01. 디지털 마케팅 성장 동력이 되었던 어트리뷰션 기반의 마케팅 ROI 측정
2010년대 중반부터 현재까지 최근10년여 동안, 마케팅 시장의 중심은 지속적으로 방송매체에서 디지털 매체로 전환되어오고 있다.
2017년~2018년에 처음으로 국내 디지털 광고비가 방송매체 광고비를 추월하였고, 2020년 코로나 시즌 이후 디지털 광고비 비중 증가세가 더욱 거세지면서 2021년에는 디지털의 광고비 규모가 방송매체 대비 2배, 2024년 시점에서는 거의 3배 규모에 다다를만큼 디지털 광고의 성장세가 뚜렷하다.
국내 매체별 광고비 비중 추이 (출처 : KOBACO, 제일기획)
구글이 제공하는 어트리뷰션 방법론 (출처 : 구글)
이러한 급격한 디지털 광고 성장의 배경에는 그 무엇보다도 데이터 기반의 '어트리뷰션'이 가능하다는 점이 가장 주요하게 작용하였다. 사용자를 구분하여 개별 데이터를 수집할 수 있게 되면서 ROAS(Return of Ad Spend)로 대표되는 마케팅 ROI가 측정가능해졌고, 많은 광고주 기업들에게 중요한 의사결정 근거로 활용되면서 많은 광고예산이 디지털로 집중되었다. 이러한 배경에서 구글 등과 같은 디지털 플랫폼 기업들은 다양한 '기여모델'을 제시하며 데이터 기반의 마케팅 ROI측정모델 활용을 더욱 부추기게 되었고, 이제 광고주들은 소비자의 [ 광고 노출 - 클릭 - 구매 ] 과정을 즉시 확인하면서 마케팅 성과를 파악하고 예산을 최적화하는 과정에 익숙해졌다.
02. 최근 부각되는 어트리뷰션 기반의 마케팅 ROI 측정의 한계점
2020년대 활용되고 있는 다양한 어트리뷰션 솔루션들
그러나 이러한 어트리뷰션 기반의 마케팅 전략 의사결정 과정은 최근 들어 한계점에 부딪히고 있다.
소비자들은 자신들의 데이터가 기업의 마케팅에 이용되는 것을 뚜렷하게 체감하기 시작하면서 개인정보보호에 대한 두려움이 지속적으로 커져 갔으며, 이는 본격적인 데이터 보호 규정 및 개인정보 보호 관련 법률 제정을 촉진시키게 되었다. 그 결과로 3rd Party 쿠키 수집 제한 등과 같은 마케팅 목적의 데이터 수집이 점차 제약이 걸리기 시작하며 어트리뷰션 측정을 위한 데이터 수집 자체에 어려움이 증가되고 있다.
더불어 어트리뷰션 관점의 마케팅 ROI 측정은 데이터로서 확인되는 마케팅 터치포인트만 정량적으로 측정을 하기 때문에, 방송매체/OOH/바이럴 등과 같은 직접적인 데이터 수집이 어려운 마케팅 채널을 정확히 평가하지 못한다는 한계점이 존재한다. 방송매체의 영향력은 과거에 비해 줄어들었으나, 일정 수준 내에서 그 영향력을 꾸준히 발휘하고 있으며, 팝업스토어/디지털사이니지 등과 같은 OOH 마케팅이나 PPL/바이럴과 같은 여러 방식의 마케팅전략들 또한 최근 그 영향력이 발휘되고 있으나, 어트리뷰션 관점에서는 그 영향력을 반영하기 어렵다.
03. 최근 다시 주목받는 마케팅 ROI 측정 방법론 MMM
이러한 맥락에서, 최근 방송매체/디지털/OOH 등의 복합적인 마케팅 채널을 활용하는 대형 광고주 기업들을 중심으로 어트리뷰션 관점에서 벗어나 MMM 관점의 마케팅 의사결정 프로세스에 대한 관심이 커지고 있는 추세이다. MMM(Marketing Mix Modeling)은 마케팅 변수 간의 인과관계를 통계적으로 추정해 마케팅 채널별 기여도를 분석하는 방법론으로서, 데이터 기반의 실제 팩트값을 기반으로 하는 어트리뷰션 방법론과는 달리 통계적인 추론을 기반으로 한다는 점에서 가장 큰 차이점이 존재한다.
