두 도구가 애초에 다른 데이터를 본다는 점부터 확인하세요

MMM은 사용자 단위 쿠키·기기 추적 없이 매출, 매체별 광고비 지출, 외부 거시 변수 같은 집계 통계 데이터를 분석해 각 채널이 성과에 기여한 정도를 추정합니다. 개인 식별 데이터가 필요 없어 서드파티 쿠키 규제나 iOS 추적 제한과 무관하게 작동하지만, 그만큼 채널·매체보다 세밀한 개인화 타겟팅 인사이트는 제공하지 못합니다.

어트리뷰션은 반대편입니다. GA4의 데이터 기반 어트리뷰션은 섀플리 가치 개념에 기반한 알고리즘으로, 전환에 이른 경로뿐 아니라 이르지 못한 경로까지 사용해 각 터치포인트를 추가했을 때 전환 확률이 얼마나 달라지는지를 반사실적으로 비교합니다. 전환까지 걸린 시간, 기기 유형, 상호작용 횟수, 노출 순서, 소재 유형 같은 요인을 함께 고려합니다. 즉 사용자 경로가 있어야 작동하는 도구입니다.

그래서 두 숫자가 일치하지 않는 것은 정상입니다. 문제는 불일치 자체가 아니라, 불일치가 났을 때 어느 숫자로 무엇을 결정할지 정해두지 않은 상태입니다.

MMM에 물어야 할 질문은 무엇인가요

분기·반기 예산을 채널 간에 어떻게 나눌지, 어느 매체가 포화 구간에 들어갔는지, 가격·프로모션 같은 비매체 요인이 매출을 얼마나 밀어올렸는지는 MMM의 영역입니다. Meridian은 애드스톡 함수로 광고 효과의 이월·감쇠를, 유연한 Hill 변환 함수로 포화(한계효용체감)를 모델링합니다. 지출이 적을 때는 가파르게 성장하고 많아지면 곡선이 평평해지는 형태입니다. 다만 곡선이 꺾이는 정확한 지점은 자사 데이터에서만 산출되는 값이며, '어느 매체는 예산 얼마 이상부터 포화'라는 범용 숫자는 존재하지 않습니다.

Meridian은 가격·프로모션 같은 비매체 변수를 함께 넣을 수 있고, 채널별 기여도 사전분포로 실무자의 사업 지식을 학습 방향에 반영할 수 있습니다. 이 변수를 빠뜨리면 그 변수가 만든 매출 변화를 특정 매체 효과로 잘못 귀속시키는 왜곡이 생깁니다. 2026년 2월 추가된 Scenario Planner는 파이썬 코드 없이 예산 시나리오를 모델링하는 노코드 인터페이스지만, 모델 자체의 데이터 투입·검증은 여전히 통계 역량을 가진 담당자가 사전에 구축해야 합니다.

해석 방식도 다릅니다. Meridian은 베이지안 프레임워크라 점추정치 하나가 아니라 확률분포로 결과를 줍니다. "정확히 12% 올렸다"가 아니라 "가장 그럴듯한 범위"로 읽어야 하며, 이 구분 없이 보고하면 광고주가 MMM 숫자를 확정값으로 받아들입니다.

어트리뷰션에 물어야 할 질문은 무엇인가요

어느 소재·오디언스·키워드를 오늘 끄고 켤지, 어떤 채널 조합이 전환 경로에 자주 등장하는지는 어트리뷰션의 영역입니다. 조회기간 설정으로 관점도 조정할 수 있습니다. 조회기간을 넓히면 오래된 터치포인트까지 기여를 인정받아 상단 퍼널 채널의 성과가 높게 잡히고, 좁히면 즉각 전환에 가까운 하단 퍼널 채널이 유리해집니다.

한계도 분명합니다. 라스트클릭 등 전통적 기여 모델은 이미 구매 의사가 있던 고객의 전환까지 광고 성과로 잡아 과대평가하는 경향이 있습니다. 메타는 2026년 인크리멘털 어트리뷰션을 확대 도입했고, 자체 발표로 최신 모델 롤아웃이 표준 기여 모델 대비 증분 전환을 24% 늘렸다고 밝혔습니다. 다만 이 24%는 메타 자체 집계이고 계정별 실제 증분율은 업종·데이터 품질에 따라 달라집니다.

충돌했을 때 어느 쪽을 따르나요

MMM 결과와 어트리뷰션 결과가 충돌할 때 어느 쪽을 우선하라는 공식 표준 판정 규칙은 확인되지 않습니다. 그러니 "MMM이 상위"라거나 "매체 숫자가 정답"이라고 단정하는 자료를 근거로 쓰지 마세요. 대신 확인된 사실 위에서 규칙을 세울 수 있습니다.

첫째, MMM은 집계 데이터 기반의 장기·전체 예산 배분용이고 어트리뷰션은 사용자 단위 단기 최적화용이라는 역할 구분이 두 방법론의 정의에서 이미 나옵니다. 둘째, MMM은 MTA·증분성 테스트와 상호 보완 관계로 보아야 한다는 것이 방법론 설명의 전제입니다. 셋째, 실험이 심판 역할을 합니다. Meridian은 증분성 실험 데이터로 모델을 보정하는 기능을 공식 지원하며, 상관관계 추정에만 의존하지 않고 실험으로 확인된 인과 효과를 학습에 반영합니다.

따라서 실무 규칙은 이렇게 정리됩니다. 둘이 어긋나면 어느 한쪽을 고르는 것이 아니라, 그 채널을 대상으로 홀드아웃 실험을 걸어 증분을 직접 재고 그 결과를 MMM 보정에 넣습니다. 다만 보정용 실험 데이터가 부실하면(표본 부족, 설계 오류) 보정 효과도 제한적이라는 점은 함께 기억해야 합니다.

우리 팀 규칙을 세우는 절차

① 의사결정 목록을 먼저 적습니다. 분기 예산 배분, 신규 채널 진입 여부, 월간 채널별 목표 조정, 주간 소재 온오프, 일간 입찰 조정처럼 실제로 내리는 결정을 빠짐없이 나열합니다. ② 각 결정 옆에 '판단 근거로 쓸 숫자'를 하나만 지정합니다. 둘을 병기하면 결국 유리한 쪽을 고르게 됩니다. ③ 각 숫자의 갱신 주기와 마감 기준을 적습니다. MMM은 분기, 어트리뷰션은 주간처럼 주기가 다르므로 회의체도 분리합니다. ④ 두 숫자의 격차가 어느 정도 벌어지면 실험을 발동할지 임계 조건을 미리 정합니다. ⑤ 이 표를 광고주와 공유해 확인받고, 분기마다 실험 결과를 반영해 갱신합니다.

도구 선택은 이 표 다음에 옵니다. 구글 오픈소스 MMM은 LightweightMMM이 2025년 1월 29일 지원 종료되고 Meridian 이전이 공식 권고됐으므로 신규 도입이라면 Meridian이 기준입니다. 메타 Robyn은 저장소 이름부터 실험적(experimental) 도구이고 2026년 현재 유지보수 상태 보도가 엇갈리므로, 저장소 상단의 보관(Public archive) 표기와 최신 커밋 날짜를 직접 확인하세요.