쿠키가 사라진 뒤, 광고 효과를 어떻게 측정하는가

쿠키리스 시대의 대안: 미디어 믹스 모델링(MMM)

어트리뷰션이 '어느 채널이 전환에 기여했는가'를 추정한다면, 미디어 믹스 모델링(MMM)은 더 근본적인 질문을 다룬다. TV·디지털·검색광고를 동시에 집행하는 상황에서 '이 광고가 없었다면 매출이 얼마나 줄었을까'를 통계적으로 추정하는 것이 MMM의 본질인데, 이 질문은 쿠키나 픽셀로는 답할 수 없으며 통계적 모델링으로만 접근할 수 있다.

미디어 믹스 모델링(MMM, media mix modeling)은 개인 수준의 사용자 추적 없이 거시적 집계 데이터를 활용해 각 광고 채널이 매출에 미치는 기여도를 통계적으로 추정하는 방법론이다. MMM은 TV·디지털·검색·소셜·옥외광고 등의 광고 지출과 계절성·가격·프로모션·경쟁사 활동 같은 외부 변수를 독립변수로, 매출 또는 전환 수를 종속변수로 설정한 다중 회귀 분석을 핵심 방법론으로 사용하며, 1960~70년대 소비재 기업들이 TV 광고 효율을 측정하기 위해 시작한 이 방법은 쿠키 기반 어트리뷰션이 어려워진 최근에 다시 주목받고 있다.

MMM의 핵심 개념 가운데 하나는 광고 이월 효과(adstock)이다. 광고는 집행된 시점에만 효과를 내는 것이 아니라 이후 기간에도 잔류 효과를 발휘하는데, 애드스톡(Broadbent, 1979)은 이 잔류 효과를 수학적으로 모델링하는 방법으로, 광고 집행 이후 시간이 지남에 따라 효과가 기하급수적으로 감소하는 구조를 가정한다. Adstock(t) = Spend(t) + λ × Adstock(t-1)의 형태로 표현되며 감쇠율 λ(0 < λ < 1)가 낮을수록 광고 효과가 빠르게 소멸하고 높을수록 잔류 효과가 길게 지속되는데, TV나 유튜브 같은 브랜드 광고는 λ가 높고 검색광고나 리타게팅 광고는 λ가 낮은 경향이 있다.

MMM의 또 다른 핵심 개념은 광고 포화(saturation) 효과이다. 광고비가 일정 수준을 넘어서면 추가 집행에 따른 한계 효과가 줄어드는 S자형 또는 오목형 반응 곡선이 나타나는데, 이는 동일한 오디언스에게 광고가 반복 노출되면서 광고 피로도가 누적되거나 구매 의향이 있는 사용자 풀이 고갈되기 때문이다. 힐(Hill) 변환이나 미카엘리스-멘텐(Michaelis-Menten) 식을 활용해 이 포화 곡선을 모델에 통합하면 각 채널의 한계 수익률(marginal ROI)을 추정하고 예산이 과잉 집중된 채널을 진단할 수 있다(Jin et al., 2017).

MMM의 최근 발전은 오픈소스 라이브러리의 등장으로 가속화되었다. Meta(Facebook)는 2021년 Robyn을 오픈소스로 공개하였는데(Meta Marketing Science, 2021), Robyn은 R 기반의 MMM 프레임워크로 릿지 회귀, 애드스톡 변환, 포화 곡선 모델링, 예산 최적화 알고리즘을 통합한다. Google은 2025년 1월 Python 기반의 Meridian을 오픈소스로 공개하였으며(Google, 2025), Meridian은 계층적 베이즈 모델링을 기반으로 지역별·시간별 마케팅 효과의 이질성을 포착하고 불확실성 추정에서 더 정교한 결과를 제공한다. 이 두 라이브러리의 등장으로 대기업이 아닌 조직도 실용적인 MMM 분석을 실행할 수 있게 되었다.

