광고의 초 단위 리텐션 곡선 읽는 법: 세 가지 곡선과 하나의 백분위

경쟁사 광고를 분석한다며 크리에이티브 센터에서 재생 수 순으로 정렬한 뒤, 상위 소재를 세 번쯤 보고 “초반 템포가 빠르다”, “문제 제기를 잘했다” 같은 감상을 적는 경우가 많다. 그리고 비슷한 영상을 만든다. 결과가 기대에 못 미치면 다음 히트작을 열어 같은 과정을 반복한다.

문제는 분석에 들인 공수가 부족해서가 아니다. 처음부터 잘못된 지표를 읽고 있기 때문이다. 재생 수와 좋아요는 그 소재가 성과를 냈다는 사실만 보여 줄 뿐, 몇 초에서 승부가 났는지, 무엇으로 이겼는지는 말해 주지 않는다. 하지만 다음 소재에 가져갈 수 있는 정보는 바로 그 두 가지다.

먼저 데이터 출처부터 짚자. 이 글에서 말하는 모든 곡선과 백분위는 각 플랫폼의 공개 광고 라이브러리와 크리에이티브 센터에서, 별도 수집이나 서명, 우회 없이 자신의 계정으로 확인할 수 있는 데이터다. 애초에 광고주를 위해 플랫폼이 제공하는 화면이며, 데이터는 이미 그곳에 있다. 대부분의 사람이 봐야 할 몇 개의 숫자를 모를 뿐이다.

재생 수는 가장 쓸모없는 지표다

재생 수에는 플랫폼의 배포 로직이 강하게 섞여 있다. 재생 수가 높았다는 것은 소재 자체가 좋았다는 뜻일 수도 있지만, 단지 일찍 집행했고 예산을 크게 태웠으며 저렴한 트래픽 구간을 만났다는 뜻일 수도 있다. 재생 수만으로는 ‘좋은 소재’와 ‘큰 예산’을 분리할 수 없다.

좋아요는 더 위험하다. 좋아요는 감정적 반응이고, 실제로 원하는 전환과는 다른 방향으로 움직이는 일이 많다. 시청자를 웃게 만드는 소재는 좋아요를 많이 받을 수 있다. 하지만 웃고 넘길 뿐 구매 전환은 0일 수 있다. 좋아요를 최적화하면 구매 의도가 아니라 오락성을 최적화하게 된다.

두 지표의 치명적인 공통점은 시간축이 없는 단일 숫자라는 것이다. 광고 소재는 시간에 따라 전개되고, 2초째의 시청자 행동과 5초째, 8초째의 행동은 전혀 다르다. 그런데 총 재생 수 하나는 이 모든 흐름을 평평하게 눌러 버린다. 본질적으로 ‘언제 무엇이 일어나는가’를 다루는 작업에 시간축 없는 숫자를 가져다 쓰는 순간, 필요한 정보는 이미 사라진 셈이다.

정작 시간축을 가진 데이터는 크리에이티브 상세 페이지에 있다. 그런데 대부분은 그 화면을 열어 보지 않는다.

봐야 할 것은 세 곡선의 변곡점이다

성과가 좋은 소재의 상세 화면을 열면 영상 외에도 거의 아무도 분석하지 않는 초 단위 곡선 세 개가 보인다. 초 단위 리텐션, 초 단위 클릭, 초 단위 전환이다. x축은 영상의 몇 초째인지이고 전체 길이는 플랫폼이 알려 준다. y축은 각각 해당 시점까지 시청 중인 사람의 비율, 클릭한 사람의 비율, 전환한 사람의 비율이다. 플랫폼은 몇몇 주요 프레임도 표시해 준다. 다만 표시해 주는 것과 해석해 주는 것은 다르다. 주요 프레임은 변화가 일어난 지점일 뿐, 그 변화가 의미하는 바까지 알려 주지는 않는다.

곡선을 읽을 때 중요한 것은 전체적으로 높으냐가 아니라, 변곡점이 몇 초에 있느냐다. 세 곡선의 변곡점은 각각 다른 질문에 답한다.

