Digital Marketing Academy · 강의

입력값과 변수

지출, 계절성, 기본값

입력값과 변수은(는) CoddyKit의 무료 Digital Marketing Academy 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Digital Marketing Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Digital Marketing Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

MMM 입력의 구성

MMM의 품질은 입력 데이터의 품질을 넘을 수 없습니다. 입력은 세 가지 범주로 나뉩니다. 미디어 변수(통제할 수 있는 수단), 통제 변수(통제할 수 없는 요인), 종속 변수(예측 대상)입니다.

이를 올바르게 정하고 적절한 세분화 수준과 빈도로 수집하는 일이 신뢰할 수 있는 모델을 만드는 작업의 대부분을 차지합니다.

dependent : sales or revenue (weekly)
media     : spend or impressions per channel
controls  : price, promo, seasonality, macro
transforms: adstock, saturation

종속 변수

판매 수량, 매출, 신규 고객처럼 명확한 결과를 선택하십시오. 총액인지 순액인지, 반품을 제외하는지 일관되게 정해야 합니다.

실행 가능한 수준으로 모델링하십시오. 일반적으로 전국 또는 지역 단위의 주간 데이터가 적합합니다. 일별 데이터는 잡음을 늘리고, 월별 데이터는 변화를 숨깁니다.

미디어 변수: 지출과 노출 수 비교

미디어 데이터는 지출 또는 노출(노출 수, 총 시청률, 클릭 수)로 입력할 수 있습니다. 노출 수를 사용하면 집행량과 비용을 분리할 수 있어 1,000회 노출당 비용이 크게 변할 때 유용합니다.

일반적인 방식은 반응 곡선은 노출 수를 기준으로 모델링한 다음, ROI를 계산할 때 다시 지출로 환산하는 것입니다. 한 채널 안에서는 항상 단위를 일관되게 유지하십시오.

TV     -> GRPs
Search -> clicks or spend
Social -> impressions
OOH    -> spend (no impression feed)

애드스톡(이월 효과)

광고 효과는 광고 집행 기간이 끝난 뒤에도 지속됩니다. 애드스톡은 이러한 감소를 모델링하여 이번 주 매출에 이전 주들의 미디어 효과가 반영되도록 합니다.

감쇠율 람다는 효과의 지속 정도를 조절합니다. 0.0은 이월 효과가 없다는 뜻이고, 0.8은 긴 잔존 효과를 의미합니다. 일반적으로 TV는 검색보다 애드스톡이 높습니다.

adstock_t = media_t + lambda * adstock_(t-1)

lambda=0.3 (search): fast decay
lambda=0.7 (TV):     slow decay, long memory

포화(수익 체감)

지출을 두 배로 늘린다고 매출도 두 배가 되는 경우는 드뭅니다. 포화 변환은 수익 체감을 반영하여 모델이 매출을 영원히 선형적으로 외삽하지 않도록 합니다.

힐 변환이나 로그 변환은 반응 곡선을 구부려 각 채널에 현실적인 상한과 효율적인 운영 범위를 부여합니다.

Hill:  response = x^a / (x^a + k^a)

low spend  -> steep gains
high spend -> flattening curve (saturated)

통제 변수

통제 변수는 미디어 외 요인의 영향을 흡수하여 광고에 잘못된 기여가 돌아가지 않도록 합니다. 주요 변수로는 가격, 프로모션, 유통 및 판매 가능 여부, 경쟁사 활동, 거시경제 지수가 있습니다.

강력한 통제 변수를 누락하면 미디어 계수가 편향됩니다. 특히 프로모션 기간에 우연히 집행된 채널의 기여도가 부풀려지는 경우가 많습니다.

price        : average selling price
promo        : 0/1 flag or % discount depth
distribution : stores or % ACV
competitor   : share of voice / spend
macro        : consumer confidence, CPI

계절성과 추세

많은 제품에는 뚜렷한 계절적 패턴이 있습니다. 월 또는 주 더미 변수, 푸리에 항, 계절 지수로 이를 포착하고, 기저 성장이나 감소를 반영하는 추세 항도 추가하십시오.