MMM의 실무 적용에서 가장 큰 어려움은 데이터 품질과 충분한 관찰 기간이다. MMM은 주 단위 또는 월 단위의 집계 데이터를 기반으로 하며 통상 2년 이상의 히스토리 데이터가 있어야 계절성 패턴, 광고 애드스톡, 채널 간 상호작용을 안정적으로 추정할 수 있다. 또한 MMM은 관찰 데이터로 상관관계를 추정하는 방법이므로 인과관계를 엄밀하게 검증하려면 인크리멘탈리티 테스트와 병행해 교차 검증하는 것이 권장된다.

MMM이 실제로 어떤 과정을 거쳐 만들어지고 어떤 결과를 내놓는지는 사례로 살펴보는 것이 가장 효과적이다. 여기서는 가상의 예시 데이터로 구글 메리디안(Meridian)과 메타 로빈(Robyn)을 각각 적용하고 그 결과를 라스트 클릭 어트리뷰션과 비교한 사례를 살펴보고자 한다. 이 가상 브랜드는 연간 약 10억 원의 디지털 광고를 크리테오·메타·네이버 검색광고·구글 검색광고의 네 매체에 집행하였다고 가정되었으며 같은 해에 옥외광고도 병행한 것으로 가정했다.

첫 단계는 데이터 준비이다. MMM의 입력은 개인 단위 로그가 아니라 집계 데이터이므로 매체별 월별 광고비와 월별 실제 매출을 같은 시간 단위로 정리하는 것이 전부인 것처럼 보이지만, 실제로는 이 단계에서 분석의 성패가 갈린다. 프로모션이나 시즌처럼 매출에 영향을 주는 외생 요인을 변수로 넣을지, 옥외광고처럼 디지털 밖의 집행을 어떻게 다룰지, 그리고 관측치가 충분한지를 여기서 판단해야 하기 때문이다. 이 사례는 월 단위 12개 관측치로 진행하였는데, 이는 MMM이 작동하는 최소한의 규모이며 실무에서는 주 단위로 2년 이상의 데이터를 확보하는 것이 바람직하다.

두 번째 단계는 이월과 포화의 구조를 정하는 일이다. 앞서 살펴본 것처럼 두 도구 모두 광고비가 매출로 이어지는 관계를 이월 효과와 포화 곡선으로 모형화하지만 세부 가정이 다르다. 메리디안은 이월을 기하분포(일정 비율로 감소)로, 포화를 힐 함수로 고정하고 분석자가 사전분포와 조건을 직접 지정하는 베이지안 구조여서 자유도가 높은 대신 데이터와 캠페인에 대한 분석자의 사전 지식이 요구된다. 로빈은 이월에 와이블 분포를 허용해 시간에 따라 감소율이 변하는 형태까지 다루고 하이퍼파라미터 탐색과 모형 선택을 자동화하여 진입 장벽이 낮은 대신 결과가 복수의 후보 모형으로 제시되어 분석자가 그중 하나를 골라야 한다.

세 번째 단계는 적합과 검증이다. 이 사례에서 매출에 대한 설명력(R²)은 메리디안 95.0%, 로빈 74.4%로 나타났는데, 이 수치의 차이를 어느 도구가 우수하다는 뜻으로 읽어서는 안 된다. 관측치가 12개뿐인 상황에서 사전분포를 분석자가 지정한 메리디안이 데이터에 더 밀착한 것이며, 설명력이 높다는 것이 예측이 정확하다는 뜻은 아니기 때문이다. 실무에서는 설명력과 함께 잔차의 패턴, 계수 부호의 타당성, 그리고 이월과 포화 곡선의 형상이 상식과 맞는지를 함께 본다. <그림 4-4-2>은 두 도구가 산출하는 결과물의 화면인데, 매체별 ROI, 이월 효과, 포화 곡선, 예산 최적 배분의 네 가지가 기본 출력이며 이 네 화면을 읽는 것이 MMM 해석의 핵심이다.

