[인사이트] 디지털 마케터가 알아야 할 GEM(Generative Ads Recommendation Model)의 핵심과 성과 최적화 전략

💡이번 콘텐츠는 Meta GEM: The Central Brain Accelerating Ads Recommendation AI Innovation 의 내용을 기반으로 디지털마케터가 알아야할 GEM의 핵심성과 최적화 전략을 구성하였습니다.
Meta의 GEM(Generative Ads Recommendation Model)은 사용자 행동 데이터를 시퀀스 모델링으로 분석하여 구매 여정 단계별 타깃팅을 최적화합니다. 또한, 이미지, 텍스트, 비디오 등 멀티모달 데이터를 통합적으로 학습하여 진정한 소재 다양성을 확보하고, 교차 표면 학습을 통해 다양한 지면에서의 사용자 행동을 학습하여 배치 전략을 고도화합니다.
GEM 시대 성과 최적화를 위한 5가지 실행 가이드라인은 타깃팅 범위 확대, 소재 전략 다양화, 배치 최적화, 운영 관리, 데이터 신호 강화입니다. 

 

최근 광고 시장의 패러다임이 '설정' 중심에서 '학습' 중심으로 이동하고 있습니다. 그 중심에 있는 Meta의 GEM(Generative Ads Recommendation Model)은 단순한 알고리즘을 넘어선 차세대 AI 모델입니다. 마케터가 성과를 최적화하기 위해 반드시 이해해야 할 GEM의 4가지 핵심 메커니즘과 실전 대응 전략을 정리합니다.

Meta GEM(Generative Ads Recommendation Model)

1. 타깃팅의 패러다임 변화: '관심사'에서 '여정'으로

GEM은 사용자의 행동을 점이 아닌 선으로 이해합니다. 기존의 타깃팅이 "누가 무엇을 좋아하는가"에 집중했다면, GEM은 "지금 이 사용자가 구매 여정의 어느 단계에 있는가"를 분석합니다.

• 시퀀스 모델링(InterFormer): GEM은 사용자가 과거에 보인 클릭, 조회, 상호작용 등 수천 개의 이벤트를 시간 순서대로 분석합니다. 이를 통해 사용자의 현재 위치를 정확히 파악하여 구매 가능성이 가장 높은 순간에 광고를 노출합니다.
• 광범위 타깃팅(Broad Targeting)의 우위: 수조 개의 매개변수를 가진 LLM(거대언어모델)급 모델인 GEM에게는 마케터의 수동 설정보다 '넓은 타깃'이 더 유리합니다. 모델이 스스로 방대한 데이터 속에서 복잡한 패턴을 발견할 수 있도록 타깃 범위를 개방하는 것이 기계적으로 훨씬 효율적입니다.

2. 소재 전략의 재정의: '진정한' 멀티모달 다양성

마케터가 올린 소재가 시스템상에서 어떻게 처리되는지 알면 소재 전략이 완전히 바뀝니다.

• 표현(Representation)의 압축:배경색이나 폰트만 살짝 바꾼 여러 개의 소재는 모델 입장에서 하나의 '동일한 신호'로 인식되어 압축됩니다. 이는 유의미한 데이터 확보를 방해합니다.
  • 신호의 보존과 교차 학습: GEM은 사용자 행동 데이터를 압축하는 과정에서 발생하던 정보 유실을 최소화했습니다. 전체 시퀀스 정보를 보존하면서 사용자의 속성과 광고의 특징을 정밀하게 교차 학습합니다.
  • 기능적 유사성의 함정: 만약 배경색만 조금 다른 15개의 광고를 운영한다면, 모델은 이를 별개의 소재가 아닌 하나의 '유사한 신호 뭉치'로 인식합니다. 이는 학습의 효율을 떨어뜨리는 원인이 됩니다.
• GEM이 인정하는 다양성: GEM은 이미지, 텍스트, 비디오를 통합적으로 이해하는 멀티모달 모델입니다. 따라서 단순한 변주보다는 정지 이미지와 릴스 영상, 텍스트 기반 카탈로그 등 매체의 성격 자체가 다르거나, '제품 중심'과 '사용 맥락 중심'처럼 구조적 차이가 있는 소재를 구성해야 모델이 이를 별개의 유의미한 신호로 받아들입니다.
  • 멀티모달(Multimodal) 다양성: GEM은 이미지, 텍스트, 오디오, 비디오를 통합적으로 이해하는 모델입니다. 단순히 이미지의 변주가 아니라, 매체의 성격이나 광고 목표(Goal) 자체가 다른 구조적 차이가 있을 때 비로소 모델은 이를 '새롭고 유의미한 신호'로 인지합니다.

3. 운영의 고비: 지식 전달 방식과 학습 중 CPA가 일시적으로 급증의 이유

캠페인 초기나 소재 교체 시 CPA가 갑자기 치솟는 현상은 모델이 학습하는 과정에서 발생하는 자연스러운 통과의례입니다.

