정의
Marketing Mix Modeling(MMM) 은 통계적 회귀분석을 활용해 각 마케팅 채널이 전체 매출에 얼마나 기여했는지를 정량적으로 평가하는 분석 기법입니다. 쉽게 말해, "TV 광고, 메타 광고, 네이버 검색광고, 인플루언서 마케팅 중 어떤 게 실제로 매출을 올렸고, 얼마나 올렸는가?"를 데이터로 답해주는 도구입니다.
특히 쿠키리스(cookieless) 시대와 iOS 14.5+ ATT 정책 이후 픽셀 기반 어트리뷰션이 한계에 부딪히면서, 한국 DTC 브랜드와 이커머스 팀 사이에서 MMM이 다시 주목받고 있습니다. 광고 플랫폼이 자기 채널 성과를 과대 보고하는 문제를 우회할 수 있기 때문입니다.
비유로 이해하기
MMM을 "매출이라는 케이크를 자르는 칼" 이라고 생각해보세요.
- 케이크 전체 = 특정 기간의 총매출 (예: 12억 원)
- 케이크 조각 = 각 채널의 기여분 (메타 3.2억, 네이버 2.8억, 인플루언서 1.5억...)
- 나머지 조각 = 계절성, 프로모션, 브랜드 인지도, 오프라인 효과 등
문제는 이 케이크가 겹쳐서 구워진다는 점입니다. 메타 광고를 보고 네이버에서 검색해 구매하는 고객처럼, 채널들이 서로 얽혀 있죠. MMM은 이 겹침을 통계적으로 분해해서 증분 기여도(incremental contribution) 를 추정합니다.
핵심 공식
MMM의 기본 회귀 방정식은 다음과 같습니다:
Sales_t = β0 + Σ βi · f(AdStock_i,t) + Σ γj · Control_j,t + ε_t
각 항목 설명:
- Sales_t : t 시점의 매출 (종속변수)
- β0 : 베이스라인 매출 (마케팅 없이도 발생하는 매출)
- βi : 채널 i의 기여 계수
- AdStock_i,t : 채널 i의 광고 노출을 감쇠 효과로 변환한 값
- f(·) : 포화(saturation) 함수, 주로 Hill 함수나 로그 함수 사용
- Control_j,t : 가격, 프로모션, 계절성, 경쟁사 활동 등 통제변수
- ε_t : 오차항
AdStock 변환 예시 (감쇠율 λ = 0.5):
AdStock_t = Ad_t + 0.5 · Ad_t-1 + 0.25 · Ad_t-2 + ...
Hill 포화 함수 예시:
f(x) = (x^α) / (x^α + K^α)
여기서 K는 반포화 지점(half-saturation point), α는 곡선 기울기입니다.
어트리뷰션 vs MMM 비교
| 구분 | 픽셀 기반 어트리뷰션 | Marketing Mix Modeling |
|---|---|---|
| 데이터 소스 | 사용자 레벨 이벤트 | 집계(aggregate) 시계열 데이터 |
| 기간 | 실시간~일 단위 | 주 단위~월 단위 (최소 104주 권장) |
| 강점 | 캠페인 단위 세부 최적화 | 채널 간 예산 재배분, 베이스라인 파악 |
| 약점 | iOS/쿠키 제한, 중복 계산 | 빠른 변화 대응 어려움, 표본 필요 |
| 대표 도구 | GA4, AppsFlyer, 메타 CAPI | Meta Robyn, Google Meridian, PyMC-Marketing |
| 한국 활용 | 네이버/카카오 전환 추적 | TV, 옥외, 브랜드 캠페인 포함 평가 |
실제 적용 시나리오 (한국 DTC 브랜드 기준)
상황: 월 매출 12억 원 규모의 뷰티 DTC 브랜드가 채널 예산 재배분을 고민 중.
분석 결과 예시:
| 채널 | 월 지출 | 추정 기여 매출 | ROAS | 증분 기여도 |
|---|---|---|---|---|
| 메타 광고 | 1.8억 | 3.2억 | 1.78 | 26.7% |
| 네이버 검색 | 1.2억 | 2.8억 | 2.33 | 23.3% |
| 인플루언서 | 0.6억 | 1.5억 | 2.50 | 12.5% |
| 유튜브 브랜딩 | 0.9억 | 0.9억 | 1.00 | 7.5% |
| 베이스라인 | — | 3.6억 | — | 30.0% |
| **합계** | **4.5억** | **12.0억** | **2.67** | **100%** |
인사이트 도출:
- 네이버 검색의 증분 ROAS가 2.33으로 메타(1.78)보다 높음 → 예산 20% 증액 검토
- 유튜브는 단기 ROAS 1.0이지만, 3개월 후 메타 CTR이 평균 18% 상승하는 후광 효과(halo effect) 확인
- 베이스라인 30%는 브랜드 자산 → 무리한 할인 프로모션은 베이스라인을 훼손할 위험
의사결정: 메타 예산 15% 삭감 → 네이버 +25%, 인플루언서 +10% 재배분. 3개월 후 총매출 8.4% 상승, 블렌디드 ROAS 2.67 → 2.95로 개선.
자주 하는 실수 7가지
1. 데이터 기간 부족 — 최소 104주(2년) 없이 계절성을 통제하면 계수 왜곡 발생
2. AdStock 감쇠율을 임의로 고정 — 채널별로 다르게 추정해야 함 (검색은 짧게, 브랜딩은 길게)
3. 다중공선성 무시 — 메타와 인플루언서를 동시에 집행하면 계수가 뒤섞임
4. 베이스라인을 "낭비"로 오해 — 베이스라인은 브랜드 자산의 결과, 줄이면 매출 자체가 축소
5. 플랫폼 리포트와 교차 검증 안 함 — MMM 결과가 플랫폼 수치와 3배 이상 차이 나면 모델 재점검
6. 단기 최적화에만 사용 — MMM은 예산 재배분용, 캠페인 소재 최적화는 A/B 테스트로
7. 외부 변수 누락 — 경쟁사 프로모션, 환율, 날씨, 시즌 이벤트를 통제변수에 미포함
관련 용어
- AdStock (애드스톡) : 광고 노출의 잔존 효과를 시계열로 변환하는 기법
- Saturation Curve (포화 곡선) : 광고비 증가에 따라 효과가 체감하는 현상
- Incrementality (증분 효과) : 마케팅으로 인해 추가 발생한 매출
- Baseline Sales (베이스라인 매출) : 마케팅 없이도 발생하는 기본 매출
- Blended ROAS (블렌디드 ROAS) : 전체 매출 ÷ 전체 광고비
- Geo-Lift Test (지역 리프트 테스트) : MMM 결과를 실험으로 검증하는 방법
- Meridian / Robyn : 구글·메타가 오픈소스로 공개한 MMM 도구
- Incrementality Testing : 홀드아웃 그룹으로 실제 증분 효과를 측정
요약: MMM은 "어디에 돈을 써야 하는가"를 데이터로 답하는 전략 도구입니다. 픽셀이 놓치는 브랜딩·오프라인·교차 채널 효과를 잡아내지만, 최소 2년치 데이터와 도메인 지식이 뒷받침되어야 신뢰할 수 있는 결과가 나옵니다. 한국 DTC 환경에서는 네이버·카카오·쿠팡 데이터를 반드시 통합해야 정확도가 확보됩니다.