<그림 4-4-2> MMM 도구의 기본 결과물: 매체별 ROI, 이월 효과, 포화 곡선, 예산 최적 배분(위: 구글 메리디안, 아래: 메타 로빈)

네 번째 단계는 결과 해석이다. <표 4-4-3>에 매체별 ROAS와 이월 효과, 최적 예산 비율을 정리하였는데, 가장 눈에 띄는 것은 라스트 클릭 어트리뷰션과 MMM의 차이이다. 어트리뷰션에서 네이버 검색광고의 ROAS는 1,090.8%, 크리테오는 622.4%로 매우 높게 나타나지만 MMM에서는 네 매체가 200~360% 범위로 수렴한다. 앞에서 설명한 것처럼 검색광고와 리타게팅은 구매 직전 접점을 차지하기 때문에 라스트 클릭에서 과대평가되며, MMM은 옥외광고를 포함한 다른 요인과 기저 매출을 분리해 낸 뒤의 순수 기여를 보기 때문에 전반적으로 보수적인 값이 나온다. 이월 효과에서는 두 도구의 성격 차이가 그대로 드러나는데, 메리디안은 네 매체 모두 45~49%의 비슷한 이월률을 산출한 반면 로빈은 구글 검색 27.5%, 네이버 검색 16.6%, 메타와 크리테오는 2~3%로 매체별 차이를 크게 두었다. 검색광고의 이월이 디스플레이보다 크다는 로빈의 결과는 검색 행동의 지속성을 생각하면 현실에 가깝다고 볼 수 있으나, 어느 쪽이 맞는지는 데이터만으로 판정할 수 없다.

<표 4-4-3> MMM 두 도구와 라스트 클릭 어트리뷰션의 분석 결과 비교

다섯 번째 단계는 예산 최적화이다. 두 도구 모두 포화 곡선을 이용해 같은 총예산에서 매출을 최대로 하는 배분을 제시한다. 메리디안은 기존 배분(네이버 검색 43.2%, 메타 32.7%, 크리테오 17.1%, 구글 검색 7.0%)에서 네이버 검색을 3%p 줄이고 메타를 2%p 늘리는 정도의 보수적인 조정을 권고한 반면, 로빈은 네이버 검색을 21.9%로 절반 가까이 줄이고 메타를 49.0%, 크리테오를 25.7%로 늘리는 큰 폭의 재배분을 제시하였다. 같은 데이터에서 이만큼 다른 권고가 나온다는 사실이 이 사례의 가장 중요한 교훈이다. 즉 MMM의 결과는 도구가 내놓는 하나의 정답이 아니라 가정에 따라 달라지는 시나리오이며, 실무에서는 두 결과의 공통 방향(메타 비중 확대, 검색 비중 축소)을 취하고 폭은 단계적으로 시험하는 것이 합리적이다. 아울러 MMM은 과거 데이터에 대한 사후 분석이므로 미래 매출을 예측하는 도구로 쓰기에는 적합하지 않으며, 예산 배분 권고를 실제로 적용한 뒤에는 인크리멘탈리티 테스트로 검증하는 것이 순서일 것이다.

참고문헌

• Broadbent, S. (1979). One way TV advertisements work. Journal of the Market Research Society, 21(3), 139–166.
• Google. (2025). Meridian [Computer software]. GitHub. https://github.com/google/meridian
• Jin, Y., Wang, Y., Sun, Y., Chan, D., & Koehler, J. (2017). Bayesian methods for media mix modeling with carryover and shape effects. Google Research. https://research.google/pubs/bayesian-methods-for-media-mix-modeling-with-carryover-and-shape-effects/
• Meta Marketing Science. (2021). Robyn: Continuous & semi-automated MMM [Computer software]. GitHub. https://github.com/facebookexperimental/Robyn