사실 MMM은 1960년대부터 존재하던 전통적인 마케팅 의사결정 모형이다. 과거 방송/인쇄매체가 주류이던 시절, 즉, 소비자 개인의 행태 데이터가 수집되지 않는 환경에서는, 당연하게도 실제 소비자의 광고노출-구매를 집계하는 어트리뷰션 방식의 의사결정은 불가능했기 때문에, 간접적이고 거시적인 관점에서 매체별 광고예산/노출량을 바탕으로 매출 변화를 통계적으로 다루어 영향력을 분석하는 MMM이 주요 의사결정 모형이었다. 이러한 MMM은 디지털 환경에서 소비자 개인 단위 데이터 수집/분석이 가능해지고 어트리뷰션 관점이 주류가 됨에 따라 최근 10여년간 소외 받아 왔으나, 앞서 언급한 어트리뷰션 관점의 두 가지 한계점(개인정보보호 강화로 인한 데이터 수집 제한, 디지털 외 매체의 기여도 측정 어려움)으로 인해 최근 다시 MMM이 주목받고 있다.
오늘날 다시 주목받고 있는 MMM은 1960년대에 만들어진 이론적 틀에 최신 데이터 기술이 결합된 진화된 형태를 보이고 있다. 과거 MMM모형의 경우 정량적인 분석에 포함시키지 못하는 비정형 데이터들이 많았으며, 데이터 수집/전처리 과정의 한계로 인하 장기적이고 거시적인 관점의 추세적 분석만 가능했다. 반면, 오늘날의 MMM모형은 머신러닝/AI기술들을 활용하여 과거 활용하지 못했던 다양한 비정형 데이터들을 정량적으로 분석할 수 있게 되었으며, 데이터 처리 기술의 발달로 인해 실시간성 분석/대응이 가능한 MMM모형을 구축할 수 있게 됐다.
이러한 추세에 맞춰 구글/메타와 같은 글로벌 플랫폼 기업들 또한 최근 각자의 MMM모형을 출시하고 있다. 구글의 경우 'LightweightMMM', 메타의 경우 'Robyn'이라는 명칭으로 MMM모형을 출시하였으며, 두 모형의 차이점을 비교하면 다음과 같다.
구분 | 구글 – LightweightMMM | 메타 – Robyn |
주 통계모형 | 베이지안 모델 | Ridge 회귀 모델 |
장점 | 빠른 분석 처리 속도
직관적인 인사이트 제공 | 복잡한 데이터 정확도 높음
다양한 상황에 유연하게 대응 가능 |
단점 | 복잡한 데이터 구조에 대한 정확도가
상대적으로 낮음 | 분석 처리 속도가 느림 |
출처 : Medium(2023), https://medium.com/hungry-robot/features-comparison-metas-robyn-vs-google-s-lightweight-f95356bba51e
다만 MMM의 경우, 어트리뷰션 관점과는 달리 실제 고객행동을 관찰하는 것이 아닌 통계적 추론 관점이기 때문에, 데이터의 해석과 활용에 있어서 보다 신중하게 접근할 필요가 있다. 이에 따라 MMM을 신규로 도입하기 위해서는 시작부터 전사적으로 일괄 도입하는 것 보다는 소규모 영역에서 실험적으로 도입하여 기업 자체적인 MMM활용 노하우를 쌓고, 이 과정을 통해 의사결정권자와 실무자 간의 공감대를 점차 넓혀가는 방식이 필요하다. 통계적 추론은 다양한 해석이 가능하기에 활용 과정에서 실무자와 의사결정권자들 간의 의견충돌이 빈번히 일어날 수 있기 때문이다.
또한, MMM을 활용한다고 해서 기존의 어트리뷰션 관점을 아예 버리는 것 또한 바람직하지 않다. MMM과 어트리뷰션 모두 각각의 장점과 단점이 뚜렷하게 존재하는 방법론으로서, 서로를 대체하는 형태가 아닌 보완적인 형태로 활용하는 것이 바람직할 것이다. 점차 확대되는 개인정보보호 이슈로 인해 어트리뷰션 관점의 마케팅 의사결정에 어려움을 겪고 있는 기업들이라면 이제 MMM모형에 대한 관심을 높여볼 시기로 판단된다.
DMC미디어는 구글로부터 전문성을 인정받은 GMP 포털 등재 공식 GA와 GTM 파트너로, 국내 GA/GTM 통합 인증을 취득한 8개 기업 중 하나입니다.
#디엠씨미디어, #DMC미디어, #DMCmedia, #데이터컨설팅, #마케팅데이터, #데이터마케팅, #MMM, #MarketingMixModeling, #Robyn, #LightweightMMM, #통합마케팅, #디지털광고마케팅, #데이터드리븐, #어트리뷰션, #데이터개인정보보호, #써드파티데이터제약, #3rdparty규제, #마케팅측정방법론, #ROI측정, #데이터측정분석