MMM이란 무엇이며 마케터에게 왜 중요한가요?

MMM (Marketing or Media Mix Modeling)은 기업이 여러 채널에 걸친 마케팅 캠페인의 영향을 식별하고 측정할 수 있도록 지원하는 데이터 기반 방법론입니다. MMM의 목적은 기업이 광고 및 마케팅 전략에 대해 정보에 입각한 의사결정을 내릴 수 있도록 돕는 것입니다. TV, 소셜 미디어, 이메일 마케팅 등 다양한 채널의 데이터를 분석함으로써, MMM은 어떤 채널이 매출 및 기타 비즈니스 성과에 가장 많이 기여하고 있는지 파악할 수 있습니다. 외부 이벤트와 지표를 포함함으로써 의사결정자는 외부 요인(공휴일, 경제 상황, 날씨 등)의 영향을 더 잘 이해하고, 광고비 지출 자체의 영향만을 실수로 과대평가하는 것을 방지할 수 있습니다.

MMM을 사용하면 기업은 어떤 마케팅 채널이 가장 많은 참여, 매출 또는 수익을 유도하고 있는지 파악할 수 있습니다. 이 정보는 마케팅 예산을 최적화하고 가장 효과적인 채널에 리소스를 배분하는 데 활용될 수 있습니다. 예를 들어, 한 기업이 소셜 미디어, 이메일 마케팅, TV 광고 등 다양한 채널에서 마케팅 캠페인을 진행해 왔다고 가정해 보겠습니다. 하지만 마케팅 팀은 어떤 채널이 가장 높은 ROI를 제공하는지 확신하지 못합니다. 바로 이럴 때 MMM이 유용합니다. 이러한 모든 채널의 집계된 데이터를 분석함으로써, 강력한 모델이 기업이 가장 많은 수익을 창출하는 캠페인뿐만 아니라 광고비 대비 가장 효율적인 수익을 제공하는 채널을 식별할 수 있도록 지원하여 광고 전략을 효과적으로 최적화할 수 있게 해줍니다. 이를 통해 기업은 마케팅 활동을 최적화하고 예산을 올바른 방향으로 배분할 수 있습니다.

수년 동안 MMM은 매우 강력한 도구이자 판도를 바꾸는 게임 체인저로 여겨져 왔으며, 현명한 기업들이 경쟁에서 앞서 나가는 데 필요한 우위를 제공해 왔습니다. 데이터 기반 의사결정의 힘을 활용함으로써, MMM은 기업이 마케팅 전략에 스마트한 투자를 할 수 있도록 지원하여 모든 예산이 적재적소에, 적시에, 올바른 방식으로 지출되도록 보장합니다. 이는 더 높은 고객 참여와 매출 증가부터 높은 투자 수익률에 이르기까지 주목할 만한 성과로 이어집니다.

The Evolution of MMM

MMM은 수십 년 동안 존재해 왔으며 마케팅 캠페인의 효과를 측정하는 데 항상 강력한 도구였습니다. 이 모델은 계절성, 경쟁사 활동, 거시 경제 트렌드 등 다양한 요인을 고려하여 마케팅 활동의 전반적인 영향에 대한 종합적인 시각을 제공할 수 있습니다. 그러나 최근 몇 년 동안 MMM은 여러 접점에서 개별 사용자를 추적하여 기여도에 대한 더 세분화된 접근 방식을 제공하는 MTA (Multi-Touch Attribution)에 다소 가려져 있었습니다. MTA를 통해 마케터는 어떤 특정 접점이 개별 사용자의 전환을 유도하는지 확인하고 이에 따라 예산을 배분할 수 있습니다. 이러한 수준의 세분화 덕분에 MTA는 많은 마케터, 특히 디지털 마케팅 분야의 마케터들에게 인기 있는 선택이 되었습니다.

하지만 GDPR (General Data Protection Regulation) 및 CCPA (California Consumer Privacy Act)와 같은 새로운 개인정보 보호 규정으로 인해 MTA가 의존하는 쿠키 기반 추적이 점점 더 어려워지고 있습니다. 이는 사용자 수준 데이터가 아닌 집계 데이터를 사용하는 MMM이 이제 다시 빛을 발할 수 있는 새로운 모멘텀을 얻고 있음을 의미합니다.

