MMM이란: 어트리뷰션 방법론에서 벗어나 채널 기여 재는 법

요즘 성과를 보다보면 좀 이상하지 않으세요? MMP가 말하는 전환이랑, 우리 비즈니스가 흘러가는 방향이 다르기도 하고, iOS에서 주는 SKAN 데이터는 터무니없이 높은 숫자를 뱉어내기도 합니다. 한 명이 하루에도 여러 개의 채널에서 수십 개의 광고를 보는 지금, LTA(Last Touch Attribution)로 성과를 분석하는 게 맞나 싶습니다. 멀티 터치 어트리뷰션은 어딘가 명료한 답을 던져주진 않고요.

그래서 다시 뜨는 게 마케팅 믹스 모델링(MMM)이에요. 오늘은 이게 뭔지, 뭘 답해주는지, 그리고 어디까지 믿어야 하는지 깔끔하게 말씀드릴게요. 아 그리고 어떻게 하는지도 알려드리겠습니다.

MMM은 내가 목표하는 '성과'를 '역산'해요

MMM은 개인을 추적하지 않아요. 대신 전체 그림에서 거꾸로 풀어요.

간단하게 말해서 MMM은 "지난 1년간 주별로 각 채널에 얼마를 썼는데, 그때 매출은 얼마였나." 이걸 두고 통계 모델로 매출 = 베이스라인 + 채널A 기여 + 채널B 기여 + 외부요인을 추정하는 거예요. 여기서 쓰는 게 회귀(regression, 결과를 여러 원인으로 설명하는 식을 찾는 통계 방법)예요. 각 원인의 '몫'을 숫자로 뽑아줘요. 더 쉽게 말하자면 사용자가 지정한 '성과'라는 케이크 전체에서 각 요소가 얼마씩 기여했는지를 통계적으로 쪼개서 보여주는 겁니다.

이 그림의 예시는 성과를 '매출'로 잡았어요. 이렇듯 매출을 쪼개요. 여기서 베이스라인은 광고가 없어도 나올 몫이에요(브랜드 인지, 오가닉, 재구매 같은 것들). 증분성 측정 글에서 얘기한 그 베이스라인과 같은 개념이에요. MMM은 그걸 전체 채널에 대해 한 번에 그려주는 거고요.

필요한 데이터는 '성과' 데이터와 채널별 지출 금액, 노출량 등인데, 이렇듯 개인 데이터를 안 쓰니 프라이버시에 안전하고, 쿠키나 iOS 추적 제한의 영향도 받지 않아요. 그리고 마지막 터치로 성과를 가져가는 방식이 아니라서, 마지막 터치의 가치가 높게 평가되는 기존 방식보다, 실제 예산의 소진이 얼마나 비즈니스에 영향을 줬나를 볼 수 있게 해줘요. 이게 요즘 MMM이 다시 주목받는 이유예요.

제대로 하려면 꼭 잡아야 할 두 가지

성과를 그냥 지출에 회귀 돌리면 틀려요. 광고엔 까다로운 성질이 두 개 있거든요.

adstock — 광고효과는 하루로 안 끝나요

오늘 본 광고가 오늘만 효과를 내는 게 아니에요. 며칠, 길게는 몇 주 뒤 구매로 이어지기도 해요. 이 잔존효과를 adstock(애드스톡, 광고를 끈 뒤에도 남는 효과)이라고 해요.

이걸 무시하면 늦게 터진 전환을 엉뚱한 시점, 엉뚱한 채널에 붙이게 돼요. 기여가 왜곡되는 거죠.

포화 — 광고는 예산을 부을수록 효율이 떨어져요 (Saturation)

채널은 지출을 늘릴수록 전환 증가폭(Marginal Conversion)이 줄어요(수확 체감). MMM은 이 포화 곡선을 추정해서 "이 채널, 더 부어도 되나"에 답해요. 마케팅 예산 배분 글에서 다룬 응답곡선과 같은 원리예요. MMM이 그 곡선을 채널마다 추정해주는 셈이고요.

그래서 MMM으로 뭘 알 수 있나요?

정리하면 세 가지에 답해요.

