How to Find Competitor Ads Across Meta, Google and Podcasts with Firecrawl Alexandria
Quick Summary
Firecrawl Alexandria는 하나의 API 키로 Meta·Google 광고, 팟캐스트 협찬, 검색 관심도를 통합 조회해 경쟁사의 광고 활동을 비교하도록 지원하며, 광고 성과와 지출에 관한 공개 데이터의 한계도 함께 제시한다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약
Firecrawl Alexandria는 하나의 API 키로 Meta·Google 광고, 팟캐스트 협찬, 검색 관심도를 통합 조회해 경쟁사의 광고 활동을 비교하도록 지원하며, 광고 성과와 지출에 관한 공개 데이터의 한계도 함께 제시한다.
📌 핵심 요약
- Meta Ad Library와 Google Ads Transparency Center는 각 플랫폼의 광고를 무료로 제공하지만, 팟캐스트 협찬에는 공개 라이브러리가 없다. Firecrawl Alexandria는 Upspring의 Meta 광고, Google Ads Transparency Center의 Google 광고, Particle의 팟캐스트 광고 낭독, Firecrawl Trends의 검색 관심도를 하나의 API 키와 크레딧 체계로 연결한다.
- 광고 집행 기간은 성과를 추정하는 공개 신호지만 수익성을 입증하지는 않는다. HelloFresh의 Google 광고 933개는 텍스트 481개·이미지 224개·동영상 228개로 구성되며, 최장기 이미지 광고는 2023년 6월 22일부터 3년 넘게 집행됐다. Factor는 활성 Meta 광고 628개를 보유하고 최장 집행 기간은 236일이다.
- Particle 조회에서 Tailscale은 12개 팟캐스트에 광고 낭독 30건, Twingate는 한 프로그램에 14건이 확인됐다. 팟캐스트 지출 추정치는 각각 $1,158~$11,400와 $700~$7,000이며 실제 보고 지출이 아닌 정가 기반 추정이다. Google 광고는 각각 77개 이상과 8개 이상, 최장 집행 기간은 766일과 487일이다.
- Firecrawl Trends의 검색 관심도를 광고 시작일·팟캐스트 광고 낭독 시점과 함께 배치하면 활동의 동시 변화를 비교할 수 있지만, 상관관계가 개별 광고의 검색 유발 효과를 입증하지는 않는다. 필요한 제공업체만 노출하는 자체 MCP 서버나 맞춤형 앱은 에이전트의 도구 선택 범위를 줄여 더 빠르고 예측 가능한 결과를 얻기 위한 선택지로 제시된다.
- adfinder-tutorial은 단계별 브랜치와 완성된 59줄 Bun 서버를 제공한다. Firecrawl API 키가 필요하고 Meta·Google 조회에는 약 105크레딧이 들며, firecrawl.scrape({ alexandria: [...] })에 최대 10개 호출을 넣을 수 있다. API 키는 서버에서만 읽고, 제공업체 오류를 광고가 없는 결과로 오인하지 않도록 호출자에게 전달해야 한다.
🧩 주요 포인트
- 플랫폼별로 분리된 광고 자료를 Alexandria로 연결 → Meta·Google·팟캐스트의 채널별 집행 전략을 한곳에서 비교할 수 있다.
- 장기 집행·정가 기반 지출 추정·검색 관심도에는 해석 한계가 존재 → 수익성, 실제 지출, 광고 효과를 확정하는 근거와 구분해야 한다.
- 필요한 제공업체로 도구 범위를 좁히고 최대 10개 호출을 묶는 구현 → 조회의 예측 가능성을 높이되 크레딧 비용, 서버 측 API 키 관리, 오류 전달을 함께 고려해야 한다.