그렇다면 마케팅 효과를 측정하기 위해 어떤 도구를 선택해야 할지 고민이 되실 것입니다. 두 가지 중에서 선택할 때, MMM을 선택하는 데 고려해야 할 몇 가지 요인이 있습니다. 고려해야 할 한 가지 옵션은 데이터의 일부 또는 전부가 사전에 집계되어 있을 때 MMM을 선택하는 것입니다. 또 다른 요인은 마케팅 활동에 온라인과 오프라인 채널이 모두 포함되는지 여부입니다. 이는 온라인과 오프라인 마케팅의 경계가 모호해지는 오늘날의 디지털 시대에 점점 더 중요해지고 있습니다. 마지막으로, 지리적 테스트 결과와 같이 마케팅 활동과 관련된 외부 정보가 있는 경우, MMM을 사용하면 이 데이터를 모델에 통합할 수 있습니다.

MMM의 장점
첫째, MMM 기반 분석은 쿠키로 추적할 수 없는 TV, 인쇄물, 라디오 또는 OOH (Out-Of-Home) 광고와 같은 오프라인 채널의 영향을 통합할 수 있습니다. 일부 고급 모델링 기법은 다양한 채널이 어떻게 함께 작동하는지 설명하는 퍼널 효과뿐만 아니라 이러한 채널의 시너지 효과를 설명하는 승수 효과까지 통합할 수 있는 기능도 갖추고 있습니다. 또한, MTA가 놓칠 수 있는 마케팅 활동의 장기적인 영향에 대한 인사이트를 제공할 수 있습니다. MMM은 확장성이 더 뛰어난 것으로 간주되며, 광범위한 지역 또는 국가 전체에 걸친 마케팅 활동의 영향을 측정하는 데 사용할 수 있습니다.

또한, MMM은 개별 사용자 데이터 대신 집계 데이터를 사용하여 기업이 개인정보 보호 규정을 준수하도록 도울 수 있습니다. 즉, 기업은 사용자 개인정보를 침해하지 않으면서 마케팅 활동의 효과를 측정할 수 있습니다.

이 블로그 게시물에서는 MMM의 주요 기능과 Databricks Lakehouse 플랫폼이 기업이 강력하고 확장 가능한 현대적 MMM 솔루션을 구축하는 데 어떻게 도움이 되는지 살펴보겠습니다.

일반적인 과제 해결하기

MMM은 컨설팅 회사부터 광고주, 소프트웨어 공급업체에 이르기까지 다양한 기업에서 구축합니다. 기업들이 마케팅 비용을 최적화할 수 있는 방법을 지속적으로 모색함에 따라, MMM은 ROI를 측정하는 데 점점 더 인기 있는 방법이 되었습니다. 그러나 확장 가능하고 강력한 MMM 솔루션을 구축하는 것은 까다로운 작업이 될 수 있습니다. 이 섹션에서는 기업이 확장 가능한 솔루션을 구축할 때 직면하는 몇 가지 일반적인 과제에 대해 논의합니다. 이 섹션에서는 몇 가지 일반적인 과제에 대해 논의합니다.

MMM 솔루션을 구축하는 데 있어 가장 큰 과제 중 하나는 업스트림 데이터 소스입니다. 데이터 사이언스 및 머신러닝 팀은 수집 표준화 방법이 부족한 계량경제학 데이터와 같은 서드파티 데이터를 포함하여 MMM 데이터를 위한 다양한 소스의 데이터 스트림을 결합해야 합니다. 또한 데이터 소스가 레거시 데이터베이스, Hive, sftp 플랫 파일 등 다양한 곳에 분산되어 있는 경우가 많아 필요한 데이터를 확보하는 데 어려움이 있습니다. 게다가 매달 데이터를 수동으로 새로 고쳐야 하므로 지루하고 시간이 많이 걸리는 작업이 될 수 있습니다.

정확한 MMM 결과를 얻는 데 있어 또 다른 장애물은 데이터의 부재입니다. 예를 들어, 경제 데이터 수집 및 전통적/오프라인 미디어 데이터가 누락되는 경우가 흔하며, 이는 결과의 정확성을 크게 저해할 수 있습니다. 이러한 과제는 여러 국가에 진출해 있는 기업의 경우 특히 두드러질 수 있으며, 이들 국가의 규제로 인해 데이터 수집 및 공유가 제한될 수 있습니다. 현대 AI 시대에 머신러닝 모델의 일종인 MMM 솔루션 역시 신흥 AI 분야와 관련된 과제와 위험에서 예외는 아닙니다. 수집부터 인사이트 대시보드에 이르기까지 모델에 대한 데이터 소스의 계보(lineage)를 추적하는 것은 기존의 접근 방식으로는 상당한 걸림돌이 될 수 있으며, 투명성과 책임성을 유지하기 어렵게 만듭니다.

