마케팅 믹스 모델링

마케팅 믹스 모델링(MMM)은 사용자 수준 추적 대신 집계된 과거 데이터를 사용하여 각 마케팅 채널과 비마케팅 요인이 매출과 같은 비즈니스 성과에 기여한 정도를 정량화하는 통계 분석 기법입니다.

MMM은 1960년대에 TV 및 인쇄 광고를 위해 개발되었으며, 디지털 추적의 신뢰도가 낮아지면서 다시 주목받고 있습니다. 사용자 수준 식별자나 쿠키 없이 완전히 작동하는 유일한 측정 방식입니다.

기여도 분석은 개별 사용자 수준에서 작동하며, 추적된 접점을 거치는 특정 고객의 여정을 추적합니다. MMM은 모집단 수준에서 작동하며, 시간에 따른 집계된 지출 및 매출 패턴을 분석하여 채널 기여도를 추정합니다.

기여도 분석은 세밀하지만 불완전합니다. 오프라인 활동, 다크 소셜 및 추적되지 않은 접점을 놓치기 때문입니다. MMM은 통계적으로 전체 상황을 파악하지만 개별 고객의 여정을 식별할 수 없습니다. 두 방식은 경쟁 관계가 아니라 상호 보완적입니다.

MMM 모델에는 다음 항목에 대한 주간 또는 월간 시계열 데이터가 필요합니다. 채널별 마케팅 지출, 매출 또는 전환, 그리고 마케팅과 무관하게 판매에 영향을 미치는 외부 변수로 계절성, 경쟁사 활동, 가격 변경, 거시경제 지표 및 날씨 등이 포함됩니다.

MMM 결과의 품질은 입력값의 품질과 완전성에 정비례합니다. 누락된 채널이나 외부 요인이 있으면 모델이 해당 요인의 효과를 데이터셋에 포함된 채널의 효과로 잘못 귀속하게 됩니다.

MMM의 핵심 결과 중 하나는 총 매출에서 각 마케팅 채널, 기본 수요(마케팅을 전혀 하지 않을 때 발생할 결과) 및 외부 요인이 차지하는 비율을 보여 주는 매출 분해 차트입니다.

이러한 분해 결과를 보면 대부분의 마케팅 팀이 예상하는 것보다 기본 수요에서 발생하는 매출 비중이 더 큰 경우가 많습니다. 이는 마케팅의 총 영향과 각 채널의 증분 가치를 바라보는 관점을 재조정합니다.

광고 잔존 효과는 광고의 이월 효과를 의미합니다. 오늘 지출한 광고비가 브랜드 기억과 인지도가 즉시가 아니라 점진적으로 약해짐에 따라 향후 몇 주 동안에도 매출에 계속 영향을 미친다는 개념입니다.

수익 체감은 한 채널에 지출하는 금액을 한 단위씩 추가할 때마다 이전 단위보다 더 적은 증분 매출이 발생하는 현상을 말합니다. MMM은 각 채널의 광고 잔존 효과 소멸률과 수익 체감이 시작되는 지점을 모두 정량화합니다.

포화 곡선은 채널 지출과 매출 결과 사이의 관계를 도표로 나타냅니다. 지출 수준이 낮을 때는 매출이 빠르게 증가하다가 채널이 포화점에 도달하면 증가세가 완만해지는 모습을 보여 줍니다.

MMM 결과에서 도출되는 이러한 곡선은 예산 최적화의 기반입니다. 아직 성장 여력이 있는 채널(지출이 적고 곡선이 가파름)과 이미 포화된 채널(지출이 많고 곡선이 평평함)을 보여 주므로, 후자의 예산을 다른 곳으로 재배분할 수 있습니다.

Meta의 Robyn(R 패키지)과 Google의 LightweightMMM(Python)는 대표적인 두 오픈 소스 MMM 프레임워크입니다. 따라서 값비싼 독점 솔루션 제공업체를 이용하지 않고도 정교한 마케팅 믹스 분석을 수행할 수 있습니다.

Robyn은 진화 알고리즘을 사용하여 모델을 자동으로 보정하고 예산 최적화 결과와 포화 곡선을 직접 생성합니다. LightweightMMM은 베이지안 추론을 사용하여 모델 결과의 불확실성을 정량화하므로, 의사결정권자에게 신뢰 구간을 전달할 때 큰 장점이 있습니다.

MMM 예산 최적화 도구는 포화 곡선을 입력값으로 받아 예측 매출을 최대화하는 고정된 총예산의 배분을 계산합니다. 본질적으로 각 채널의 곡선에서 지출액 단위당 가장 많은 증분 매출을 기여하는 지점을 찾는 것입니다.

일반적인 MMM 권장 사항에는 포화된 TV 또는 디스플레이 채널의 지출을 줄이고, 아직 성장 여력이 남아 있는 디지털 채널로 예산을 재배분하는 방안이 포함됩니다. 예상 매출 영향 범위를 함께 제시하는 경우가 많습니다.

MMM이 신뢰할 수 있는 결과를 내려면 최소 2년간의 주간 데이터가 필요합니다. 더 짧은 시계열로는 계절적 패턴과 실제 마케팅 효과를 구분할 수 없습니다. 또한 지연 시간이 있어 모델은 일반적으로 분기별로 업데이트되므로 실시간 캠페인 의사결정에 활용할 수 없습니다.

MMM은 상관관계가 높은 채널에도 취약합니다. 예를 들어 항상 함께 운영되는 TV와 온라인 동영상 채널이 이에 해당합니다. 또한 사용자 수준 기여도 분석이 포착하는 세밀한 잠재고객 수준 타겟팅 효과를 측정할 수 없습니다.

정교한 측정 프레임워크는 전략적 예산 배분 의사결정(다음 분기에 어떤 채널에 투자할지)에 MMM을 사용하고, 전술적 진행 중 캠페인 최적화(오늘 어떤 키워드, 잠재고객 및 광고 소재가 전환을 일으키는지)에 기여도 분석을 사용합니다.

MMM은 기여도 분석 모델이 어느 채널의 기여도를 체계적으로 과대 또는 과소 평가하는지 보여 줌으로써 해당 모델을 보정합니다. 이를 통해 시간이 지남에 따라 두 측정 방식의 정확도를 높이는 피드백 고리가 만들어집니다.

MMM 결과를 검증하는 일반적인 기법은 지역별 홀드아웃 실험을 수행하는 것입니다. 일부 실험 시장에서는 한 채널을 중단하고 통제 시장에서는 해당 채널을 유지한 뒤, 매출 차이를 그 채널에 대해 MMM이 예측한 기여도와 비교합니다.

홀드아웃 실험 결과가 MMM 예측과 비슷하면 모델의 정확도에 대한 신뢰도가 높아집니다. 큰 차이가 발생하면 모델 입력값에 핵심 변수가 누락되었거나 광고 잔존 효과 설정을 조정해야 한다는 신호일 수 있습니다.

마케팅 믹스 모델링에 대한 이해도를 확인해 보세요.

MMM은 사용자 수준 추적에 의존하지 않고 집계된 데이터에서 채널별 매출 기여도를 정량화하므로, 개인정보 보호를 우선하는 환경에서 가장 지속성이 높은 측정 방식입니다.

Robyn 또는 LightweightMMM에서 얻은 포화 곡선과 예산 최적화 도구는 모델 결과를 실행 가능한 예산 재배분 의사결정으로 변환합니다. MMM과 기여도 분석을 결합하면 종합적인 측정 체계를 구축할 수 있습니다. MMM은 전략에, 기여도 분석은 전술에 사용합니다.