🧠 상세 정리
1. 무료 광고 라이브러리의 범위와 빈틈
글은 경쟁사의 Meta 광고, Google 광고, 팟캐스트 협찬을 조사하려면 보통 광고 라이브러리 두 곳과 유료 데이터 제공업체를 이용해야 하며, 검색 관심도까지 더하면 별도 제공업체가 추가된다는 문제에서 출발한다. Meta Ad Library는 Facebook·Instagram 광고를, Google Ads Transparency Center는 Google 검색·디스플레이·YouTube 광고를 공개하지만 각자 자기 플랫폼의 자료만 제공하므로 따로 검색해야 한다. TikTok 광고 라이브러리도 자기 플랫폼에 한정된다는 제약이 있으며, 팟캐스트 에피소드의 진행자 낭독 광고에는 공개 라이브러리가 없어 조사에서 빠지기 쉽다. 여기서 광고 라이브러리는 광고 플랫폼이 공개하는 검색 가능한 광고 집행 기록을 뜻하며, 모든 채널을 포괄하는 자료원은 아니다. Alexandria는 이러한 분산된 자료원과 유료 제공업체를 하나의 접근 방식으로 연결하고, 제공업체마다 별도 계정을 마련해야 하는 부담을 줄이는 수단으로 소개된다.
2. Alexandria의 제공업체와 호출 구조
Firecrawl Alexandria는 제삼자 데이터 제공업체의 카탈로그이며, 하나의 Firecrawl API 키로 여러 제공업체를 호출하고 모든 호출 비용을 Firecrawl 크레딧으로 지불하는 구조다. 각 제공업체는 데이터 출처에 해당하고, 그 안의 capability는 광고주 검색이나 광고 목록 조회처럼 개별적으로 실행할 수 있는 기능을 뜻한다. 경쟁사 광고 조사에서는 Upspring이 Meta 광고의 순위·도입 문구·집행 기간을, Google Ads Transparency Center 제공업체가 도메인별 광고의 형식과 노출 날짜를 반환한다. Particle은 브랜드를 언급하는 팟캐스트 광고 낭독과 프로그램·에피소드·오디오를 제공하고, Firecrawl Trends는 기간별 검색 관심도와 관련 검색어·급상승 검색어를 제공한다. 접근 경로에는 공식 플러그인, Firecrawl MCP 서버, CLI, 언어별 SDK가 있으며, Claude 커넥터를 설치하면 Factor가 어떤 Meta 광고를 집행하는지 자연어로 물어볼 수도 있다고 설명한다. 글에서 만든 무료 도구 adfinder는 이 제공업체들을 하나의 검색창으로 묶고 에이전트용 MCP 서버도 제공한다.
3. 광고 집행 기간으로 성과를 추정하는 방법과 한계
광고 라이브러리는 성과를 공개하지 않으므로, 글은 광고가 얼마나 오래 유지됐는지를 활용 가능한 주요 공개 신호로 제안한다. 광고주는 손실이 나는 광고를 중단하는 경향이 있다는 논리에 따라 수개월 또는 수년간 유지된 광고는 비용을 회수하고 있을 가능성을 시사하지만, 외부에서는 광고별 수익을 볼 수 없어 이를 증명할 수는 없다. HelloFresh의 hellofresh.com을 ad-transparency/list_ads로 페이지별 조회한 결과 Google 광고 933개가 나왔으며, 구성은 텍스트 481개·이미지 224개·동영상 228개였다. 가장 오래 집행된 광고는 2023년 6월 22일 처음 노출된 이미지 광고로, 글에서는 3년 넘게 계속 집행 중이라고 설명하며 adfinder는 같은 데이터를 집행 기간이 긴 순서로 정렬한다. Upspring에서는 Factor의 활성 Meta 광고가 628개이고 최장 집행 기간은 약 8개월인 236일로 나타났으며, 도입 문구는 고단백과 통념 깨기를 강조하는 경향을 보였다. 따라서 집행 기간과 도입 문구는 지속적으로 사용하는 메시지를 파악하는 단서이지만, 장기 집행 자체를 수익성의 확정적 증거로 해석해서는 안 된다.