또한, 팀 사일로의 존재는 확장 가능한 MMM 솔루션의 구축을 방해할 수 있습니다. 모델 구축은 종종 격리된 환경에서 이루어지기 때문에 기술 및 비즈니스 기능 영역을 아우르는 수평적 장벽과 조직 수준, 브랜드, 카테고리 및 비즈니스 부서에 걸친 수직적 장벽이 팀 간에 발생하게 됩니다. 모델, 코드 및 데이터에 대한 버전 관리 방법이 없으면 MMM 솔루션 내에서 불일치와 부정확성이 발생할 수 있습니다. 또한, 다루기 힘든 레거시 코드로 인해 솔루션 유지 관리 및 업데이트가 어려워져 대대적인 리팩토링 작업이 필요할 수 있습니다. 아울러, 수동 프로세스가 자주 발생하고 분석은 일반적으로 몇 달에 한 번씩 일회성 활동으로 수행되므로, 더 자동화되고 반복 가능하며 신뢰할 수 있는 DSML 파이프라인의 일부가 되는 대신 개인이나 소규모 팀이 이를 반복해야 합니다.

마지막으로, 데이터 게시 및 인사이트 공유가 지연되는 경우가 많으며 별도의 통합이 필요합니다. 이로 인해 이해관계자가 정보에 입각한 의사결정을 신속하게 내리는 데 어려움을 겪을 수 있으며, 이는 의사결정의 추가 지연, 기회 상실, 그리고 점점 더 빠르게 변화하고 역동적인 경제 환경(특히 경쟁업체가 빛의 속도로 움직일 때)에 대응하는 민첩성 저하로 이어질 수 있습니다. 또한 많은 기존 MMM 솔루션은 고객 및 파트너와 효과적으로 협업하는 데 필요한 유연성과 개인정보 보호 기능이 부족합니다.

결과적으로, 기업은 DSML 기술과 관련된 고유한 과제와 위험을 고려하여 AI 시대에 MMM을 구현하기 위해 포괄적이고 세심한 접근 방식을 취해야 합니다.

Databricks Lakehouse로 확장 가능하고 유연한 MMM 구축하기

참조 다이어그램

Databricks Lakehouse는 기업이 확장 가능하고 유연한 현대화된 MMM 솔루션을 구축할 수 있도록 통합 플랫폼을 제공하도록 설계되었습니다.

Databricks 레이크하우스의 가장 큰 장점 중 하나는 다양한 업스트림 데이터 소스를 통합할 수 있다는 것입니다. 즉, 오프라인 계량경제학 데이터, 미디어 캠페인 데이터, CRM 데이터 등 MMM에 필수적인 다양한 데이터 소스를 하나로 모아 단일 신뢰 원천(single source of truth)으로 통합할 수 있습니다. 이는 여러 소스에서 발생하는 대규모 데이터를 처리해야 하는 오늘날의 데이터 기반 환경에서 특히 유용합니다.

MMM에 큰 도움이 되는 Databricks 레이크하우스의 또 다른 핵심 장점은 데이터 파이프라인을 간소화할 수 있다는 것입니다. 데이터 수집 이후, MMM 프로세스에서는 다양한 마케팅 채널을 변환하고 KPI에 미치는 영향을 분석해야 하므로 여러 소스의 광범위한 데이터를 처리해야 합니다. 레이크하우스는 데이터 수집, 처리, 변환을 자동화하여 데이터 파이프라인을 수동으로 관리하는 데 드는 시간과 노력을 줄여줍니다. 이를 통해 포괄적인 데이터 품질 모니터링과 함께 데이터가 점진적으로 안전하게 전달됩니다.

또한, 레이크하우스는 데이터 자체뿐만 아니라 코드, 모델 아티팩트, 작업 반복을 포함한 모든 데이터 자산의 리니지를 구축할 수 있는 리니지 추적 시스템을 제공하며, 이는 Databricks 레이크하우스의 중요한 이점입니다. 데이터 사용에 대한 완전한 투명성과 추적성을 제공하여 기업이 확신을 가지고 데이터 기반 의사결정을 내릴 수 있도록 지원합니다. 이는 마케팅 채널이 매출에 미치는 영향을 파악하고 마케팅 예산 배분을 조정하는 데 데이터의 정확성과 신뢰성이 매우 중요한 MMM에서 특히 중요합니다.

