미디어 믹스 모델링(MMM)은 수십 년간 잘 정립되어 존재해 온 마케팅 측정 방식입니다. 그러나 올 한 해 동안 모바일 업계에서 “차세대 MMM”에 조용히 이목을 끌고 있습니다. 이 핵심 마케팅 도구를 통해 마케터는 서로 다른 채널들이 비즈니스 결과에 어떤 영향을 미치는지 이해할 수 있습니다. MMM은 다양한 마케팅 이니셔티브가 시너지 효과를 내는 방식에 대해 인사이트를 제공하며, 이 인사이트로 예산을 최적화하여 더 효율적으로 활용할 수 있습니다.
그로스 마케팅에 몸을 담은 분이라면 MMM에 대해 조금은 들어보았겠지만, 여전히 명쾌하게 다가오지 않을 수 있습니다. 얼마전에 MMM의 기초적인 내용에 대해 자세히 다뤘던 웨비나 를 부디 살펴보셨길 바랍니다. (아직 살펴보지 못하셨다면, 지금이라도 꼭 살펴보시길 권합니다.)
이 글에서는 지난 웨비나에 이은 내용을 다룹니다. MMM과 관련해 가장 자주 나오는 질문 몇 가지와 함께, 앞으로의 마케팅 전략에 어떻게 MMM을 적용할 수 있을지에 대해 이야기하려 합니다.
광고주가 자사 비즈니스 성장에 도움을 줄 수 있는 성과측정 모델을 구현하기 위해서는 기술 개발은 물론 시장 변화에 대처하기 위한 투자가 필요합니다. 이는 광고주에게 매우 큰 부담으로 다가옵니다. 마침 /Branch 미디어 믹스 모델링 베타 프로그램/으로 그 부담을 덜어드릴 수 있게 되어 기쁘게 생각합니다. 이 프로그램 참여 의향이 있으시다면, 전담 고객 성공 매니저에게 연락하시기 바랍니다.
MMM은 새로운 개념이 아닙니다. 무엇이 바뀌었을까요?
먼저 이름부터 명확히 해둡시다. “미디어 믹스 모델링”일까요? “마케팅 믹스 모델링”일까요? 아니면 “믹스된(mixed) 미디어 모델링”일까요? 현재 여러 가지 이름이 시장에서 인정받아 두루 사용되고 있지만 가장 일반적으로는 “미디어 믹스 모델링”이라 부르며, Branch에서도 그렇게 부르고 있습니다. “믹스된 미디어 모델링”이라고 부를 경우 마치 믹스된 미디어와 믹스되지 않은 미디어를 나누는 기준이 있는 것처럼 들리지만, 실제로 그런 조건은 존재하지 않으므로 “미디어 믹스 모델링”이 더 적합하다고 생각합니다.
아래의 세 가지 영향력이 동시에 발생하고 있기에 MMM은 더욱 주목받고 있습니다.
- 어트리뷰션은 더 어려워지고 있습니다.
광고 생태계 내에서 서로 다른 당사자의 데이터를 연결하는 기본 키값이 점점 바닥나고 있습니다. 즉, 기존에 이용했던 터치 어트리뷰션 접근 방식의 효율성이 떨어지고 있습니다.
- 규칙은 계속 바뀌고 있습니다.
플랫폼은 여전히 폐쇄적입니다. 즉 구심점이 될 만한 개방형 생태계가 없다는 것을 뜻합니다. 차라리, 지배적인 조정 패러다임 없이 iOS의 SKAN, Android의 Attribution API와 같은 플랫폼의 변화를 잘 이해하도록 노력해야 합니다.
- 러닝커브가 가팔라지고 있습니다.
머신러닝은 나름 의미 있는 발전을 이뤄왔지만, 마케팅 성과를 극대화하기 위한 애플리케이션 분야에서는 아직 완전히 연구되었다고 말하기 어렵습니다. AI와 마찬가지로 그 효율 곡선은 보통 점차적으로, 때로는 갑작스럽게 올라가곤 합니다.
짐작하셨겠지만, MMM은 이러한 세 가지 영향력을 아예 해결해버리거나, 오히려 좋은 방향으로 돌려놓을 수도 있습니다.
MMM은 MTA와 같은 게 맞나요?