4. 팟캐스트 협찬으로 드러나는 경쟁사별 채널 전략
Particle은 팟캐스트 에피소드를 색인화하고 특정 브랜드를 언급하는 광고 낭독을 찾아 프로그램·에피소드·오디오와 함께 반환하며, Meta·Google 자료와 동일한 Alexandria API와 키로 이용할 수 있다. Tailscale 사례에서는 12개 프로그램에서 광고 낭독 30건이 확인됐고, Late Night Linux, Accidental Tech Podcast, NetworkChuck이 상위에 등장했으며 각 낭독에는 브랜드가 언급되는 오디오 구간 링크가 붙는다. adfinder가 프로그램별 청중에 대한 정가를 적용한 Tailscale의 지출 추정 범위는 $1,158~$11,400이지만, 이는 실제 보고 지출이 아닌 정가 기반 추정치다. 비교 대상인 Twingate는 광고 낭독 14건을 한 프로그램에 집중했고 추정 지출은 $700~$7,000으로 나타나, 여러 프로그램에 분산한 Tailscale과 다른 양상을 보였다. Google 광고도 Tailscale은 77개 이상에 최장 766일, Twingate는 8개 이상에 최장 487일로 나타나며, 글은 이를 팟캐스트 분산 정도와 장기 Google 광고 집행을 함께 비교하는 사례로 제시한다.
5. 검색 관심도와 광고 활동을 같은 시간축에서 비교
Firecrawl Trends는 브랜드명 같은 검색어의 기간별 검색 관심도를 반환하는 Alexandria 제공업체로, 광고 목록에 수요 변화의 맥락을 더하는 역할을 한다. 글은 이 관심도 자료를 광고 시작일과 팟캐스트 광고 낭독 시점에 맞춰 배치하면 광고 활동이 늘어나는 시기에 검색 관심도도 함께 상승했는지 살펴볼 수 있다고 설명한다. adfinder의 Tailscale 화면은 검색 관심도를 위에 두고 그 아래 Meta 광고 시작, Google 광고 시작, 팟캐스트 광고 낭독을 행별로 배치해 서로 분리된 목록을 하나의 시간축으로 연결한다. 이 방식은 경쟁사의 여러 채널 활동과 관심도 변화가 어느 시점에 겹치는지 관찰하게 해 주지만, 특정 광고가 특정 검색을 발생시켰다는 인과적 설명까지 제공하지는 않는다. 원문은 이 한계를 상관관계와 효과 귀속의 차이로 명시하며, 외부 도구로는 어떤 광고가 어떤 검색을 유발했는지 알 수 없다고 강조한다.
6. 범용 에이전트 대신 전용 도구를 만드는 이유
Firecrawl 플러그인이 설치된 AI 에이전트는 이미 경쟁사 광고에 관한 단일 질문에 답할 수 있지만, 글은 다양한 도구 중 무엇을 선택할지 결정하는 과정이 변수라고 지적한다. Alexandria에 수백 개 제공업체가 있고 Firecrawl의 검색·스크래핑·상호작용 기능까지 더해지면, 에이전트가 매번 적절한 도구를 첫 시도에 선택하지 못할 수 있기 때문이다. 대부분의 사용 사례에는 소수의 제공업체만 필요하므로, 노출하는 도구를 필요한 범위로 좁히면 결과를 더 빠르고 예측 가능하게 만들 수 있다는 것이 글의 주장이다. 구현 방법은 원하는 도구만 제공하는 자체 MCP 서버를 만드는 방식과, 제공업체를 직접 호출하는 맞춤형 UI 앱을 만드는 방식으로 나뉜다. 전자는 Python의 FastMCP 튜토리얼을 참고할 수 있다고 안내하고, 후자는 adfinder가 택한 방식으로 이어지는 설명의 대상이 된다. 여기서 전용 도구 구축은 새로운 데이터 출처를 추가하기 위한 작업보다, 이미 제공되는 기능의 선택 범위와 접근 방식을 구체적인 용도에 맞추는 작업으로 제시된다.
7. 59줄 Bun 서버와 API 키 설정
adfinder-tutorial 저장소는 검색창이 있는 서버를 만들고, Firecrawl SDK로 제공업체 하나를 호출한 뒤, 여러 제공업체 호출을 한 요청으로 묶는 세 단계로 구성되며 각 단계에 브랜치가 있다. 완성본인 main 브랜치는 59줄 서버이고 첫 번째 1-scaffold 브랜치는 Bun 서버에서 HTML 검색 페이지를 제공하며, Bun은 HTML import를 직접 처리하므로 별도 번들러가 필요하지 않다고 설명한다. 튜토리얼은 Node SDK를 사용하지만 같은 alexandria 옵션을 Python SDK와 REST API에서도 이용할 수 있고, 호출 방식은 Node·Deno·Next.js 등 다른 JavaScript 환경에도 적용된다. API 키는 .env 파일의 FIRECRAWL_API_KEY로 설정하고 서버에서만 읽어 브라우저로 전달되지 않게 하며, 무료 계정에는 1,000크레딧이 제공되고 글의 가입 링크는 500크레딧을 추가한다고 안내한다. Bun을 선택한 이유는 필자의 에이전트 작업 지침이 새 프로젝트를 Bun과 React, Astro 또는 Rust로 제한했기 때문으로, Alexandria 이용 자체에 Bun이 필수라는 뜻은 아니다.