모델링 단계로 넘어가면, Databricks 레이크하우스의 주요 차별점 중 하나는 강력한 DSML 기능이며, 이는 업계 최고 수준의 ML 런타임 및 MLOps 도구에서 잘 드러납니다. MMM 모델링의 중요한 작업 중 하나는 광범위한 사전 설정(prior setting)과 변수 변환이며, 여기에는 수많은 반복 작업이 필요합니다. MLflow를 사용하면 마케터가 독립 변수(피처)의 도출 및 변환 과정과 모델에서의 사용 현황을 추적할 수 있습니다. 또한 Databricks Feature Store는 피처 엔지니어링의 모범 사례를 장려하여 DSML 팀이 피처를 생성, 검색, 재사용하는 데 필요한 도구와 인프라를 제공합니다. 이를 통해 모델링 프로세스를 간소화하고 비즈니스 결과 예측의 정확도를 높일 수 있습니다. 이러한 기능을 통해 마케터는 데이터의 잠재력을 최대한 활용하여 더 현명하고 효과적인 마케팅 의사결정을 내릴 수 있습니다.

이제 Databricks가 MMM 팀에 얼마나 엄청난 효율성 향상을 가져다주는지 분명히 알 수 있을 것입니다! Databricks를 사용하면 싱글 노드 데이터 사이언티스트도 튜닝 및 학습을 분산 처리하고, 클러스터 전체에서 여러 시나리오와 구성을 동시에 실행하며, 브랜드, 카테고리, 지역별로 독립적인 모델을 병렬로 구축할 수 있습니다. 아래 데모를 확인해 보세요:

ML 런타임은 완전히 관리되고 안전한 협업 ML 환경으로, DS 팀이 자체 DS 환경을 부트스트랩, 빌드 또는 유지 관리할 필요 없이 생산성을 직접적으로 높일 수 있도록 지원합니다. 또한 작업을 쉽게 공유할 수 있도록 지원하여 협업 워크스트림을 촉진하고, 서로 다른 팀이 일관되지 않은 방식으로 접근하는 것을 방지합니다. 한 가지 해결책은 마켓플레이스에서 소싱하거나 Dun & Bradstreet, S&P, Edgar, 날씨 데이터, 시장 조사 등에서 조달한 데이터를 레이크하우스의 잘 정돈된 위치에 저장하는 등 누락된 데이터를 채우기 위한 메커니즘을 개발하는 것입니다. 이러한 접근 방식은 데이터와 코드 측면에서 팀이 이미 있는 것을 처음부터 다시 만드느라 시간을 낭비하는 일을 방지하여 궁극적으로 시간과 리소스를 절약해 줍니다. 하지만 이러한 재사용 부족과 중복 작업이 코드와 나머지 파이프라인에도 적용된다는 점을 인식하는 것이 중요하며, 효율성을 높이고 불일치를 최소화하기 위해 MMM을 팀 사일로로 전환해야 합니다.

레이크하우스의 오픈 소스 특성은 Python의 PyMC 및 R의 Robyn과 같이 MMM에 널리 사용되는 모든 오픈 소스 라이브러리를 실행할 수 있는 이상적인 환경을 제공합니다. 이 기능을 통해 사용자는 특정 요구 사항에 맞는 솔루션을 구축하고 벤더 종속을 피할 수 있습니다.

마지막으로, BI 통합 및 Databricks 마켓플레이스를 지원하는 DBSQL을 통해 MMM 팀은 모델 인사이트를 쉽게 게시할 수 있어, 데이터 수집부터 MMM 경영진의 실행 가능한 인사이트 도출에 이르는 새로운 모델링 프로젝트의 소요 시간을 단축할 수 있습니다. 모든 데이터 및 AI 활동을 통합하고 표준화함으로써, 레이크하우스는 MMM 솔루션뿐만 아니라 팀이 현재와 미래에 작업할 다른 모든 데이터 및 AI 솔루션을 구축하기에 가장 좋은 장소가 됩니다.

Databricks 레이크하우스를 통해 MMM으로 여러 채널의 마케팅 캠페인을 최적화하는 방법을 알아보세요. 솔루션 액셀러레이터에 액세스하기.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)