• 교사-학생 모델 구조: 중앙 브레인인 GEM(교사 모델)은 학습한 고도의 통찰을 실시간 광고 서빙을 담당하는 하위 모델(학생 모델)에 전달(Distillation)합니다.
  • 지식 전달(Knowledge Transfer): 교사인 GEM이 학습한 고도의 통찰을 실시간 광고를 송출하는 학생 모델에게 전달(지식 증류)하는 방식입니다.
• 도메인 정렬(Alignment): 이 지식 전이 과정에서 두 모델 간의 신호 불일치(Domain Mismatch)가 발생할 수 있습니다. 'Student Adapter'가 최신 데이터를 반영해 모델을 조정하고 안정을 찾기까지는 최소 7일 이상의 시간이 필요합니다. 이 과정에서 일시적으로 성과(CPA) 악화는 고도화된 최적화를 위한 필수적인 과정입니다.

4. 배치(Placement) 전략: 데이터의 입체성을 높이는 '교차 학습'

다양한 지면에 광고를 노출하는 것은 단순히 노출량을 늘리는 것이 아니라, 모델의 지능을 높이는 행위입니다.

• 교차 표면 학습(Cross-Surface Learning):* GEM은 페이스북, 인스타그램, 비즈니스 메시징 등 Meta 내의 서로 다른 지면에서의 사용자 행동을 통합적으로 학습합니다.
• 데이터 보완 효과: 예를 들어, 인스타그램 릴스에서 얻은 사용자의 반응은 즉시 학습되어 페이스북 피드 광고의 예측 정확도를 높이는 데 사용됩니다. 모든 지면(Advantage+ 배치)을 활용할수록 GEM은 사용자에 대한 입체적인 데이터를 확보하여 최적의 성과를 낼 수 있습니다.

5.[실전 가이드] GEM 시대의 마케팅 5계명

GEM 시대의 성과 최적화를 위한 실행 가이드라인 5가지만 기억하세요.

단계	전략 키워드	세부 실행 방안
타깃팅	Broad & Fluid	세부 관심사 설정 대신 타깃 범위를 넓혀 모델이 스스로 패턴을 찾게 하세요.
소재 전략	Multimodal	이미지 변주보다는 영상, 텍스트, 카탈로그 등 매체의 속성을 다양화하세요.
배치 최적화	Cross-Surface	특정 지면에 고정하지 말고 모든 지면(Advantage+)을 열어 교차 학습을 유도하세요.
운영 관리	Alignment	초기 CPA 변동에 당황하지 마세요. 모델이 정렬될 때까지 잦은 수정을 피해야 합니다.
데이터 신호	Full Funnel	단순 클릭을 넘어 전환, 장기 가치(LTV) 등 양질의 데이터를 지속적으로 제공하세요.

 

---

 

[가상 케이스] 패션 브랜드 'A-Style'의 GEM 최적화 캠페인 전략

디지털 마케팅 현장에 바로 적용할 수 있는 GEM 기반 광고 재설계 전략을 소개합니다! 가상 패션 브랜드 ‘A-Style(에이스타일)’의 신규 컬렉션 론칭 사례를 통해, 실제 마케팅 활동에 바로 활용할 수 있는 유용한 팁들을 알려드릴게요. 지금 바로 시작해 보세요!

Meta GEM :여러 캠페인 목표 및 노출 위치에 걸쳐 학습 내용을 일반화

1. 타깃팅: "관심사"를 넘어 "유저 여정"으로

• 기존 방식: '패션', '20대 여성' 등 단편적인 관심사 키워드에 예산을 집중했습니다.
• GEM 방식 (Broad Targeting): 타깃 설정을 과감히 개방합니다.
• 핵심 원리: GEM은 사용자의 단순한 관심을 넘어 수천 개의 행동(클릭, 시청 시간, 상호작용 등)을 시퀀스 데이터로 분석합니다.
• 효과: 마케터가 미처 예측하지 못한 유저, 예를 들어 '여행 콘텐츠를 즐기다 갑자기 격식 있는 의류를 찾기 시작한 사용자'의 구매 여정(Purchase Journey)을 실시간으로 포착해 광고를 노출합니다.

2. 소재: "단순 변주"에서 "멀티모달 다양성"으로

• 문제점: 배경색이나 폰트만 살짝 바꾼 소재들은 시스템상에서 하나의 동일한 표현(Representation)으로 인식됩니다.
• 압축의 이유: GEM은 이미지와 텍스트를 통합 이해하는 멀티모달 학습을 수행하므로, 시각적 차이가 적으면 신호를 중복 처리하여 효율을 떨어뜨립니다.
• 창의적 다양성 확보:
  • 모달리티 혼합: 정지 이미지, 릴스 영상, 텍스트 중심 카탈로그를 전략적으로 섞어야 합니다.
  • 맥락의 분리: 제품 중심의 누끼 컷(Object-centric)과 실제 착용 샷(Context-centric)처럼 시스템이 서로 다른 맥락으로 인지할 수 있도록 구성하십시오.