8. SDK 호출, 오류 처리와 여러 조회의 결합
SDK는 bun add firecrawl 또는 npm install firecrawl로 설치하며, Alexandria 호출은 URL 대신 alexandria 필드를 넣은 scrape()로 실행하고 여러 호출을 받는 보조 함수로 감싼다. 반환값 result.alexandria에는 요청한 순서대로 호출별 항목이 들어가고 각 항목은 data 또는 error를 가지므로, 제공업체 하나의 실패가 다른 호출 결과까지 무효화하지는 않는다. 예제 함수는 오류를 기록한 뒤 데이터 배열만 반환하지만 실제 앱에서는 오류도 호출자에게 전달해 조회 실패를 광고가 없는 브랜드로 오인하지 않도록 해야 한다고 명시한다. Meta 광고 조회에는 Upspring의 advertisers/search로 브랜드명을 광고주 ID로 바꾸고 ads/browse로 광고를 가져오는 두 호출이 필요하며, 예제는 order_by를 best로, limit를 12로, include를 media로 지정한다. 반환 광고에는 hook_text, started_at, is_active, media.thumbnail_url, ad_library_url이 포함되고, 제공업체와 capability 이름은 대시보드 카탈로그에서 시험 호출하거나 MCP 서버·CLI로 확인할 수 있다. Alexandria는 한 요청에 최대 10개 호출을 허용하고 글의 핵심 요약은 Meta·Google 조회 비용을 약 105크레딧으로 제시하지만, 제공된 본문은 3단계의 Upspring 광고주 검색과 Google 조회를 결합하는 설명 도중에 끝나므로 이후 구현 세부사항은 확인할 수 없다.
🧾 핵심 주장 / 시사점
- Alexandria의 통합 방식은 공개 광고 라이브러리의 플랫폼별 경계와 팟캐스트 자료의 공백을 함께 다루므로, 광고 소재뿐 아니라 경쟁사의 채널 배분 방식도 비교하게 한다.
- 오래 유지된 광고, 팟캐스트 정가 추정치, 검색 관심도의 동시 상승은 각각 다른 종류의 단서다. 이를 함께 보더라도 수익성·실제 지출·인과적 광고 효과가 검증되는 것은 아니다.
- 전용 앱이나 MCP 서버의 가치는 필요한 제공업체로 선택 범위를 좁히는 데 있으며, 조회 실패를 명확히 전달해야 통합 결과의 해석도 유지할 수 있다.
✅ 액션 아이템
- Meta·Google 광고를 집행 기간순으로 비교하고, 장기 집행을 수익성의 간접 신호로 해석.
- Tailscale과 Twingate의 팟캐스트 분산 정도 및 Google 광고 집행을 비교하되, 정가 기반 지출 추정과 실제 지출을 구분.
- Alexandria 구현 시 최대 10개 호출, Meta·Google 조회 약 105크레딧, 서버 측 API 키 관리와 제공업체 오류 전달을 함께 고려.
❓ 열린 질문
- HelloFresh와 Factor의 장기 집행 광고는 수익성을 입증하지 못한다는 제약 아래 어떤 비교 근거로 활용할 수 있는가?
- Tailscale의 12개 팟캐스트 분산과 Twingate의 한 프로그램 집중은 Google 광고 집행 기간과 함께 볼 때 어떤 전략 차이를 시사하는가?
- 필요한 제공업체만 사용하는 자체 MCP 서버와 맞춤형 앱 중 도구 선택의 예측 가능성과 조회 비용을 고려할 때 어느 방식이 적합한가?