이는 MMM과 관련해 자주 들리는 오해입니다. 답은 간단합니다. 기술적인 면에서 MMM과 [MTA(멀티 터치 어트리뷰션)](https://branch.io/glossary/multi-touch-attribution/)는 아예 관련이 없습니다. 하지만 MMM과 MTA를 올바르게 활용한다면 비슷한 비즈니스 요구를 해결할 수 있습니다.
IDFA 나 GAID 와 같은 광고 ID가 점점 부족해진다고들 합니다. 마케터가 이러한 새 현실에 적응하려면 각각의 이벤트를 직접 서로 엮지 않아도 되는 솔루션이 필요합니다. MMM은 비용 지출(유료 광고 채널), 클릭 및 노출(오가닉 채널)을 종합하여 고려할 뿐만 아니라 다른 시그널도 고려합니다. 그런 다음 MMM은 머신러닝 기반 통계 분석을 사용해 어떻게 권장할 만한 예산 배분과 그 예상결과를 도출합니다.
반면 MTA는 기존의 라스트 터치 양식을 따릅니다. MTA는 전환으로 이어지는 모든 접점을 고려하며, 해당 접점에 각각 부분적으로 기여도를 부여합니다. 이는 “선형 붕괴”(time decay,이후에 이루어진 접점에 점진적으로 기여도를 더함) 또는 “U형”(U-shpaed, 첫 접점과 마지막 접점에 기여도를 더 부여하며, 나머지는 동일하게 부여함) 등의 가치 평가 로직에 기반합니다.
Branch가 살펴본 바에 따르면, MTA가 종종 관심과 이목을 끌기는 하지만 고객사 입장에서 라스트 클릭을 버리고 갈아탈 만큼 충분한 가치를 어필하지는 못하는 편입니다. 게다가 광고 ID가 점차 줄어들고 있는 현실을 감안하면 (MTA를 포함하여) 터치에 기반 방식 모두가 그 정확성이 떨어지고 있다는 말이 됩니다. 모든 관점에서 바라보면서 상황을 이해해야 합니다.
MMM은 구현하는 데 수 개월이 걸리는 브랜드 광고 솔루션 아닌가요?
여기에 대해선 드릴 말씀이 많습니다.
과거의 MMM은 이랬습니다. 보통, 미디어 대행사는 MMM을 광고주에게 컨설팅 서비스로서 제공할 때 필요한 도달 범위나 데이터, 리소스를 갖추고 있었습니다. 비용도 많이 들었고(프로젝트당 7만 달러~10만 달러), 결과가 나타나기까지 시간이 오래 걸렸으며, 주로 기존의 선형적인 TV광고와 같이 전통적인 채널에 집중하는 브랜드 중심 광고주가 채택했습니다.
가장 큰 단점은, 마침내 그 결과물을 받게 될 땐 이미 그 자료의 시의성이 떨어져버린다는 것이었죠.
그 이후로는 바뀌기 시작했습니다. 이제 MMM은 강력한 자동화를 통해 좀 더 쉽게 사용할 수 있게 되었고 더 유연해졌으며 풍부하고 다양한 마케팅 데이터를 더 빠르게 제공합니다. 요즘 제공되고 있는 강력한 차세대 MMM 도구를 사용하면, 결과를 받아보기 위해 몇 주 내지 몇 달을 기다리지 않고도 훨씬 손쉽게 시기적절한 결정을 내리고 예산을 최적화할 수 있습니다.
Branch 고객사는 유료 광고(paid) 미디어, 이메일, 소셜, 모바일 웹, 오가닉 서치 등 모든 마케팅 채널의 데이터를 한 곳으로 모으고 있습니다. Branch의 MMM 솔루션은 매주 이 데이터를 업데이트해서, 채널별로 예산을 어떻게 재분배하면 얼마나 더 앱 성장을 증대할 수 있을지 도와드립니다. 다시 말하면, 이제부터는 다음번 MMM 보고서를 받으려고 세 달이나 기다리지 않아도 됩니다.
Robyn MMM 프레임워크는 Meta가 만들었습니다. 이해 관계 상충이 있나요?
어느 한 쪽으로도 치우치지 않는 중립적인 측정 방식이 중요하다는 사실을 잘 이해하고 계시는 아주 좋은 질문입니다.
