜 필요한가 | 예시 |
|---|---|---|
| 매체 | 같은 상품군이라도 Meta, Google, Naver의 역할과 보고 기준이 다릅니다. | meta, google, naver, tiktok |
| 목적 | 구매, 리드, 트래픽, 브랜드 검색을 같은 성과 기준으로 비교하면 안 됩니다. | purchase, lead, traffic, brand-search |
| 퍼널 | 신규 유입과 리타겟팅을 섞으면 예산 판단이 흔들립니다. | prospecting, retargeting, cart |
| 상품군 | 상품군별 ROAS, CPA, 객단가를 보려면 캠페인이 어떤 상품을 팔았는지 알아야 합니다. | skincare, healthfood, b2b-consulting |
| 대상 전략 | 브로드, 유사타겟, 키워드, 리마케팅은 성과 해석 방식이 다릅니다. | broad, lookalike, keyword, remarketing |
| 기간 또는 테스트 ID | 테스트 결과를 다시 찾고 수정본과 원본을 구분하기 위해 필요합니다. | 202605, test-a, promo-summer |
예를 들어 meta_purchase_prospecting_skincare_broad_202605는 AI가 읽을 수 있습니다. 한글과 영문 중 무엇을 쓰느냐는 팀 선택입니다. 중요한 것은 스킨케어, skincare, skin처럼 섞지 않고 하나로 고정하는 것입니다.
이름만으로 부족하면 UTM과 매핑표가 필요하다
캠페인 이름에 모든 맥락을 넣으려 하면 실패합니다. 매체마다 이름 길이, 구조, 자동 파라미터 지원 방식이 다르고, 이미 운영 중인 캠페인은 이름을 바꾸는 순간 보고서 연속성이 끊길 수 있습니다. 새 캠페인부터 규칙을 적용하고, 과거 캠페인은 매핑표로 보정하는 편이 안전합니다.
UTM은 GA4에서 유입을 나누는 기준이고, 매핑표는 우리 팀이 캠페인을 해석하는 기준입니다. Google Ads의 URL 옵션처럼 매체별 추적 파라미터 도구는 다르지만, 결국 GA4와 Neuro가 읽어야 하는 값은 일관된 출처, 매체, 캠페인, 상품군입니다.
| 캠페인 | 상품군 | 퍼널 |
|---|---|---|
| meta_purchase_prospecting_skincare_broad_202605 | 스킨케어 | 신규 유입 |
| naver_brand_skincare_202605 | 스킨케어 | 브랜드 수요 |
| google_pmax_healthfood_202605 | 건강식품 | 혼합 |
Neuro에서는 이런 매핑 기준을 워크스페이스 지침이나 네이밍 감사 Gem 지침에 표로 남깁니다. 규칙이 복잡하면 JSON 형태로도 둘 수 있습니다. 핵심은 AI에게 매번 "이 캠페인은 어떤 상품군인가"를 추측시키지 않는 것입니다.
Neuro에서는 먼저 네이밍 감사를 시킨다
AI에게 바로 성과 분석을 시키기 전에, 먼저 계정의 분류 기준을 감사시킵니다. 목적은 성과를 해석하는 것이 아니라 AI가 계정을 안정적으로 읽을 수 있는지 확인하는 것입니다.
여기서 중요한 문장은 "추측하지 말고 분류 불가로 표시해줘"입니다. 좋은 AI 답변은 빈칸을 그럴듯하게 채우는 답변이 아닙니다. 모르는 것을 모른다고 표시하고, 사람이 어떤 규칙을 고쳐야 하는지 알려주는 답변입니다.
Neuro에서는 이렇게 활용한다
- 연결된 광고 계정과 GA4를 기준으로 최근 90일 활성 캠페인을 불러옵니다. 성과 분석을 바로 요청하지 말고 캠페인명과 UTM 기준 분류부터 시킵니다.
- AI가 분류 불가로 표시한 캠페인을 예산 또는 매출 비중 순으로 정렬합니다. 전체 캠페인 수보다 중요한 것은 비용이 큰 캠페인이 읽히지 않는지입니다.
- 신규 캠페인은 네이밍 규칙으로 수정하고, 과거 캠페인은 상품군/퍼널 매핑표로 보정합니다. 운영 중인 캠페인을 무리하게 대량 변경하지 않습니다.
- 정리된 규칙을 워크스페이스 지침 또는 Neuro Gem 지침에 저장합니다. 예를 들어 "스킨케어, skincare, skin은 모두 스킨케어로 묶는다"처럼 팀의 해석 규칙을 남깁니다.
- 신규 캠페인 셋업 때마다 한 번, 그리고 분기마다 한 번 분류 불가 비율을 점검합니다. 캠페인을 많이 새로 만드는 팀이라면 월간 루틴으로 돌리는 편이 낫습니다.