3. 운영: "CPA 급증"을 견디는 학습의 기술

• 현상: 캠페인 초기나 대규모 소재 교체 시 CPA가 일시적으로 급등할 수 있습니다.
• 이유 (Student Adapter): 메인 모델(Teacher)의 지식을 실제 광고 서빙 모델(Student)에게 전달하고, 최신 데이터에 맞춰 정렬하는 '학습 최적화' 과정이 진행되기 때문입니다.
• 대응: 지식 증류(Distillation) 과정을 통해 모델이 도메인 정렬을 마칠 때까지, 최소 7일간은 수동 조작을 지양하고 시스템에 시간을 주어야 합니다.

4. 배치: "노출 최적화"에서 "교차 학습"으로

• 전략: 특정 지면(예: 릴스)에만 국한하지 말고, 페이스북 피드와 메시징 등 모든 지면을 개방하십시오.
• 메커니즘: GEM은 '교차 표면 학습(Cross-Surface Learning)' 루프를 통해 작동합니다. 예를 들어 인스타그램에서 확인된 시청 신호는 즉시 학습되어, 동일 유저가 페이스북을 이용할 때 전환 가능성이 가장 높은 광고를 예측하는 강력한 데이터가 됩니다.

[전체 구현 매뉴얼: GEM 시대의 5계명]

1. 타깃 설정 (Targeting): 좁은 관심사 타깃팅을 과감히 버리고, GEM의 LLM급 스케일링 법칙을 믿고 타깃을 넓히십시오(Broad).
2. 소재 제작 (Creative): 배경색이나 폰트 수정 같은 미세한 변주 대신, 이미지 vs 영상 vs 텍스트 등 모달리티 자체를 다르게 가져가십시오.
3. 학습 관리 (Learning): 초반 CPA 급증 시 수동 수정을 지양하십시오. Student Adapter가 최신 데이터를 반영해 모델을 정렬할 시간을 주어야 합니다.
4. 배치 전략 (Placement): '어드밴티지+ 배치'와 같이 모든 Surface를 활용하여, GEM이 교차 플랫폼 인사이트를 얻을 수 있도록 데이터 소스를 다각화하십시오.
5. 신호 최적화 (Signals): 클릭뿐만 아니라 장기적인 가치와 연결된 깊은 수준의 전환 신호를 지속적으로 제공하여 GEM이 고차원적인 패턴을 학습하게 하십시오.

💡 GEM 운영의 핵심 요약

Q 왜 타깃을 넓히나요? 
A GEM의 병렬 시퀀스 분석 능력이 인간의 가설보다 훨씬 정교한 유저 여정을 찾아내기 때문입니다.

Q 왜 소재 형식을 바꿔야 하나요? 
A 멀티모달 학습 특성상 의미론적으로 차이가 없는 소재는 중복 데이터로 처리되어 효율이 급락하기 때문입니다.

Q 왜 7일을 기다려야 하나요? 
A 중앙 브레인의 지식이 현장 모델에 안착하는 지식 증류(Distillation)의 물리적 시간이 필요하기 때문입니다.

• 왜 타깃을 넓히나요? GEM의 병렬 시퀀스 분석 능력이 인간의 가설보다 훨씬 정교한 유저 여정을 찾아내기 때문입니다.
• 왜 소재 형식을 바꿔야 하나요? 멀티모달 학습 특성상 의미론적으로 차이가 없는 소재는 중복 데이터로 처리되어 효율이 급락하기 때문입니다.
• 왜 7일을 기다려야 하나요? 중앙 브레인의 지식이 현장 모델에 안착하는 **지식 증류(Distillation)**의 물리적 시간이 필요하기 때문입니다.

 

Meta’s Generative Ads Model (GEM): The Central Brain Accelerating Ads Recommendation AI Innovation

영문 원본 : https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/

한글 번역: https://archives.flaneur.kr/entry/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation-ko

 

---

(한글번역)Meta GEM: The Central Brain Accelerating Ads Recommendation AI Innovation

 

시퀀스 러닝: 개인화 광고 추천을 위한 패러다임의 전환 (Sequence learning: A paradigm shift for personalized ads recommendations)

시퀀스 러닝: 개인화 광고 추천을 위한 패러다임의 전환 (Sequence learning: A paradigm shift for personalized

 

메타 광고 알고리즘 GEM + Andromeda 최적화 가이드

메타 광고 알고리즘 GEM + Andromeda 최적화 가이드

 

메타(Meta) 광고 생태계의 진화: GEM 모델과 Andromeda 엔진의 상호작용 및 최적화 전략

메타(Meta) 광고 생태계의 진화: GEM 모델과 Andromeda 엔진의 상호작용 및 최적화 전략