미디어 믹스 모델링이란 무엇이며, 마케터들은 왜 다시 이에 주목하고 있는 것일까?

소개

최근 여러분의 피드에서 뭔가 이상한 일이 벌어지고 있다는 걸 눈치채셨을 겁니다.

수십 년 전의 측정 방법이 갑자기 다시 도처에서 등장하고 있습니다. 사람들은 컨퍼런스 기조 연설에서 이 주제를 다루고 있고, 대행사들은 모든 프레젠테이션 자료에서 이를 제안하고 있습니다. 그리고 아니요, 이건 단순히 향수가 아닙니다.

바로 ‘미디어 믹스 모델링’입니다. 마케팅 책임자이시거나 중소 규모 팀을 관리하는 대행사를 운영하신다면, 왜 이 방법이 다시 주목받고 있는지, 그리고 왜 5년 전보다 지금 더 중요해졌는지 이해해야 합니다.

미디어 믹스 모델링이란 정확히 무엇인가

흔히 MMM으로 줄여 부르는 미디어 믹스 모델링은 통계적 기법입니다.

이 기법은 과거 데이터를 분석합니다. 광고비, 매출, 계절성, 가격 책정 및 기타 외부 요인 등을 살펴본 뒤, 각 채널이 결과에 실제로 얼마나 기여했는지 추정합니다.

이 기법이 대부분의 현대적 추적 방식과 다른 점은 바로 여기에 있습니다. 개별 사용자의 인터넷 이용 행적을 추적하지 않습니다. 대신 집계된 데이터를 기반으로 작동합니다. 총 투입 비용, 총 산출 결과, 그리고 그 사이에서 추출된 패턴을 분석합니다.

바로 이 한 가지 특징이 미디어 믹스 모델링이 다시 주목받고 있는 이유입니다.

왜 지금 다시 주목받고 있는가

쿠키에 의존하기가 점점 어려워졌습니다. 개인정보 보호 규제는 계속해서 강화되었고, 마케터들이 수년간 의존해 온 많은 추적 방식들이 예전만큼 효과적으로 작동하지 않게 되었습니다.

eMarketer가 보도한 트랜스유니언(TransUnion) 설문조사에 따르면, 미국 브랜드 및 대행사 마케터의 거의 절반에 달하는 46.9%가 향후 1년 동안 MMM에 투자할 계획입니다. 또한 27.6%는 현재 MMM을 가장 신뢰할 수 있는 단일 측정 방법으로 꼽았으며, 이는 19.4%를 기록한 멀티 터치 어트리뷰션을 앞지르는 수치입니다.

이는 결코 사소한 변화가 아닙니다. 이는 마케터들이 기존의 전략이 더 이상 그 자체만으로는 충분히 신뢰할 수 없게 되었다고 공개적으로 인정하고 있는 것입니다.

eMarketer와 Snap이 공동으로 실시한 또 다른 설문조사에 따르면, 미국 마케터의 절반 이상(53.5%)이 이미 어떤 형태로든 MMM을 사용하고 있는 것으로 나타났습니다. 또한 MMM 프로세스의 속도 향상이 측정 관련 최우선 과제로 꼽혔습니다.

이 트렌드는 여러분의 착각이 아닙니다. 이는 현실이며, 그 속도는 점점 더 빨라지고 있습니다.

간단한 미디어 믹스 예시

이 개념을 좀 더 구체적으로 살펴보겠습니다.

유료 검색, 유료 소셜 미디어, 전국 라디오 캠페인을 동시에 진행하고 있다고 가정해 봅시다. 이 기간 동안 매출이 증가했습니다. 단순한 어트리뷰션 방식이라면 클릭 데이터가 가장 명확한 채널인 유료 검색에 대부분의 공로를 돌릴 수 있습니다.

하지만 MMM은 전체적인 그림을 살펴봅니다. 이를 통해 라디오가 사실 유료 검색의 성과를 처음부터 끌어올린 브랜드 인지도 향상의 상당 부분을 주도했음을 밝혀낼 수도 있습니다. 라디오가 없었다면 유료 검색은 지금처럼 효율적으로 전환되지 못했을 것입니다.

이것이 바로 채널별 보고만으로는 도저히 파악할 수 없는, 미디어 믹스 분석을 통해 드러나는 통찰입니다. 이는 단순히 어떤 채널이 마지막 클릭을 기록했는지가 아니라, 채널들이 어떻게 상호 작용하며 시너지를 내는지 보여줍니다.

