안녕하세요, 데이터 기반 풀퍼널 마케팅을 실현하는 DXE입니다.

매체를 여러 개 운영하다 보면 이런 고민과 자주 마주합니다.

"오늘 집행한 광고비, 효과가 언제까지 가는 걸까?"
"지금 이 매체에 예산을 더 써도 될까, 아니면 여기까지가 한계일까?"
"다음 주 예산은 A매체에서 B매체로 옮기는 게 맞을까?"

성과 보고서는 각 매체가 지난달 얼마를 썼고 얼마를 만들어냈는지는 보여줍니다.
하지만 앞선 고민처럼 매체 간에 서로 영향을 주고받는 효과나, 오늘 집행한 광고비가 며칠 뒤까지 남기는 효과까지는 설명하지 못합니다.

MMM(Marketing Mix Modeling)은 이런 효과를 수치로 계산해 예산 배분에 활용할 수 있도록 합니다.

1. MMM으로 알 수 있는 3가지

1) 잔존효과 — 오늘 쓴 광고비, 언제까지 남아있을까?
광고 효과는 매체마다 사라지는 속도가 다릅니다. 보는 즉시 클릭하지 않으면 잊히는 매체가 있고,
당장 반응하지 않아도 며칠에 걸쳐 잔상이 남는 매체가 있습니다.
이 차이를 무시하고 "이번 주 집행분은 이번 주 성과로만 평가"하면, 실제로는 효과가 좋은 매체를 저평가하게 됩니다.

2) 포화도 — 예산을 더 쓰면 성과도 같이 늘어날까?
매체별로 예산과 성과의 관계가 항상 비례하는 것은 아닙니다.
어떤 매체는 예산을 늘린 만큼 성과도 따라오지만, 어떤 매체는 이미 한계 지점을 넘어서 있어 예산을 더 늘려도 성과 개선이 미미합니다.
포화 곡선이 완만해지는 지점을 확인하면, "더 늘려야 할 매체"와 "그만 늘려야 할 매체"를 구분할 수 있습니다.

아래 그래프처럼 A매체에 예산을 500만원 추가 증액했을 때와 1,000만원 추가 증액했을 때를 비교해보면,
증액 예산은 정확히 2배 늘었지만 성과는 1.6배 증가하는데 그쳤습니다.
이처럼 포화 곡선이 완만해지는 지점에 도달했다면, 이 매체보다는 다른 매체의 집행비를 늘리는 것이 권장됩니다.

 

3) 시뮬레이션 — A매체 예산을 B매체로 옮기면 얼마가 될까?
잔존효과와 포화도를 반영한 모델은
"A매체 예산을 10% 줄이고 B매체에 더하면 총 성과가 어떻게 바뀌는가"를 구체적인 숫자로 계산해 보여줍니다.
감이나 지난 캠페인에 대한 기억이 아니라, 데이터로 검증된 배분안을 마련할 수 있게 됩니다.

2. 실제 데이터를 다루며 마주한 것들

이런 결과를 믿을 수 있는 수준으로 계산하는 모델을 만드는 과정은 순탄하지 않았습니다.
여러 차례 모델을 고도화하며 마주한 현실적인 문제들은 다음과 같습니다.

캠페인을 여러 개 동시에 운영하다 보면, 여러 매체가 비슷한 시기에 켜지고 꺼지는 경우가 많습니다.
이러면 모델 입장에서는 "성과가 오른 게 정확히 어느 매체 덕분인지" 구분하기가 어려워지고, 자칫 특정 매체 하나로 기여도가 몰리는 왜곡된 결과가 나올 수 있습니다. 이번 프로젝트에서는 매체에 구애받지 않고 광고 효율이 비슷한 캠페인들은 유사한 기준에서 추정하도록 모델 구조를 다듬어 쏠림 현상을 완화했습니다. 

