미디어 믹스 모델링(MMM): 정의 및 작동 방식

미디어 믹스 모델링(MMM)은 개별 수준의 추적 대신 과거 지출 및 결과 데이터를 사용하여 각 마케팅 채널이 집계된 매출 또는 전환에 얼마나 기여하는지 추정하는 통계 기법입니다. 한 사람의 클릭이 구매로 이어지는 과정을 추적하는 대신 MMM은 주간 또는 월간 총합, 네이티브, 유료 검색, TV에 얼마나 지출했는지와 판매된 단위 수를 비교하여 패턴을 설명하는 모델을 적합시킵니다.

Why it exists#

모든 기여도 측정 방식에는 사각지대가 있습니다. 클릭 기반 모델은 판매에 가장 가까운 채널에 과도하게 기여도를 부여하며, 사용자 수준 추적은 터치포인트 전반에 걸쳐 지속적인 식별자가 필요한데, 쿠키 폐지와 앱 추적 제한으로 인해 유지가 더 어려워졌습니다. MMM은 개별 사용자를 식별하거나 기기 간 추적이 필요하지 않기 때문에 두 문제를 모두 회피합니다. 완전히 집계된 채널 수준 데이터에서 작동하므로 프라이버시에 강하고 클릭 가능한 경로를 전혀 생성하지 않는 TV, 라디오, 옥외 광고와 같은 오프라인 채널에도 사용할 수 있습니다.

What goes into the model#

일반적인 MMM은 매출을 채널별 주간 광고 지출과 통제 변수(계절성, 가격 변동, 경쟁사 활동, 프로모션)에 대해 회귀 분석합니다. 출력 결과는 각 채널의 추정 기여도와 수확 체감 곡선, 즉 추가 지출 1달러가 이전 달러보다 더 적은 증분 판매를 창출하기 시작하는 지점을 보여주는 계수 집합입니다. 이러한 수확 체감 패턴은 크리에이티브 수준에서도 자주 나타나는데, 지속적인 빈도는 채널 수준 모델이 감지하기 훨씬 전에 크리에이티브 피로도를 유발합니다. 마케팅이 전혀 없을 때의 판매량인 베이스 판매는 마케팅 주도 판매와 분리되므로, 모델이 이미 존재하던 수요에 대해 광고에 잘못 기여하는 것을 방지합니다.

MMM versus a live holdout#

실시간 인크리멘털리티 실험은 실제 지출을 중단하거나 줄이는 대가를 치르고 한 테스트 기간 동안 한 채널에 대한 정확하고 실험적으로 검증된 리프트 수치를 제공합니다. MMM은 이미 보유한 데이터를 사용하여 백그라운드에서 지속적으로 실행되며 모든 채널을 한 번에 커버하지만, 정밀도는 한 채널의 효과를 다른 채널의 효과와 분리할 수 있을 만큼 충분한 과거 지출 변동성에 따라 달라집니다. 많은 분석 팀은 홀드아웃 결과를 사용하여 MMM 계수를 보정하고 검증하는데, 이는 깨끗한 실험 결과와 모순되는 모델은 아마도 변수가 누락되었을 가능성이 높기 때문입니다.

Where native and social fit into an MMM#

네이티브 네트워크와 소셜 플랫폼은 일반적으로 별도의 라인 아이템으로 모델링됩니다. 그 이유는 반응 곡선이 다르기 때문입니다. Taboola와 같은 네트워크는 타겟이 잘 설정된 검색 캠페인보다 더 길고 느리게 구축되는 곡선을 보이는 경향이 있으며, 수요 측 플랫폼을 통해 구매한 인벤토리는 또 다른 형태를 보이는 경우가 많습니다. 방어 가능한 모델을 구축하려면 먼저 깔끔한 채널 수준의 전환 추적과 올바르게 분류된 지출 데이터가 필요합니다. 이는 실무에서 가장 어려운 부분인 경우가 많습니다. OpenAdLibrary의 광고 인텔리전스 플랫폼과 같은 도구를 사용하여 특정 네트워크에서 경쟁사의 지출과 크리에이티브 볼륨이 얼마나 움직이는지 관찰하는 것은 채널의 모델링된 기여도가 실제 시장 상황과 일치하는지, 그리고 보고된 ROAS가 그에 비해 타당한지에 대한 유용한 현실 확인 수단입니다.

Limitations#

MMM은 안정적인 모델을 적합시키기 위해 상당한 양의 과거 데이터(보통 1년 이상의 주간 관측치)가 필요합니다. 또한 반응이 느립니다. 채널의 계수는 플랫폼 대시보드처럼 실시간으로 업데이트되지 않으므로 MMM은 일일 최적화 도구보다는 전략적인 분기별 계획 도구로 더 적합합니다. 또한 상관된 지출, 즉 매번 두 채널의 예산을 동시에 인상하는 것은 통계적으로 개별 효과를 분리하기 어렵게 만드는 다중공선성 문제를 야기하며, 아무리 뛰어난 미디어 바잉 기술도 필요한 데이터가 없는 모델을 고칠 수는 없습니다.