지금 읽는 곳MMM이 어트리뷰션·인크리멘털리티 과목에서 다뤄지는 이유목차
STEP 3 고급·전략 › 3-1. 빅테크·애드테크 알고리즘 심화 › 과목 104 › 레슨 10
마케팅 믹스 모델(MMM)을 위한 시드 데이터 추출: 메타 대시보드 내 순수 일별 광고비와 전환수 로우 데이터를 기여도 필터링 후 가공하는 법
마케팅 믹스 모델은 채널별 기여 데이터가 아니라 "돈을 얼마 썼고 결과가 얼마나 나왔는가"라는 로우 데이터를 원재료로 삼습니다 — 메타 기여 모델의 배분 로직을 걷어내는 작업이 시작점입니다.
핵심요약
- 마케팅 믹스 모델(MMM)은 개별 유저를 추적하지 않고 채널별 일별 지출과 전체 매출의 통계적 관계를 분석해 채널 기여도를 추정하는 톱다운 방식 모델링이다
- 메타 대시보드에서 뽑아야 할 것은 기여 모델이 이미 배분한 전환수가 아니라, 일별 지출액과 일별 노출·클릭 같은 원시 활동 데이터다
- iOS 정책 이후 메타 기여 전환수 자체에 CAPI·AEM 추정치가 섞여 있어, MMM 시드 데이터로 쓸 때는 이 추정 비중을 인지하고 접근해야 한다
- MMM은 인크리멘털리티(리프트 테스트) 결과와 상호 검증하는 관계로 쓰여야 신뢰도가 올라간다
MMM이 어트리뷰션·인크리멘털리티 과목에서 다뤄지는 이유
마케팅 믹스 모델(Marketing Mix Model, MMM)은 개별 유저의 클릭·전환 여정을 추적하지 않고, 채널별 일별 지출액과 전체 매출·전환의 시계열 관계를 통계적으로 분석해 각 채널이 매출에 얼마나 기여했는지를 추정하는 톱다운 방식의 모델링입니다. 개인 식별 데이터에 의존하지 않는다는 점에서, 앞서 다룬 iOS 개인정보 정책 이후의 추적 손실 문제로부터 상대적으로 자유로운 측정 방법으로 주목받고 있습니다.
MMM은 어트리뷰션(개별 터치포인트 배분)이나 인크리멘털리티(홀드아웃 비교)와는 다른 세 번째 측정 축입니다. 어트리뷰션은 미시적(개별 전환 단위)이고, 인크리멘털리티는 실험적(통제집단 비교)이며, MMM은 거시적(채널 단위 시계열 회귀)입니다. 세 방법론이 서로 다른 각도에서 답을 내놓기 때문에, 세 결과가 서로 어긋나지 않는지 교차 검증하는 것이 이 과목 전체를 관통하는 실무 감각입니다.
메타 대시보드에서 뽑아야 할 데이터와 뽑지 말아야 할 데이터
MMM에 필요한 것은 메타의 기여 모델이 이미 특정 규칙(7일 클릭·1일 조회 등)으로 배분해놓은 "귀속 전환수"가 아니라, 그 배분이 일어나기 전 단계의 원시 활동 데이터입니다. 구체적으로는 일별 광고비 지출액, 일별 노출수, 일별 클릭수 같은 데이터가 여기에 해당합니다. 이 데이터는 메타의 기여 규칙과 무관하게 "그날 실제로 얼마나 돈을 썼고 얼마나 많은 사람에게 도달했는가"를 보여주는 값이라, MMM이 필요로 하는 순수한 채널 활동 신호에 가깝습니다.
반대로 메타 대시보드의 기본 "결과" 열이나 "구매" 전환수 열은 이미 기여 모델의 배분 로직이 적용된 값이므로, 그대로 MMM에 투입하면 메타 자체 기여 규칙의 편향이 MMM 결과에 섞여 들어갑니다. MMM은 애초에 기여 모델에 의존하지 않고 독립적으로 채널 기여도를 추정하려는 목적으로 쓰는 방법론이기 때문에, 입력 데이터 단계에서부터 기여 배분이 섞이면 MMM을 쓰는 취지 자체가 흐려집니다. Ads Manager 리포트에서 열 맞춤 설정을 통해 지출·노출·클릭 중심의 열 구성으로 바꿔 일별 단위로 내려받는 것이 올바른 추출 방향입니다.
전환수 데이터를 완전히 배제할 수 없는 현실적인 이유
다만 MMM이라도 최종적으로는 전체 매출·전환이라는 종속변수가 필요하므로, 메타 채널의 전환수 자체를 아예 안 쓸 수는 없습니다. 이때 문제는 iOS 개인정보 정책 이후 메타의 전환수 데이터 자체에 이미 CAPI·AEM 같은 추정 보정이 상당 부분 섞여 있다는 점입니다. 관측된 값과 추정된 값이 혼재된 상태의 전환수를 MMM 입력으로 쓸 때는, 이 추정 비중이 시기별로 달라질 수 있다는 점(예: AEM 정책이 바뀐 시점 전후)을 인지하고, 정책 변경 시점을 시계열 모델의 구조 변화 지점으로 별도 표시해두는 것이 좋습니다. 이렇게 하지 않으면 모델이 실제 매출 변화와 측정 방식 변화를 구분하지 못해 채널 기여도 추정이 왜곡될 수 있습니다.
MMM과 리프트 테스트를 상호 검증하는 실무 순서
MMM은 장기 추세와 채널 간 상대적 기여도를 파악하는 데 강하지만, 특정 캠페인 하나의 순증분을 정밀하게 확인하는 데는 리프트 테스트만큼 정밀하지 않습니다. 반대로 리프트 테스트는 개별 캠페인 단위의 정밀한 증분 측정에는 강하지만, 여러 채널을 동시에 비교하는 예산 배분 전체 그림을 그리는 데는 한계가 있습니다. 실무에서는 MMM으로 분기·연간 단위의 큰 예산 배분 방향을 잡고, 그 안에서 세부 캠페인·오디언스 단위 조정은 리프트 테스트로 검증하는 이원화된 접근이 일반적입니다. 두 방법론의 결과가 크게 어긋난다면, 어느 한쪽의 데이터 품질이나 모델 가정에 문제가 있다는 신호로 받아들여 원인을 함께 점검해야 합니다.
다른 채널 데이터와 합칠 때 유의할 정합성
메타 하나만 놓고 MMM을 돌리는 경우는 드물고, 대개는 구글·네이버 같은 다른 매체의 일별 지출 데이터와 합쳐 전체 마케팅 믹스를 분석합니다. 이때 매체마다 날짜 기준(UTC vs 현지 시간대), 지출 집계 방식(부가세 포함 여부, 크레딧·환불 처리 시점)이 다를 수 있어, 단순히 각 매체 대시보드에서 내려받은 숫자를 나란히 붙이면 미세한 시차·금액 오차가 누적됩니다. 시드 데이터를 만들 때는 모든 채널의 날짜 기준과 금액 기준(VAT 포함 여부 등)을 하나로 통일하는 전처리 단계를 거치는 것이 결과 신뢰도에 실질적인 영향을 줍니다. 이 통일 작업은 모델링 자체보다 눈에 덜 띄지만, MMM 결과의 오차 대부분이 실제로는 이 단계의 부정합에서 발생하는 경우가 많습니다.