여기에 더해, 매체 효율도 고정값이 아닙니다. 작년의 매체 효율이 올해와 같지 않을 수 있습니다.
이 변화를 반영하지 못하면 이미 효율이 떨어진 매체에 계속 광고를 집행하게 됩니다. 따라서 최근 며칠간의 효율 변화를 주기적으로 갱신해 반영하는 방식으로 구조를 바꿨습니다.

무상으로 집행된 광고비처럼 실제로는 비용이 없는데 노출이 있는 캠페인이나, 예산은 하루 단위인데 실적은 전날 저녁부터 다음날 저녁까지로 집계되는 시차처럼, 업종 특유의 예외적인 데이터도 섞여 있었습니다.
무상 집행분은 구분해 제외했고, 집계 시차가 있는 구간은 최근 몇 주간의 흐름을 기준으로 보정해 오차를 줄였습니다.

3. 사용성 있는 모델을 만들기까지

모델링은 데이터를 정리하고 모델을 다듬는 것만으로 끝나지 않습니다.
MMM은 분기·월 단위의 중단기 매체 믹스 방향을 제시하는 모델이기에, 당일의 예산 조정까지 대신하지는 못합니다.
예산을 급격히 줄이면 알고리즘이 재학습되어 성과가 출렁이는 매체가 있다거나, 고정 집행 상품이 있다는 사실들은 모델이 인지하고 있기 어렵기 때문입니다.

이를 위해 저희는 아래 사항들을 MMM 대시보드에 반영함으로써,
MMM이 배분한 예산을 AE가 현업에서 실제로 사용할 수 있는 수준으로 재배분했습니다.

1. 고정 매체 지정
2. 매체별 예산 상한·하한 설정
3. 일정 기간 동안의 캠페인별 효율 변화 적용

마무리하며..

잔존효과와 포화도를 계산하고, 실제 데이터에 섞인 예외들을 하나씩 정리하는 것까지가 이번 MMM 프로젝트의 과정이었습니다.
아무리 정교한 모델이라도 실제 운영에 쓰이지 못하면 의미가 없기에, 저희는 모델을 정교하게 만드는 것에서 나아가 현업에서 바로 쓸 수 있는 결과를 만드는 것까지를 기준으로 삼고 있습니다.

이 글을 읽으며 "우리 팀도 MMM을 도입할 수 있을까?" 라는 고민이 되신다면, 아래의 간단한 체크리스트를 확인해 보세요.

MMM 도입 준비를 위한 체크리스트

• [  ] 충분한 데이터 기간 : 최소 1년 6개월 ~ 2년 이상의 과거 마케팅 집행 및 성과 데이터가 축적되어 있다. (계절성 파악 목적)

• [  ] 데이터의 세분화 : 일별 혹은 주별로, 각 매체별 광고비·노출수·클릭수 등의 세부 데이터를 분리해서 뽑아볼 수 있다.

• [  ] 매체별 예산 변경 이력 : 항상 동일한 예산만 쓴 것이 아니라, 캠페인이나 시즌에 따라 매체별 예산을 늘리거나 줄여본 경험 및 기록이 있다.

• [  ] 명확한 KPI : 모델이 예측하고 최적화해야 할 뚜렷한 핵심 목표(매출, 앱 설치, 기타 전환 등)가 하나 이상 정의되어 있다.

위 항목 중 3개 이상에 체크하셨다면, 데이터 기반으로 매체 믹스를 최적화할 준비가 충분히 되어있는 상태입니다.

만약 "데이터는 있는데 세분화가 덜 되어있다" 거나 "당장 2년 치 데이터가 없다" 고 해도 걱정하지 않으셔도 됩니다.
현시점에서 가용한 데이터로 가설을 세우고, 앞으로 모델을 고도화하기 위한 데이터 적재 파이프라인부터 함께 설계하는 것 역시 DXE가 가장 잘하는 일이니까요.
 

막연했던 매체 예산 배분, 숫자로 보여지는 확실한 매체 믹스 전략으로 설계해 보고 싶으시다면 DXE에 문의해 주시기 바랍니다.

컨설팅 문의하기→