리텐션 곡선의 급락 지점은 오프닝이 버텼는지를 보여 준다. 리텐션 곡선은 모두 100%에서 시작해 내려가며, 핵심은 하락 폭의 형태다. 2초 또는 3초에 급격히 꺾인다면 첫 2초 안에 계속 볼 이유를 만들지 못했다는 뜻이다. 이탈한 사람은 그 오프닝에 걸리지 않은 사람들이다. 급락 위치는 스크립트의 특정 한 줄, 특정 한 컷과 직접 연결된다. 3초에 꺾였다면 문제는 3초의 프레임에 있다.

클릭 곡선의 피크는 어떤 순간에 판매 포인트가 실제로 먹혔는지를 알려 준다. 클릭은 고르게 발생하지 않는다. 대개 한두 초에 몰리며, 그 시점의 프레임이 하고 있는 일, 즉 가격을 보여 주는지, 결과를 시연하는지, 약속을 강조하는지가 이 소재의 진짜 훅이다. 훅은 당연히 앞부분에 있다고 생각하기 쉽지만, 클릭 피크는 그것이 영상 중간에 있을 수 있음을 자주 보여 준다.

가장 직관에 반하면서도 가치 있는 신호는 전환 곡선의 시차다. 전환은 거의 클릭과 동시에 일어나지 않고 항상 뒤따른다. 시청자는 5초에 설득되어 클릭하지만, 효용을 끝까지 확인한 뒤인 12초에야 전환할 수 있다. 클릭 피크와 전환 상승 구간 사이의 간격은 ‘관심 있음’이 ‘구매할 의향 있음’으로 바뀌는 데 필요한 설득 구간의 길이를 뜻한다. 이 시차가 지나치게 길다면 효용을 너무 느리게 제시했고, 시청자는 내용이 전달되기 전에 떠났다는 의미다.

세 곡선을 겹쳐 보면 소재의 전체 구조가 드러난다. 몇 초 동안 붙잡고, 특정 초에 설득한 다음, 다시 몇 초를 써서 전환으로 밀어 넣는다. 세 변곡점이 찍힌 초 단위 위치는 다음 스크립트에 그대로 옮길 수 있는 구조다.

CTR은 절대값이 아니라 백분위로 봐야 한다

곡선 외에 플랫폼이 제공하는 지표가 하나 더 있다. 해당 소재의 CTR 백분위다.

초보자가 가장 쉽게 하는 실수는 CTR을 절대값으로 해석하는 것이다. “CTR이 5%면 나쁘지 않다”는 식이다. 하지만 5%가 높은지 낮은지는 동종 소재의 기준 없이는 판단할 수 없다. 충동구매 카테고리에서는 5%가 최하위권일 수 있고, 고가 상품 카테고리에서는 상위권일 수 있다. CTR 절대값만으로는 알 수 있는 것이 없다. 중요한 것은 백분위다. 백분위 0.9라면 해당 업종 소재의 90%보다 클릭 성과가 좋다는 뜻이며, 이 수치는 실제 의사결정에 쓸 수 있다.

백분위에는 놓치기 쉬운 조건도 있다. 바로 집계 기간이다. 같은 소재라도 최근 7일, 30일, 180일 기준으로 계산한 백분위는 크게 달라질 수 있다. 최근에야 볼륨이 붙은 소재는 7일 구간에서는 높게 나오고 180일 구간에서는 희석된다. 어떤 기간으로 비교하느냐가 숫자의 의미를 결정하므로, 집행 주기에 맞춰 기간을 통일해야 한다.

또 하나 놓치기 쉬운 곡선은 날짜별 인기 추이다. 상승 중인지, 정체됐는지, 이미 하락세로 접어들었는지를 봐야 한다. CTR 백분위가 높아도 인기 곡선이 이미 내려가고 있다면, 지금 이를 따라 하는 것은 트래픽의 마지막 파도를 쫓는 일이다. 실제로 참고할 대상은 백분위가 어느 정도 괜찮으면서도 인기가 계속 오르는 소재다. 이 곡선은 ‘카피할지 말지’보다 ‘지금 카피하기에 너무 늦었는지’를 판단하게 해 준다.

여러 소재의 곡선을 한꺼번에 모델에 넣어라

소재 하나의 세 곡선이라면 사람도 읽을 수 있다. 하지만 재사용 가능한 결론을 얻으려면 한 업종에서 잘된 소재 10여 개에서 20개가량을 함께 보고, 변곡점이 공유하는 구조를 찾아야 한다. 모두 2초 이전에 리텐션을 지켰는지, 클릭 피크가 특정 프레임 유형에 몰려 있는지 같은 질문이다. 수십 개 곡선의 시점별 값을 머릿속에서 동시에 정렬해야 하므로 사람에게는 무리다. 바로 이 지점에서 모델이 쓸모를 발휘한다.