Branch는 Robyn 을 기초로 MMM 솔루션을 구축하고 있습니다. Robyn은 Meta가 개발하기는 했지만, 오픈 소스 MMM 코드 라이브러리입니다. 즉 누구든지 살펴보고 방법론을 검증할 수 있게 코드가 공개되어 있습니다. Branch는 업계 표준 오픈 소스 모델을 활용하여 MMM 가이드라인에 맞추어 균형 있고 공정하며 유익한 크로스 분석을 제대로 제공합니다.
참고: 또한 Branch는 Meta의 *MMM 인큐베이션 프로그램*에 참여하고 있습니다. 이는 Meta와 긴밀히 협력하는 선별된 파트너간 모임으로, Robyn을 개선하는 동시에 프라이버시 중심적인 유료 광고 미디어 성과 측정의 미래를 열어가고 있습니다.
전부 이론적인 이야기 같은데, 실제로 Branch에서 MMM을 어떻게 쓸 수 있나요?
Branch MMM은 주로 각 채널에 예산을 어떻게 분배하는 것이 좋을지, 이를 적용했을 때 어떤 영향이 예상되는지에 대해서 전해드리게 됩니다. 이 권고안을 기존 터치 기반 어트리뷰션 리포트와 함께 활용할 경우 기존보다 더 풍성한 정보에 기반해서 캠페인 예산 활용을 결정할 수 있습니다.
맨 처음 Branch는 MMM 모델 실행에 활용할 12개월 간 데이터를 요청합니다. 모델에 입력할 값에 대해 논의하면서 빠진 데이터는 없을지 확인하여 데이터 검증을 진행합니다. 모델을 처음 실행한 다음에는 결과를 공유하면서 필요한 조정 사항이나 개선점이 있는지 논의합니다. 그 다음엔 계산된 모델이 실제로 어떤 결과를 내는지 볼 수 있을 때까지 상호간 논의를 통해 미세 조정을 진행합니다.
MMM은 비즈니스 전체 그림을 고려할 때 가장 효과적입니다. 그러므로 Branch에 잡히지 않는 다른 추가적인 마케팅 활동이 있다면 이런 데이터도 포함해야 합니다. 모델이 새로 업데이트 되면(즉, 새 데이터로 MMM을 실행하게 되면) 그에 대한 해석에 도움을 받을 수 있도록 Branch 팀과 정기적인 미팅을 진행하실 수 있습니다. 이 미팅은 또한 Branch의 권고안에 따라 어떻게 테스트를 진행해볼지 논의하는 고정 업무로 진행됩니다.
이 모델에서 제시하는 권고안을 믿어도 되나요?
백만불짜리 질문입니다. 언뜻 MMM은 뭔가 블랙박스같은 것처럼 보일 수 있습니다. “Google 광고 검색 지출 10%를 Apple 검색 광고로 전환”과 같은 권고안은 보통의 실무팀에게 친숙한 “정량 분석”에 딱히 해당되지도 않습니다. 아무리 사소한 결정이라도 마케팅 예산 분배를 바꾸기로 결정하기란 쉽지 않습니다.
Branch 팀은 고객사와 계속 협력하면서, MMM 모델이 고객사의 비즈니스 모델이나 시장, 경쟁자의 미묘한 차이를 충분히 파악할 수 있도록 할 것입니다. 모델 입력 값이 모두 만족스럽게 갖춰졌다면 모델 권고안에 따라 적어도 한 번의 테스트를 먼저 진행한 다음 거기서부터 논의를 이어가는 것이 좋습니다.
Branch MMM을 경험해보시기 바랍니다
개인정보 보호가 점점 더 중요해지면서, 어떤 규모를 맡고 있는 마케터에게든 MMM은 더욱 효율적으로 마케팅 예산을 할당할 수 있는 강력한 도구가 될 것입니다. MMM을 통해 여러가지 마케팅 시도가 어떻게 함께 시너지 효과를 내는지 인사이트를 얻은 다음, 이후 캠페인을 계획할 때 최대한 훌륭한 결정을 내릴 수 있습니다.
*Branch의 MMM 클로즈 베타 프로그램*에 대해 궁금한 점이 있거나 프로그램에 참여하고 싶을 경우, Branch 고객 성공 매니저에게 연락하시기 바랍니다.