시딩 잘하는 브랜드는 무엇이 다른가 - 협찬 릴스 3건 중 1건을 터뜨린 오렌즈 데이터 해부

올영세일(8월 29일~9월 4일)이 3주 앞으로 왔습니다. 지금은 브랜드들이 시딩 리스트를 짜는 시즌입니다. 그런데 협찬 릴스가 알고리즘 추천을 타고 팔로워 밖까지 퍼지는 일은 생각보다 드뭅니다. 하입나우 데이터에서 협찬 릴스 26,127건 중 확산 배율(조회수를 팔로워 수로 나눈 값)이 7.2배를 넘긴 것은 상위 5%, 즉 스무 건에 한 건꼴입니다.

그런데 한 브랜드는 협찬 릴스의 34.7%를 그 구간에 올려놨습니다. 세 건에 한 건꼴입니다. 컬러렌즈 브랜드 오렌즈입니다. 이 글은 그 34.7%가 어떻게 만들어졌는지를 해부한 기록입니다. "그냥 운이 좋았던 것 아니냐"는 합리적 의심까지 포함해서, 하나씩 데이터로 검증합니다.

범위부터 밝혀둡니다. 이 분석은 하입나우가 추적하는 국내 뷰티 인플루언서 계정, 그중 팔로워 500명~5만 명 구간(나노~미드티어)의 데이터입니다. 셀럽급 대형 인플루언서는 포함되지 않고, "국내 인스타그램 전체 평균"이 아닙니다. 협찬 판정은 캡션 기반 AI 분류를 기준으로 했습니다.

1. 현상: 협찬 릴스 95건 중 33건이 상위 5%

수집된 오렌즈 협찬 릴스는 95건, 이 중 33건이 확산 배율 상위 5%(7.2배 이상)에 들었습니다. 진입률 34.7%로 협찬 전체 평균(5.0%)의 7배입니다.

실행 방식은 이렇습니다. 95건을 83개 계정에 맡겼고, 그중 75개 계정은 단 한 건씩만 맡았습니다. 반복 기용이 아니라 광폭 일회성 시딩입니다. 기용 계정의 91.6%는 팔로워 1만 이하의 마이크로·나노 계정이었습니다. 캡션은 렌즈 소재와 함수율 같은 브랜드 가이드 문구가 거의 그대로 반복될 만큼 표준화돼 있었습니다.

2. 흔한 설명부터 지워봅니다

"콘텐츠를 잘 만들어서"는 내부 차이를 설명하지 못합니다. 떡상한 33건과 뜨지 않은 62건의 캡션을 전부 읽고 비교했지만, 두 그룹 모두 같은 표준 스크립트를 따르고 있어 내용상 차이가 거의 없었습니다. 캡션 길이 중앙값도 292자 대 323자로 비슷합니다.

"팔로워가 많은 계정이라서"도 아닙니다. 떡상 그룹의 팔로워 중앙값은 1,277명, 미떡상 그룹은 1,308명. 사실상 같습니다.

그러면 남는 설명은 두 가지입니다. 하나는 운입니다. 다 비슷하게 잘 만들었는데 33건만 알고리즘의 선택을 받았다는 것, 일종의 추첨입니다. 다른 하나는 계정입니다. 어떤 계정에 맡겼는지가 결과를 결정했다는 것입니다. 이 둘은 데이터로 판별할 수 있습니다.

3. 검증 하나, 렌즈라는 순풍은 실재합니다

먼저 정직하게 걷어낼 부분이 있습니다. 오렌즈를 제외한 렌즈 브랜드들의 협찬 릴스 147건도 상위 5% 진입률이 20.4%로, 협찬 평균의 4배였습니다. 눈 클로즈업 착용 비포애프터라는 포맷이 15초 릴스에서 원래 유리한 것으로 보입니다. 즉 5.0%에서 20.4%까지의 구간은 오렌즈의 실력이 아니라 카테고리의 몫입니다.

하지만 오렌즈는 그 유리한 카테고리 평균보다도 1.7배 높습니다. 이 초과분은 카테고리로 설명되지 않습니다.

4. 검증 둘, 운 가설을 기각합니다 - 터질 계정은 게시 전에 정해져 있었습니다

판별 방법은 이렇습니다. 만약 순수한 추첨이라면, 떡상한 33건의 계정과 뜨지 않은 62건의 계정은 오렌즈 게시물을 올리기 "이전"의 성과에서 차이가 없어야 합니다. 추첨은 과거를 보지 않기 때문입니다. 그래서 95건 각각에 대해, 그 계정이 오렌즈 협찬 이전에 올린 모든 릴스의 확산 성과를 조사했습니다.

차이는 압도적이었습니다.

떡상한 33건의 계정들은 오렌즈를 만나기 전에 이미 평균적으로 팔로워의 14배까지 퍼지는 릴스를 만들던 계정이었습니다. 뜨지 않은 62건의 계정들은 2.1배였습니다. 약 7배 차이이고, 통계 검정에서도 우연으로 보기 어려운 수준입니다(맨-휘트니 검정 p<0.0001). 떡상 그룹은 단 한 계정의 예외도 없이 전원이 이전에 이미 한 번은 크게 터져본 이력이 있었습니다.

주목할 대조가 하나 있습니다. 이전 릴스 "수", 즉 게시 경력은 8건 대 9건으로 아무 차이가 없었습니다. 오래 활동한 노련한 계정이 뜨는 게 아니라, 터져본 적 있는 계정이 다시 터집니다.