방식은 한 번에 끝내는 것이 아니라 두 단계로 나눠야 한다. 이 두 단계 접근은 광고 카피 클러스터링 글과 같은 사고방식이다.

첫 단계는 소재별 구조화 필드 추출이다. 각 소재에서 세 곡선의 변곡점이 발생한 초, 변곡점 전후의 값 변화, 그 시점 프레임이 무엇을 하고 있었는지를 하나의 구조화 레코드로 뽑는다. 소재당 한 번씩 호출하는 고동시성 기계 작업이므로, 배치 하나에 수백 건에서 수천 건이 될 수 있다.

두 번째 단계에서는 그 테이블 전체를 모델에 한 번에 넣고 어트리뷰션을 수행한다. 프롬프트에는 출력 형식을 고정해야 한다. “왜 이 소재들이 좋은가”라고 물으면 “몰입감 있는 오프닝” 같은 흐릿한 답만 쌓인다. 공통 구조마다 아래 세 가지를 내놓도록 해야 한다.

You'll receive per-second curve summaries for N high-performing creatives in
one category, each with three inflection seconds, drops, and a frame
description at that second. Find the recurring structures, and output each
one in the format below, no prose:

1. Inflection second
   Which second of the video this structure reliably appears at (give a
   range, not a single point)

2. What the frame is doing
   The specific action/element at that second, pointing to specific
   creative IDs, no vague descriptions allowed

3. Reusable script structure
   Abstract it into one instruction you can write into the next script
   (e.g. "an after-use result frame must appear before second 2")

4. Counterexample
   Are there creatives in this batch that break this structure and still
   perform well? If so, list them. If the structure doesn't actually hold,
   say so directly

첫 단계는 저렴한 배치 티어에 맞는다. 반면 두 번째 단계는 배치 전체의 곡선 값을 한 번에 들고 있어야 하므로 긴 컨텍스트 티어가 적합하다. 수십 개 소재의 시점별 배열은 쉽게 수십만 토큰까지 쌓인다. 두 티어를 나누면 비용과 정확도를 모두 맞출 수 있다.

어트리뷰션은 스크립트 지시문이 되어야 한다

위 프롬프트의 세 번째 항목이 이 작업의 가치를 결정한다. 다음 소재의 스크립트 지시문으로 바꿀 수 없는 어트리뷰션은 쓸모없는 말이다.

“이 히트작들은 리듬이 좋다”는 어트리뷰션이 아니라 감상이다. ‘좋은 리듬’으로는 촬영할 수 없다. 반면 “시청자를 붙잡은 소재들은 모두 제품 자체가 아니라 사용 후 결과 프레임을 2초 이전에 보여 준다”는 어트리뷰션이다. 다음 스크립트에서 2초 이전에 결과 프레임을 넣으라는, 바로 실행 가능한 촬영 지시가 되기 때문이다.

어트리뷰션이 유효한지 판단하는 기준은 하나면 충분하다. 스크립트의 구체적인 변수로 바꿀 수 있는가. 초 단위 위치도 변수고, 프레임 유형도 변수며, 설득 구간의 길이도 변수다. 변수로 바뀌는 것만 남기고 그렇지 않은 것은 버려라. 최종적으로 필요한 것은 경쟁사 분석 보고서가 아니라 다음 소재 묶음을 위한 변수표다. 몇 초에 무엇을 넣을지, 설득 구간을 몇 초로 둘지, 훅을 어떤 프레임에 배치할지가 담긴 표다.

변수표 다음 단계가 스크립트이고, 그다음이 완성된 광고 영상이다. 스크립트에서 완성 영상으로 가는 과정은 현장 이미지·영상 생성의 영역이며, ‘키워드 → 곡선 어트리뷰션 → 스크립트 → 완성 광고’ 전체 흐름은 키워드부터 완성 광고까지 다룬 글에서 다룬다. 이 글은 곡선을 변수표로 읽어 내는 앞부분만 다룬다.

함정: 모델이 상관관계를 인과관계로 단정하게 두지 말 것

배치 어트리뷰션에는 거의 피하기 어려운 함정이 하나 있다. 모델은 상관관계를 인과관계로 부르려는 경향이 강하다.