이 항목들이 없으면 성수기에 우연히 집행된 미디어 변수로 계절적인 매출 상승분이 흘러 들어갑니다.

fourier: sin(2*pi*t/52), cos(2*pi*t/52)
trend:   t (linear) or spline
holiday: black_friday_flag, holiday_flag

기본 매출과 증분 매출의 구분

MMM은 기본 매출(새로운 미디어를 전혀 사용하지 않아도 발생하는 매출로, 브랜드 자산, 유통, 가격 등이 만듦)과 미디어가 이끄는 증분 기여를 구분합니다.

건전한 모델에서는 안정적인 기본 매출이 큰 비중을 차지하는 경우가 많습니다. 미디어가 거의 모든 것을 "설명한다면" 통제 변수가 지나치게 약할 가능성이 큽니다.

total_sales = base + sum(media_contributions)

base        : 70%
incremental : 30% (split across channels)

다중공선성의 함정

채널이 함께 집행되면 모델이 각 채널의 효과를 구분하지 못해 계수가 불안정해지고, 때로는 부호가 뒤집히기도 합니다.

상관관계 행렬과 VIF로 진단하십시오. 시간에 따라 지출을 달리하거나, 지역별 변동을 추가하거나, 추정치를 안정화하는 베이지안 사전분포를 사용해 완화할 수 있습니다.

corr(TV, Social) = 0.91  -> high collinearity
VIF > 10                 -> unstable estimate
fix: stagger flights, add geo splits, priors

변수 정제 점검표

모든 시계열을 동일한 달력과 시간대에 맞추십시오. 공백은 의도적으로 채워야 하며, "지출 없음"과 "데이터 없음"을 구분하지 못하게 만드는 암묵적인 0으로 조용히 채워서는 안 됩니다.

기간이 길다면 금액 시계열에서 인플레이션 효과를 제거하고, 결과를 재현할 수 있도록 모든 변환을 기록하십시오.

입력 변수 결합하기

최종 설계 행렬에는 원시 통제 변수와 변환된 미디어 변수가 함께 들어갑니다. 각 미디어 열에는 회귀 분석에 넣기 전에 애드스톡을 적용한 뒤 포화 변환을 적용합니다.

이 처리 순서가 중요합니다. 먼저 이월 효과를 반영하고(효과가 언제 나타나는지), 그다음 포화를 반영해야 합니다(효과가 얼마나 큰지).

raw_TV -> adstock(lambda=0.7) -> saturation(Hill)
        -> column TV_eff in model

sales = base + b1*TV_eff + b2*Search_eff
             + b3*price + b4*promo + season

빠른 확인

현상에 맞는 변환을 찾아보십시오.

요약

MMM의 입력은 종속 변수, 애드스톡을 적용한 뒤 포화 변환을 적용하는 미디어 변수, 그리고 통제 변수(가격, 프로모션, 유통, 계절성, 거시경제)입니다.

강력한 통제 변수는 미디어의 기여도가 과도하게 인정되는 것을 막고, 정제되며 일관된 척도로 조정되고 잘 기록된 시계열은 신뢰할 수 있는 모델의 기반이 됩니다.

자주 묻는 질문

“입력값과 변수” 강의는 무료인가요?

네 — “입력값과 변수” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Digital Marketing Academy 강의 전체를 잠금 해제할 수 있습니다. Digital Marketing Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“입력값과 변수”에서 뭘 배우나요?

지출, 계절성, 기본값 브라우저에서 직접 실행하는 실습 코드로 Digital Marketing Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Digital Marketing Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Digital Marketing Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“입력값과 변수” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Digital Marketing Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Digital Marketing Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Digital Marketing Academy(으)로 돌아가기