MMM을 활용한 광고 성과 예측
월요일에 동그란 상품을 광고합니다. 그러면 동그란 상품을 구매한 고객들은 모두 그 광고를 보고 방문했겠지요. 마찬가지로 화요일엔 별모양 상품을, 수요일엔 네모 상품을 광고합니다.
이런식으로 데이터가 쌓이다보면, 나중에는 동시에 여러 상품의 광고를 송출해도 대략적으로 각 광고의 성과를 측정할 수 있게됩니다.
그러나 사실 여기엔 맹점이 있습니다. 월요일날 광고를 본 고객이 수요일날 물건을 구매할 수도 있고, 광고를 보지 않고 상품을 구매하는 경우도 있을 테니까요.
나온지 30년이 넘은 MMM이 다시 주목 받는 이유
사실 MMM은 옥외광고나 TV광고와 같이 측정하기 어려운 광고의 성과를 분석하기 위해 만들어진 30년도 더 된 분석기법입니다. 최근에는 자연유입, 기여시점, 잔향효과, 매체의 매력도 감쇠율과 같은 여러 요인을 빅데이터와 머신러닝을 적극적으로 활용하며 좀 더 다양한 기능을 제공할 수 있게 되었습니다.
이제와서 MMM이 다시 주목받는 이유는, 이러한 성능강화와 더불어 각종 개인정보 보호 이슈로 인해 광고 성과 측정이 예전보다 까다로워졌기 때문입니다. 모델링이 제대로 작동한다면, GA, MMP 등의 정보수집 도구를 활용하지 않고도, 어느 정도 광고의 성과를 예측할 수 있게 됩니다.
광고를 보는 새로운 시선
사실 단순히 성과를 측정하기 위해서라면, 퍼포먼스 광고의 영역에서 MMM은 매력도가 조금 떨어집니다. 모델링에 사용될 적어도 6개월 이상의 데이터가 필요하고, 올바른 분석을 위해 여러 시행착오가 필요하기 때문입니다. 이러한 수고를 해서라도 모델링을 하는 이유는 MMM이 우리에게 새로운 시선을 제공해주기 때문입니다.
BAT는 Meta와의 협업으로, 'MMM 라이브러리인 Robyn'을 통해 모델링을 하고 있어요. 모델링을 해보면 아래와 같이 여러가지 복잡해 보이는 분석결과가 나옵니다. 복잡한 분석결과들이 대체 어떻게 새로운 시선을 제공해줄 수 있을까 싶지만, 이 데이터들은 몇 번의 시행착오와 실무자와의 소통을 거치면, 이해하기도 쉽고 실용성있는 인사이트를 제공합니다.
KPI 와 예산을 위한 미디어 최적화 시뮬레이션
그것은 바로, 미디어 기반의 예산 최적화, KPI최적화 시뮬레이션 입니다. "매체A가 성과는 좋지만, 포화상태라면 예산을 낮춰 다른 곳에 분배하면 좀 더 좋은 성과가 나온다." 같은 류의 결과물인데요. 미디어 플래닝과 같이 중요하고 까다로운 미션에 매우 유용하게 활용할 수 있습니다.
분석에는 여러가지 노하우가 필요합니다. 분석양, 커뮤니케이션, 올바른 환경변수 정의 등 많은 것들이 분석결과에 영향을 주기 때문입니다. BAT는 MMM을 활용한 여러 성과개선 사례를 경험하였으며, 이를 바탕으로 2024년 Meta가 주관하는 Hero Awards에 우수사례로 선정되기도 하였습니다. BAT의 MMM에 대한 보다 자세한 내용은 다음의 포스트를 통해 만나보실 수 있습니다.