바로 쓸 수 있는 프롬프트
| 상황 | 나쁜 질문 | Neuro에서 더 나은 질문 |
|---|---|---|
| 네이밍 감사 | 캠페인 정리해줘 | 최근 90일 캠페인명을 기준으로 매체, 목적, 퍼널, 상품군, 대상 전략을 분류해줘. 확실하지 않은 값은 추측하지 말고 분류 불가로 남겨줘. |
| UTM 점검 | GA4 유입 이상한 거 있어? | GA4 유입 데이터에서 utm_source, utm_medium, utm_campaign 값이 섞여 있는 패턴을 찾아줘. 대소문자, 공백, 한글/영문 혼용, 같은 캠페인의 중복 표기 문제를 우선 정리해줘. |
| 상품군 매핑 | 상품별 성과 보여줘 | 캠페인명을 상품군별로 묶고, 이름만으로 상품군을 알 수 없는 캠페인은 별도 표로 분리해줘. 예산 또는 매출 비중이 큰 순서로 정렬해줘. |
| 새 캠페인 QA | 이 이름 괜찮아? | 아래 캠페인 이름이 우리 팀 네이밍 규칙에 맞는지 확인해줘. AI 분석에 필요한 매체, 목적, 퍼널, 상품군, 대상 전략, 기간 정보가 빠졌는지도 체크해줘. |
| 리포트 전 점검 | 보고서 만들어줘 | 보고서 작성 전에 분류 불가 캠페인이 팀 기준을 넘는지 확인해줘. 넘으면 성과 해석보다 네이밍/UTM 정리 이슈를 먼저 표시해줘. |
이 프롬프트들의 공통점은 AI에게 결론부터 요구하지 않는다는 점입니다. 먼저 계정을 읽을 수 있는지 확인하고, 불확실한 항목을 분리한 뒤, 그 다음 성과 분석으로 넘어갑니다. 글을 읽은 운영자가 그대로 Neuro에 붙여 넣을 수 있어야 합니다.
팀에서 정해야 할 최소 규칙
- 같은 상품군은 같은 이름으로 씁니다.
- 신규, 리타겟팅, 브랜드 검색은 반드시 구분합니다.
- 테스트 캠페인은 테스트 ID를 남깁니다.
- new, test, copy, 수정본만 있는 이름은 금지합니다.
- UTM 값은 소문자와 하나의 구분자 규칙으로 통일합니다.
- AI가 모르면 추측하지 않고 분류 불가로 표시하게 합니다.
- 이름을 바꾸기 어려운 과거 캠페인은 매핑표로 보정합니다.
AI 광고 분석은 계정을 읽는 일에서 시작합니다. Neuro에서 AI에게 광고 계정을 맡기기 전에 먼저 물어봐야 할 질문은 "성과 왜 떨어졌어?"가 아닙니다. "이 계정, AI가 제대로 읽을 수 있어?"가 먼저입니다.
관련 글
새 광고 업무는 새 채팅에서 시작해야 하는 이유
AI가 이상한 답을 하는 이유가 모델 성능이 아니라 이전 대화의 가정일 때가 있습니다. Neuro에서 새 채팅, 같은 채팅, Gem 지침을 나누는 기준을 정리합니다.
AI 에이전트가 광고 계정을 읽는 순서
광고 계정 진단은 ROAS 하나를 보는 일이 아니라 목표, 구조, 예산, 전환 품질, 소재 신호를 차례대로 검증하는 과정입니다.
ROAS가 다를 때 AI에게 어떻게 물어야 하나
매체 ROAS는 각 플랫폼이 자기 접점에 부여한 기여입니다. GA4와 백오피스 기준을 분리하고 기여분석 기준을 먼저 정해야 AI가 실행 가능한 분석을 할 수 있습니다.
Neuro에서 Gem을 광고 업무에 쓰는 법
Neuro의 Gem은 단순한 프롬프트 저장 기능이 아니라 광고 계정 분석, 보고, 승인 검토의 기준을 업무별 AI 페르소나로 고정하는 방법입니다.
참고 자료
- Google Analytics Help: URL builders, collect campaign data with custom URLs
GA4에서 UTM source, medium, campaign 값으로 캠페인 유입을 식별하고, 값의 대소문자와 일관성이 보고서 분산에 영향을 준다는 공식 문서입니다.
- Google Analytics Help: Import campaign data
외부 광고 플랫폼의 비용, 클릭, 노출 데이터를 GA4 캠페인 데이터와 결합할 때 UTM 값과 캠페인 ID가 정확히 맞아야 한다는 공식 문서입니다.
- Google Ads Help: About URL parameters
Google Ads에서 최종 URL, 추적 템플릿, 커스텀 파라미터, ValueTrack 파라미터가 클릭 정보를 전달하는 방식을 설명합니다.
- Google Ads Help: About tracking in Google Ads
Google Ads URL 옵션을 계정, 캠페인, 광고그룹, 키워드 수준에서 설정하고 테스트할 수 있다는 공식 도움말입니다.