마케팅 성과 측정, 예산 수립 시 항상 머리를 복잡하게 만드는 고질적인 질문들이 있습니다.
“이번에 대규모 브랜드 프로모션을 집행하면서 매출이 크게 뛴 건 알겠는데… 대체 이 프로모션이 매출에 얼마나 기여한 걸까?”
“광고비를 늘렸더니 오픈마켓 매출도 같이 오르던데… 오픈마켓으로 흘러 들어간 ‘낙수효과’는 얼마일까?”
안타깝게도 우리가 매일 들여다보는 구글 애널리틱스(GA)나 매체 대시보드는 이 질문에 아무런 대답을 해주지 못합니다. 오히려 마지막 관문 역할을 한 라스트 클릭 매체의 성과만 과도하게 부풀려 보여줄 뿐이죠.
마케팅 성과의 ‘진짜 기여도’를 밝혀내고 예산을 효율적으로 배분하려면, 우리가 흔히 사용하는 MTA(Multi-Touch Attribution)와 데이터의 거시적 흐름을 분석하는 MMM(마케팅 믹스 모델링)이라는 두 가지 렌즈를 반드시 함께 사용해야 합니다.
1.🔍 왜 우리에게 MMM(마케팅 믹스 모델링)이 필요한가?
잘 아시다시피 마케팅 성과 측정 방식은 크게 MTA(Multi-Touch Attribution)와 MMM(Marketing Mix Modeling) 두 갈래로 나뉩니다. 각각의 장단점이 명확하기 때문에, 이 둘은 대립하는 것이 아니라 상호 보완적으로 공존해야 합니다.
① 현미경으로 미세 조정을 하는: MTA (기여 모델)
MTA는 고객 개개인의 식별 값(쿠키, ADID 등)을 따라다니며 여정을 추적하는 기술입니다. "A 고객이 인스타 광고를 보고, 사흘 뒤 유튜브를 거쳐, 오늘 최종적으로 검색 광고를 클릭해 샀다"는 터치포인트를 일일이 기록합니다.
- 👍 장점 : 즉각적이고 구체적입니다. 어떤 캠페인의 어떤 소재가 유저의 클릭을 유도했는지 알 수 있어, 오늘 당장 성과가 저조한 소재를 끄고 효율 좋은 캠페인으로 예산을 넘기는 실시간 최적화에 필수적입니다.
- 👎 단점 : TV 또는 옥외 광고, 오프라인 비즈니스 등 동일 사용자 식별이 불가능한 고객 여정에 대한 성과 측정이 어렵습니다. 또한 쿠팡이나 올리브영 같은 외부 채널로 흘러 들어간 낙수효과 역시 정확한 계산이 힘듭니다. 더군다나 개인정보 보호 정책(쿠키 제한) 강화 및 고객 여정 다각화로 인해, 고객의 모든 터치 포인트를 파악하는 것도 사실상 불가능에 가깝습니다.
② 망원경으로 거시적 흐름을 읽는: MMM (마케팅 믹스 모델링)
MMM은 고객을 식별하지 않습니다. 대신 '달성된 KPI(매출, 유입, 앱설치 등)'와 매체 별 광고비를 수학적 통계로 넓게 분석합니다. 매체별 광고 이월 효과(Ad Stock)를 기반으로 KPI 달성 기여도를 찾아냅니다.
- 👍 장점 : 터치 포인트 확인이 어려운 매체의 기여도, 프로모션 및 외부 이벤트의 영향력, 시즈널리티, 오픈 마켓으로 흘러 들어간 광고의 낙수효과까지 모두 포함해 기여도를 정교하게 역산해 낼 수 있습니다. 광고를 전혀 하지 않아도 원래 발생하는 자연 발생 매출(Baseline)을 분리해 내어 매체의 기여도만을 추출합니다. 또한 MTA 모델 대비 개인정보 규제 이슈에서도 자유롭습니다.
- 👎 단점 : 사계절의 영향(Seasonality)을 제대로 분석하려면 최소 1년에서 이상적으로는 2~3년 치의 누적 데이터가 권장됩니다. 또한 미디어 믹스 예산 수립과 같은 중장기적 거시적 전략에는 탁월하지만, 데일리 소재 변경 같은 일 단위 전술 수정에는 적합하지 않습니다.