현대적인 미디어 믹스 모델링 기법

10년 전 귀사의 업계에서 사용했던 MMM과 오늘날 이용 가능한 MMM은 단순히 새로운 이름을 붙인 동일한 도구가 아닙니다.

구형 모델은 정적 회귀 분석에 크게 의존했으며, 운이 좋으면 1년에 한 번 갱신되는 수준이었습니다. 현대적인 미디어 믹스 모델링 기법은 베이지안 방법을 사용하여, 마치 확실한 것처럼 보이는 단일 수치가 아닌 광범위한 결과와 신뢰 수준을 제공합니다.

또한 업데이트 빈도도 훨씬 더 잦습니다. OptiMine의 연구에 따르면, 모델을 정기적으로 업데이트하지 않을 경우 정확도가 10~35% 이상 저하될 수 있습니다. 작년 시장 상황을 바탕으로 구축된 모델은 아무도 눈치채지 못하는 사이 한 분기 내내 은연중에 잘못된 정보를 제공할 수 있습니다.

현재 가장 효과적인 접근 방식은 세 가지를 결합하는 것입니다. 전체적인 관점을 제공하는 MMM(미디어 믹스 모델링), 실제 인과 관계를 검증하는 증분 효과 테스트, 그리고 전술적이고 즉각적인 신호를 제공하는 플랫폼 어트리뷰션이 바로 그것입니다. Measured에 따르면, 검증되고 인과 관계에 맞춰 보정된 이 접근 방식을 사용하는 브랜드는 일반적으로 첫 해에 미디어 효율성이 10~30% 향상되는 결과를 보입니다.

이 접근법이 실제 업무 흐름에 어떻게 적용되는가

이 모든 것이 다음 분기까지 공유 드라이브에 방치된 또 다른 정적 PDF 파일이 되어버린다면 아무 소용이 없습니다.

바로 이 지점에서 미디어 믹스 최적화가 팀의 실제 업무 방식에 직접 연계되어야 합니다. 분기별 마케팅 로드맵은 6개월 전 모델이 제시한 내용이 아니라, 현재 모델이 알려주는 내용을 반영해야 합니다. 예산 결정은 다음 정기 검토를 기다리지 말고, 모델이 업데이트되는 속도에 맞춰 신속하게 이루어져야 합니다.

바로 이 지점에서 능동적인 미디어 구매와 능동적인 웹사이트 상품 진열이 중요해집니다. MMM 분석 결과가 예산을 재배분하거나 상품 진열을 거의 실시간으로 조정할 수 있는 시스템에 직접 반영될 때, 모델은 단순한 보고서를 넘어 의사 결정 과정의 적극적인 일부가 됩니다.

스프레드시트만으로는 이 작업을 수행해서는 안 되는 이유

제대로 된 MMM을 수작업으로 수행하는 것은 정말 어렵습니다. 정확성을 유지하려면 정제된 과거 데이터, 진정한 통계 전문 지식, 그리고 지속적인 데이터 갱신이 필요합니다.

대부분의 사내 팀은 이를 감당할 여력이 없습니다. Funnel과 Ravn Research의 설문조사에 따르면, 사내 마케팅 팀 중 MMM을 전적으로 자체적으로 처리하는 곳은 약 4분의 1에 불과합니다.

이것이 바로 제대로 된 마케팅 인텔리전스 플랫폼이 메우기 위해 설계된 격차입니다. 외부 공급업체의 연간 모델을 기다리는 대신, 다른 성과 및 매출 데이터와 연동되어 지속적으로 업데이트되는 미디어 믹스 분석을 얻을 수 있으므로, 단순히 사후에 의사 결정을 기록하는 데 그치지 않고 실제로 의사 결정에 기여하게 됩니다.

결론

미디어 믹스 모델링이 부활한 것은 마케터들이 과거의 기법에 대한 향수를 느꼈기 때문이 아닙니다.

개인정보 보호 정책의 변화로 인해 기존 대안이 무용지물이 되었고, AI 덕분에 마침내 1년에 한 번이 아니라 실시간으로 유용하게 활용할 수 있을 만큼 속도가 빨라졌기 때문입니다.

여전히 라스트 클릭 어트리뷰션에만 의존하고 있다면, 전체적인 상황을 제대로 파악하지 못하고 있는 것입니다. 그리고 이를 바로잡기 위해 기다리는 매 분기마다, 불완전한 정보에 기반한 예산 결정이 내려지는 셈입니다.