하나, 채널별 진짜 기여도. 라스트클릭이 브랜드 검색·리타겟팅, 혹은 클릭 인젝션 광고에 몰아준 크레딧을, 실제 기여에 맞게 다시 나눠요.

둘, 다음 달 예측. 지금 배분을 유지하면 매출이 얼마쯤 나올지 내다봐요. 이건 회귀 분석의 특징이에요. 도출된 회귀 계수를 이용하면 예측이 가능합니다.

여기서 중요한 건, 점 하나로 "다음 달 1억"이라고 단정하지 않아야 한다는 거예요. "95% 확률로 이 범위쯤"으로, 불확실성을 밴드로 같이 보여줘요. 이게 정직한 예측이에요. 통계에 100% 정확한 건 없어요.

셋, 카니발라이제이션(잠식) 진단. 채널끼리(분석 단위에 따라서는 캠페인끼리) 서로 뺏어먹는지 봐요. 흔한 예가, 브랜드 검색광고가 원래 공짜로 들어올 오가닉 유입을 잡아먹는 경우예요.

어디까지 믿어야 하나 — MMM의 한계

여기가 제일 중요해요. MMM은 관측 데이터 기반이라서, 나오는 건 '연관' 추정입니다. "이 채널이 매출과 이만큼 연관됐다"이지, "이 채널이 매출을 이만큼 만들었다"라고 못을 박진 못해요.

함정도 있어요. 대표적인 게 다중공선성(여러 채널을 늘 같이 늘리고 같이 줄이면, 모델이 누구 공인지 잘 못 가르는 문제)이에요. 데이터 기간이 짧아도 흔들리고요. 실제로 마케팅을 운영하다 보면 여러 행동을 하루, 한 주에 집중해서 하는 경우가 있죠. 이런 경우 어떤 행동이 영향을 줬는지 구분하기 어렵습니다.

그래서 원칙은 이거예요. MMM으로는 전체적인 방향을 잡고, 실제 결과를 확인하는 것은 실험으로 한다. MMM이 "SNS 기여가 생각보다 크다"고 하면, 그걸 증액해서 결과를 확인하는 방식입니다. 반대로, "특정 채널에서 카니발이 발생하는 것 같다"고 한다면, 홀드아웃 테스트를 진행해봐야 합니다. (홀드아웃은 증분성 측정 글에서 자세히 다뤘어요.) 실험과 MMM은 하나의 페어라고 생각하시면 편합니다.

오늘 해볼 것

MMM은 모델보다 데이터가 먼저예요. 오늘 할 건 '재료 모으기'고요. 주 단위로 이걸 한 시트에 모아보세요.

• 채널별 광고 지출 (주별)
• 매출 (주별)
• 외부요인 (프로모션 여부, 시즌, 가격 변동, 큰 이벤트)

최소 1년(52주)치를 권해요. 계절을 한 바퀴는 봐야 시즌 효과와 광고 효과가 갈리거든요. 이 시트만 있으면 MMM의 8할은 준비된 거예요. 왜 8할이냐구요? 어려운 R, Python 같은 건 제가 준비해뒀거든요. (MMM 분석)

마무리

정리할게요. MMM은 개인을 추적하지 않고, 전체 성과를 '베이스라인 + 채널 기여'로 역산해요. adstock과 채널별 포화도를 잡아야 측정이 제대로 되고, 결과는 방향을 잡는 나침반일 뿐 최종 판결은 아닙니다.

이 회귀·adstock·포화·신뢰밴드를 직접 계산하려면 번거로워요. 데이터 준비만으로도 귀찮은데, 그래서 주별 데이터만 있으면, 위에서 말한 MMM 분석 탭에서 한 번에 진행할 수 있어요. 올린 데이터는 브라우저 안에서만 처리되고 서버로 나가지 않습니다. (유저 Privacy, 요즘 중요하잖아요!)

그리고 잊지 마세요. MMM은 나침반, 실험은 확정이에요. 이 둘을 같이 쓰면 감이 아니라 근거로 예산을 움직일 수 있어요. (그리고 통계와 수학은 설득을 위한 가장 강력한 무기입니다!)