반복 기용된 계정들도 같은 방향을 가리킵니다. 오렌즈가 두 번 이상 기용한 8개 계정 중 6개는 결과가 완전히 일관됐습니다. 네 번 맡아 네 번 다 떡상한 계정이 있는가 하면, 두 번 다 뜨지 않은 계정도 셋이었습니다. 추첨이라면 나오기 어려운 패턴입니다(표본 8개라 참고 지표입니다).

뜨지 않은 62건이 "낙첨"이었는지도 확인했습니다. 아니었습니다. 미떡상 62건의 배율 중앙값은 1.39로, 협찬 전체 중앙값(0.36)의 3.9배입니다. 79%가 협찬 평균 이상이었습니다. 당첨 아니면 꽝인 복권의 그림이 아니라, 전체적으로 수준이 높은 분포에서 상위 33건이 컷을 넘은 그림입니다.

5. 검증 셋, 오렌즈는 애초에 계정을 골라 담았습니다

그렇다면 오렌즈가 기용한 계정 풀 자체는 어땠을까요. 83개 기용 계정의 "기용 시점 이전" 확산 성과를, 다른 브랜드들의 기용 풀과 비교했습니다.

오렌즈의 계정 풀은 같은 렌즈 카테고리의 다른 브랜드들보다도 3배 가까이 사전 성과가 높은 계정들로 구성돼 있었습니다. 렌즈 평균(20.4%)을 넘어선 오렌즈의 초과 성과는 상당 부분 여기서 나온 것으로 보입니다. 요약하면 이렇게 분해됩니다.

한 가지는 정직하게 남겨둡니다. 이 "계정 선정"이 오렌즈 마케팅팀의 의도적 큐레이션인지, 성과 좋은 계정들이 오렌즈 협찬에 스스로 몰린 결과인지는 데이터로 구분할 수 없습니다. 다만 어느 쪽이든 실무 결론은 같습니다. 터져본 계정이 모인 풀은 성과를 냅니다.

6. 오렌즈만의 이야기가 아닙니다

이 패턴은 시장 전체에서 재현됩니다. 협찬을 2건 이상 받은 계정 3,669개를 시간순으로 추적하면, 첫 협찬이 상위 5%에 들었던 계정은 이후 협찬에서도 15.1%의 확률로 다시 상위 5%에 들었습니다. 첫 협찬이 뜨지 않았던 계정은 3.5%였습니다. 4.4배 차이입니다.

측정의 함정도 점검했습니다. 이 분석의 조회수는 수집 시점에 기록된 스냅샷인데, 릴스 조회수는 게시 후에도 한동안 계속 쌓입니다. 그런데 오렌즈 협찬 릴스 95건 중 53건이 집계 직전 한 달(2026년 7월)에 몰려 있어, 이 게시물들의 조회수는 최종치보다 낮게 잡혔을 수 있습니다. 그래서 게시 후 두 달 이상 지나 조회수가 충분히 쌓인 게시물 31건만으로 다시 계산했습니다. 진입률 25.8%, 여전히 협찬 평균의 5.2배입니다. 그리고 이 오차의 방향은 오렌즈에 불리한 쪽입니다. 최근 게시물들은 덜 쌓인 조회수로도 이미 7.2배 컷을 넘긴 것이라, 시간이 지나 조회수가 더 쌓이면 배율은 오르면 올랐지 내려가지 않습니다.

7. 시딩 리스트에 적용한다면

• 리스트 기준의 우선순위를 바꾸세요. 흔히 보는 지표 가운데 팔로워 수는 이 데이터에서 협찬 성과를 전혀 가르지 못했습니다. 평균 참여율은 유효한 신호였습니다. 떡상 계정들은 협찬 이전의 참여율도 약 6배 높았습니다. 다만 가장 예민한 신호는 조회수를 팔로워 대비 배율로 바꿔 본 것이었습니다. 절대 조회수가 아니라 "팔로워의 몇 배까지 퍼져봤는가"가 협찬 성과를 가장 강하게 예측했습니다.
• 이력 있는 계정은 유지하고, 신규는 테스트로 이력을 만드세요. 첫 협찬에서 떴던 계정은 다음에도 4.4배 잘 뜹니다.
• 카테고리 기대치를 먼저 진단하세요. 같은 협찬 릴스라도 카테고리별 떡상률이 다릅니다. 메이크업 7.2%, 스킨케어 3.9%로 색조가 기초의 1.8배이고, 선케어(3.9%)·헤어케어(4.2%)·클렌징(4.2%)도 기초와 비슷한 수준입니다. 착용 전후가 가장 극적인 렌즈는 오렌즈를 빼고도 20.4%였습니다. 15초 안에 변화가 보이는 제품일수록 시딩 기대값이 높습니다.
• 넓게 뿌리되, 아무 계정에나 뿌리는 게 아닙니다. 오렌즈는 95건을 83개 계정에 나눠 실었지만, 그 계정들은 무작위가 아니라 이미 터져본 이력이 검증된 계정들이었습니다. 이력 기준으로 고른 풀 안에서 넓게 분산하는 것, 이것이 관찰된 최상위 사례의 방식입니다.

하입나우는 국내 뷰티 인플루언서의 계정과 콘텐츠 성과 데이터를 추적합니다. 어떤 계정이 팔로워 대비 실제로 터져본 이력이 있는지, 협찬에서 성과를 낸 적이 있는지를 이력 기반으로 확인하고 시딩 리스트를 만들고 싶다면 하입나우에서 계정별 성과 데이터를 확인할 수 있습니다.