MMM이 필요한 이유와 적용 범위
MMM은 채널별 지출과 비즈니스 성과(매출, 신규가입, 활성, ARPU 등)의 관계를 시계열로 모델링해 “어떤 채널이 얼마만큼 기여했는가”와 “다음 예산을 어디로 옮겨야 한계수익이 커지는가”를 추정하는 방법입니다. 사용자 단위 추적이 약해지는 환경에서 특히 강점이 있고, 채널 간 상호작용(브랜드 검색, 오프라인 영향, 시즌성)을 통제변수로 함께 다룰 수 있습니다. 다만 MMM은 ‘전술 최적화(소재/오디언스 단위)’보다 ‘전략적 예산 재배분(채널/캠페인군 단위)’에 더 적합합니다.
데이터 요건: 무엇이 있어야 모델이 ‘예산’까지 말해줄까
- 시간 단위와 기간
일 단위가 이상적이지만 노이즈가 크면 주 단위로 가도 됩니다. 핵심은 충분한 기간입니다. 최소 1년은 필요하고, 시즌성이 강하거나 프로모션이 잦다면 2~3년이 안정적입니다. 모델이 “기본 수요”와 “마케팅 효과”를 분리하려면 다양한 상황(성수기/비수기, 집행 증감, 프로모션 유무)이 데이터에 포함되어야 합니다. - 종속변수(Outcome) 선택
총매출/주문수/신규가입 같은 블렌디드 지표가 기본입니다. 앱이라면 설치가 아니라 다운스트림(가입, 첫 결제, D7 활성)을 추천합니다. 전환 이벤트가 낮은 빈도라면 매출 대신 트래픽이나 가입처럼 더 자주 발생하는 지표로 먼저 모델을 만들고, 이후 LTV를 결합해 가치 기반으로 확장하는 방식이 실무적입니다. - 채널 데이터(Spend가 기본, 가능하면 노출/클릭도)
채널별 지출(검색/소셜/디스플레이/동영상/어필리에이트/오프라인 등)을 같은 타임스탬프로 정렬해야 합니다. 가능한 경우 노출/클릭도 같이 넣으면 “비용 변화”와 “효율 변화”를 분리하는 데 도움이 됩니다. 다만 MMM의 주재료는 spend입니다. - 통제변수(Controls)가 성패를 좌우
가격/할인, 프로모션 일정, 상품 출시, 앱 업데이트, 재고/배송 제약, 경쟁사 이벤트, 휴일/연휴, 요일/월 효과, 거시 변수(환율, 물가, 경기 지표), 브랜드 검색량 같은 변수를 포함하면 채널 기여 추정의 왜곡이 크게 줄어듭니다. 특히 브랜드 검색은 상단 퍼널 채널의 효과가 ‘검색’으로 표기 이동되는 현상을 모델 안에서 흡수하는 데 유용합니다.
모델링 핵심: Adstock과 Saturation을 이해해야 ‘재배분’이 가능해진다
- Adstock(캐리오버)
광고 효과는 집행 당일에만 발생하지 않고 시간이 지나며 감쇠합니다. Adstock은 이 잔존효과를 반영하는 변환입니다. 예를 들어 TV/동영상은 캐리오버가 길고, 검색은 짧은 편입니다. Adstock을 넣지 않으면 단기 채널이 과대평가되고 장기 채널이 과소평가되기 쉽습니다. - Saturation(한계효용 체감)
지출이 늘수록 성과가 선형으로 늘지 않습니다. 일정 수준 이후 한계효용이 빠르게 줄어듭니다. 이를 반영하려면 로그/파워 변환, Hill 함수 같은 비선형 포화 함수를 사용합니다. 이 포화 곡선이 있어야 “지금 1원을 더 쓰면 어디에서 성과가 가장 많이 늘어나는가(한계 ROAS)”를 계산할 수 있습니다. MMM으로 예산 재배분을 하려면 이 단계가 사실상 필수입니다. - 정규화/규제(Collinearity 대응)
채널 지출은 보통 같이 움직입니다(같은 분기에 다 올리고 다 내림). 이 상관관계 때문에 계수가 불안정해지므로 Ridge/Lasso 같은 규제가 자주 쓰입니다. 최근에는 불확실성을 함께 제공하는 베이지안 MMM이 많이 활용됩니다. 중요한 건 “채널별 기여가 딱 떨어진다”는 환상을 버리고, 불확실성 구간을 포함해 의사결정을 하도록 리포트를 설계하는 것입니다.