2.⚖️ 글로벌 오픈소스 MMM의 양대 산맥: Google Meridian vs Meta Robyn
현재 글로벌 테크 자이언트들이 제공하는 대표적인 오픈소스 MMM 프레임워크는 2가지 정도가 있습니다.
- 구글 메르디안 (Google Meridian)
- 언어 및 기반: Python
- 핵심 작동 방식: MCMC(Markov Chain Monte Carlo) 사후 분포 샘플링을 통해 성과를 추정합니다.
- 장점 & 특징: 사후 분포를 통해 신뢰 구간을 제공하여 불확실성을 계량화해 줍니다. 또한 마케터의 도메인 지식을 반영하여 '사전 확률(Priors)' 주입으로 유연하게 모형에 반영할 수 있으며, 지역별 지리적 데이터(Geo-level) 분석에 특화되어 설계되었습니다.
- 메타 로빈 (Meta Robyn)
- 언어 및 기반: R, Python
- 핵심 작동 방식: 릿지 회귀(Ridge Regression)를 기반으로 작동하며, 메타가 자체 개발한 진화 알고리즘(Nevergrad)을 사용해 수천 번의 하이퍼파라미터 탐색을 자동 수행합니다.
- 장점 & 특징: 메타의 대표적인 시계열 예측 엔진인 'Prophet'을 탑재하여 트렌드와 계절성을 빠르게 분해합니다. 기계학습 기반의 자동화가 잘 설계되어 있어 분석가가 복잡하게 수동 튜닝을 하지 않아도 빠르게 첫 모델을 도출해 낼 수 있습니다.
3.🚀 코딩 없이 웹에서 빠르게 시도해볼 수 있는 MMM: 'MMM Intelligence Studio'
구글 메르디안(Meridian)이나 메타 로빈(Robyn) 같은 글로벌 오픈소스 엔진은 마케팅 성과 측정에서 굉장히 유용한 역할을 하지만, 마케터가 실무에서 직접 도입하기에는 거대한 장벽이 존재합니다. 데이터 사이언티스트 수준의 코딩 지식이 필수적이고, 서버 및 분석 환경을 직접 구축해야 하기 때문입니다.
그래서 마지막으로 별도의 코딩 없이 쉽고 빠르게 시도해볼 수 있는 MMM 무료 솔루션을 소개해드리고자 합니다. 바로 'MMM Intelligence Studio'입니다.
- 서버와 코딩 없이 진행되는 MMM: Excel, csv 파일 업로드를 통해 빠르게 MMM 분석을 시도해볼 수 있습니다. KPI를 오픈마켓 매출로 설정하여 오픈 마켓에 대한 매체별 낙수효과를 판단할 수도 있고, 프로모션 및 외부 이벤트에 대한 매출 기여도를 파악해볼 수도 있습니다. (만약 연 단위 데이터 취합이 어렵다면 최소 6개월 이상의 데이터는 넣어주는 것이 좋습니다)
- 마케터의 도메인을 주입하는 '사전 확률 슬라이더': 만약 특정 매체의 기여도가 지나치게 높아 다른 매체들의 기여도가 죽는 경향이 있다고 판단된다면 사전 확률 주입을 통해 모델을 튜닝할 수 있습니다. 광고 매체의 매체 유형 및 리타겟팅 광고 비율, 검색 광고의 브랜드 키워드 유입 비율 등을 입력하면 사전 확률이 주입 됩니다. (최초 분석 시에는 사전 확률 없이 진행하는 것을 권장)
- 최적의 예산 포트폴리오 제안: 분석을 통해 도출된 한계 ROAS(mRAOS)을 활용하여 ROI를 극대화할 수 있도록 예산을 자동으로 분배해 주는 자동 예산 시뮬레이터 활용이 가능합니다.
MMM을 통해 좀 더 입체적인 성과 분석과 마케팅 운영 전략을 경험하시길 기대하며 글 마칩니다.
읽어주셔서 감사합니다:)