리텐션이 높은 광고 열 개의 오프닝에 고양이가 나오면, 모델은 “고양이가 리텐션의 핵심”이라고 말할 수 있다. 하지만 실제로는 고양이를 좋아하는 하나의 제작팀이 만든 소재들이 우연히 그 배치에 많이 포함됐을 뿐일 수 있다. 고양이와 높은 리텐션은 모두 그 팀의 스타일에서 나온 결과일 뿐, 둘 사이에 인과관계는 없을 수 있다. 이 분석을 믿고 다음 소재들에 고양이를 억지로 넣어도 리텐션은 움직이지 않는다.

이 함정은 JS 리버스 엔지니어링에서 모델이 ‘알고리즘 계열을 알아보고 세부 검토를 멈추는’ 문제와 같은 종류다. 모델은 스스로 일관된 설명을 만들고 나면 더는 그 설명을 의심하지 않는다. 리버스 엔지니어링 워크플로에서는 프롬프트에 반증 섹션을 강제해 이를 해결한다. 여기에도 그대로 적용된다. 위 프롬프트의 네 번째 항목인 반례는 선택 사항이 아니라, 해당 어트리뷰션을 믿어도 되는지 확인하는 시험이다.

활용 방법은 단순하다. 모델이 “2초의 결과 프레임이 높은 리텐션을 만든다”고 주장한다면, “이 배치에서 2초에 결과 프레임을 넣었지만 리텐션이 낮았던 소재가 있는가”라고 답하도록 밀어붙여야 한다. 그런 소재가 있다면 그 인과관계는 틀렸고, 프레임과 리텐션 사이에 다른 요인이 있다는 뜻이다. 배치 전체를 찾아도 반례가 없다면 그 구조는 변수표에 넣어 볼 가치가 있다. 반례를 만들지 못하는 모델의 어트리뷰션은 하나도 제작 기준으로 삼아서는 안 된다. 상관관계 더미를 따라 촬영하게 되고, 왜 작동하지 않는지도 알 수 없기 때문이다.

단계별로 맞는 모델을 써야 한다

이 네 단계 파이프라인이 모델에 요구하는 역량은 서로 다르다. 하나의 모델로 전부 처리하면 비용을 낭비하거나 정확도를 잃게 된다.

단계	필요 역량	추천	model id
소재별 필드 추출(N개 소재의 변곡점 + 프레임)	저비용, 수백~수천 건을 높은 동시성으로 호출	Claude Sonnet 5	`claude-sonnet-5`
배치 어트리뷰션(배치 전체 곡선을 동시에 유지하며 공통점 탐색)	긴 컨텍스트, 입력당 수십만 토큰	Kimi K3	`kimi-k3`
인과관계 검증과 반례 탐색(공통 구조를 반대 방향에서 검토)	강한 추론력, 자신의 결론에도 반박할 수 있는 능력	Claude Opus 5	`claude-opus-5`
개별 소재 차이 어트리뷰션(왜 이 소재는 전환이 뒤처지는가)	중간 수준의 추론, 특정 초 단위 상황을 기준으로 설명	GPT-5.6 Sol	`gpt-5.6-sol`

특히 짚을 부분은 반례 단계다. 이는 알고리즘 계열 식별에서 반증 섹션이 검증하는 것과 같다. 모델이 방금 낸 결론을 계속 파고들 수 있는지 보는 것이다. 약한 모델은 반례 섹션을 결론의 반복으로 채운다. “이 구조는 대부분의 소재에서 검증됐다”는 식이다. 강한 모델은 실제로 결론과 모순되는 소재를 찾아낸다. 반례 섹션의 품질이 곧 잘못된 인과관계를 따라 제작하게 되는 횟수를 결정한다.

차이가 궁금하다면 믿지 말고 직접 테스트해 보자. 절차는 다음과 같다.

한 업종에서 상위 소재 10~15개를 가져오고, 각 소재의 초 단위 세 곡선과 CTR 백분위를 수집한다.
저비용 티어에서 이를 구조화 테이블로 추출한다. 변곡점이 발생한 초와 그 시점의 프레임을 넣는다.
전체 테이블을 claude-opus-5와 gpt-5.6-sol에 넣고, 위 4번 항목의 반례 프롬프트를 적용한다.
한 가지만 본다. 리텐션은 뛰어나지만 전환은 낮은 소재를 모델이 스스로 반례로 골라내는가. 별도 지시 없이 반례를 제시하는 티어가 스크립트 작성에 쓸 수 있는 어트리뷰션을 내놓는 티어다.