해석 가이드: MMM 결과에서 무엇을 믿고, 무엇을 경계할까
- 기여도(Contribution)와 증분(Incremental)을 혼동하지 않기
MMM의 ‘기여도’는 모델이 설명한 몫이며, 실험 기반의 증분과는 다를 수 있습니다. 특히 리타겟팅이나 브랜드 검색 같은 채널은 다른 채널의 수요를 흡수해 보이는 구조가 있어 과대평가 위험이 있습니다. 따라서 MMM 결과는 가능하면 홀드아웃/Geo 테스트로 캘리브레이션(보정)하는 것이 좋습니다. - ROAS가 아니라 “한계 ROAS”를 봐야 재배분이 된다
예산 재배분의 핵심은 평균 ROAS가 아니라 현재 지출 수준에서의 한계효율(marginal ROI)입니다. 이미 포화 구간에 있는 채널은 평균 ROAS가 좋아도 추가 예산의 효과가 낮을 수 있고, 반대로 평균 ROAS가 낮아 보여도 아직 포화 전이라면 추가 예산의 한계효율이 높을 수 있습니다. MMM 최적화는 이 한계효율 곡선을 기반으로 합니다. - 신뢰구간이 넓은 채널은 ‘확신’이 아니라 ‘가설’로 취급
데이터가 부족하거나 상관관계가 너무 큰 채널은 불확실성 구간이 넓게 나옵니다. 이 경우 “예산을 과감히 옮긴다”가 아니라 “소규모 실험으로 검증한다”가 더 안전합니다. MMM은 결론을 확정하는 도구라기보다, 실험의 우선순위를 정하는 레이더 역할을 잘합니다.
예산 재배분 절차: MMM을 ‘결과 보고서’가 아니라 ‘운영 루프’로 만들기
- 목표 정의: 매출 극대화인지, 신규 극대화인지, 이익/마진 최적화인지 먼저 고정합니다.
- 데이터 구성: 지출, 성과, 통제변수, 구조적 변화(가격/프로모션/제품 업데이트)를 동일 타임라인으로 정리합니다.
- 모델 학습 및 검증: 과거 구간을 홀드아웃으로 남겨 예측력을 확인하고, 비정상 구간(대형 프로모션, 장애)은 별도 처리합니다.
- 반응곡선 산출: 채널별 포화 곡선과 한계효율을 뽑습니다.
- 제약 조건 포함 최적화: 최소 집행액, 최대 캡, 채널 믹스 정책, 운영 가능성(소재 생산량, 재고)을 제약으로 넣고 재배분안을 만듭니다.
- 실행 후 검증: 재배분안을 단계적으로 적용하고, 가능한 범위에서 Geo/홀드아웃으로 증분을 재확인합니다.
- 정기 업데이트: 월/분기 단위로 모델을 업데이트하고, 큰 변화(가격, 트래킹 정책, 채널 구조)가 있으면 즉시 재학습합니다.
실무에서 자주 터지는 함정
채널을 너무 세분화하면 데이터가 희박해져 불확실성이 커집니다. 반대로 너무 뭉치면 액션이 애매해집니다. 실무에서는 “결정 가능한 단위”로 그룹핑(예: 검색-브랜드/논브랜드, 소셜-프로스펙팅/리타겟팅, 동영상-유튜브/기타)하는 수준이 균형이 좋습니다. 또, 지출 데이터만 깨끗하고 프로모션/가격/상품 이벤트가 빠져 있으면 MMM은 그 변동을 마케팅 탓으로 돌릴 가능성이 큽니다. 통제변수 품질이 곧 모델 품질입니다.