한 번만 돌려 봐도 어떤 벤치마크보다 직접적으로 차이를 알 수 있다.

문제는 모델 선택이 아니라 전환 비용이다

모델은 네 개, 벤더는 세 곳, SDK도 세 개, 인증 방식도 세 개, 오류 형식도 세 가지다. 단계마다 다른 모델을 쓰려면 가장 단순하게는 클라이언트를 세 개 연결해야 한다. 대부분은 계산해 보고 그만한 가치가 없다고 판단한 뒤, 결국 처음부터 끝까지 하나의 모델만 쓴다. 그러면 배치 어트리뷰션 단계에서 반례를 잘 찾지 못하는 티어를 쓰게 되고, 잘못된 인과관계를 따라 수많은 쓸모없는 소재를 제작하면서도 이유를 모르게 된다.

AIReiter는 이 레이어를 하나로 평탄화한다. 키 하나와 OpenAI 호환 인터페이스 하나로 네 티어를 모두 사용할 수 있으며, 요청 본문의 model 필드만 바꾸면 된다.

# Batch attribution + counterexamples: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<attribution prompt + N curve-summary table>"}]
  }'

# Extract fields per creative: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Long context to hold a whole batch of curves:
#   "model": "kimi-k3"

이미 OpenAI SDK를 사용 중이라면 base_url만 https://aireiter.com/api/v1로 지정하면 되고, 나머지는 바꿀 필요가 없다. Anthropic SDK에서는 같은 키로 POST /api/v1/messages를 호출하면 된다.

가격 측면에서 Claude 모델은 정가 대비 30% 할인, GPT 모델은 반값으로 제공된다. 이 흐름에서는 할인이 주요 비용 구간에 정확히 적용된다. 소재별 필드 추출은 배치당 수백~수천 건을 호출하는 가장 호출 밀도가 높은 단계이며, Claude Sonnet을 30% 할인된 가격으로 사용한다. 개별 소재 차이 어트리뷰션은 GPT-5.6 Sol을 반값에 사용한다. 수십만 토큰에 이르는 배치 어트리뷰션의 긴 컨텍스트 입력은 Kimi K3에서 처리하며, 같은 키로 호출할 수 있다. 할인은 비용이 가장 많이 드는 두 구간에 적용된다.

API 키 발급받기
가입 없이 사용해 보기: 먼저 몇 개 곡선을 직접 입력해 두 모델이 반례를 어떻게 제시하는지 비교한 뒤, 어떤 모델을 연결할지 결정하면 된다.

마무리

재생 수와 좋아요로 광고 소재를 읽는 것은 시간축을 평평하게 만든 단일 숫자로, 처음부터 끝까지 시간이 핵심인 작업을 안내하려는 일이다. 필요한 정보는 시작부터 빠져 있다.

크리에이티브 센터는 이미 시간축 데이터를 보여 주고 있다. 초 단위 세 곡선의 변곡점은 붙잡아야 할 초, 설득해야 할 초, 전환시켜야 할 초를 알려 준다. CTR 백분위는 이 소재가 동종 소재 사이에서 실제로 어느 정도인지 보여 준다. 절대값 자체는 중요하지 않다. 여러 소재의 곡선을 모델에 넘겨 배치 어트리뷰션을 하면 ‘좋다’는 감상이 아니라 다음 스크립트에 쓸 수 있는 변수표를 얻는다. 단, 모델이 반드시 반례를 내놓게 하고, 추정된 상관관계를 실제 인과관계로 하나씩 걸러 내야 한다.

여기서 모델의 역할은 분명하다. 수십 개 곡선을 동시에 정렬해 공통 구조를 찾고, 프롬프트를 제대로 설계했을 때 자신의 결론에도 반박할 수 있는 어트리뷰터다. 모델이 광고를 촬영해 주는 것도 아니고, 인과관계를 대신 결정해 주는 것도 아니다. 반례로 진짜 인과를 걸러 내고, 변수표를 스크립트로 바꾸며, 완성 광고는 다음 글에서 다룰 영역이다.