MMM이란 무엇이며 왜 마케팅 담당자에게 중요한가요?

마케팅 또는 미디어 믹스 모델링(MMM)은 기업이 여러 채널에 걸친 마케팅 캠페인의 영향을 식별하고 측정할 수 있게 해주는 데이터 기반 방법론입니다. MMM의 목적은 기업이 광고 및 마케팅 전략에 대해 정보에 입각한 의사결정을 내리도록 돕는 것입니다. MMM은 TV, 소셜 미디어, 이메일 마케팅 등 다양한 채널의 데이터를 분석하여 어떤 채널이 판매 및 기타 비즈니스 성과에 가장 많이 기여하는지 파악할 수 있습니다. 외부 이벤트와 지표를 포함함으로써 의사 결정권자는 외부 요인(예: 휴일, 경제 상황, 날씨)의 영향을 더 잘 이해하고 광고비 지출만의 영향을 실수로 과대평가하는 것을 피할 수 있습니다.

기업은 MMM을 사용하여 어떤 마케팅 채널이 가장 많은 참여, 판매 또는 수익을 창출하는지 파악할 수 있습니다. 이 정보는 마케팅 예산을 최적화하고 가장 효과적인 채널에 리소스를 할당하는 데 사용될 수 있습니다. 예를 들어, 한 회사가 소셜 미디어, 이메일 마케팅, TV 광고 등 다양한 채널에서 마케팅 캠페인을 진행하고 있다고 가정해 보겠습니다. 하지만 마케팅팀은 어느 채널이 가장 높은 ROI를 제공하는지 확신하지 못합니다. 이때 MMM이 유용하게 사용됩니다. 이러한 모든 채널에서 집계된 데이터를 분석함으로써 강력한 모델은 회사가 가장 많은 수익을 창출하는 캠페인과 가장 효율적인 광고 투자 대비 수익률을 제공하는 채널을 식별하는 데 도움을 주어 광고 전략을 효과적으로 최적화할 수 있도록 합니다. 이를 통해 기업은 마케팅 활동을 최적화하고 예산을 올바른 방향으로 할당할 수 있습니다.

수년간 MMM은 매우 강력한 도구이자 게임 체인저로 여겨져 왔으며, 현명한 기업이 경쟁에서 앞서나갈 수 있는 우위를 제공해 왔습니다. 데이터 기반 의사결정의 힘을 활용하여 MMM은 기업이 마케팅 전략에 현명한 투자를 하도록 지원하며, 모든 비용이 적재적소에, 적시에, 올바른 방식으로 지출되도록 보장합니다. 이는 더 높은 고객 참여도와 매출 증가부터 높은 투자 수익률에 이르기까지 매력적인 결과로 이어집니다.

MMM의 진화

MMM은 수십 년 동안 존재해 왔으며 항상 마케팅 캠페인의 효과를 측정하는 강력한 도구였습니다. 모델은 계절성, 경쟁 활동, 거시 경제 동향과 같은 다양한 요인을 고려하여 마케팅 활동의 전반적인 영향에 대한 종합적인 시각을 제공할 수 있습니다. 그러나 최근 몇 년 동안 MMM은 여러 터치포인트에서 개별 사용자를 추적하여 기여에 대한 더 세분화된 접근 방식을 제공하는 MTA(다중 터치 기여)에 의해 다소 가려졌습니다. MTA를 사용하면 마케팅 담당자는 어떤 특정 터치포인트가 개별 사용자의 전환을 유도하는지 파악하고 이에 맞춰 예산을 배분할 수 있습니다. 이러한 세분성 덕분에 MTA는 많은 마케팅 담당자, 특히 디지털 마케팅 분야의 마케팅 담당자에게 인기 있는 선택지가 되었습니다.

그러나 GDPR(개인정보보호 규정) 및 CCPA(캘리포니아 소비자 개인정보 보호법)와 같은 새로운 개인정보 보호 규제로 인해 MTA가 사용하는 쿠키 기반 추적이 점점 더 어려워지고 있습니다. 이는 사용자 수준 데이터가 아닌 집계 데이터를 사용하는 MMM이 이제 다시 주목받으며 새로운 원동력을 얻고 있음을 의미합니다.

그래서 마케팅 효과를 측정하려면 어떤 도구를 선택해야 할지 궁금하실 겁니다. 둘 중에서 MMM을 선택할 때는 고려해야 할 몇 가지 요소가 있습니다. 데이터의 일부 또는 전체가 사전 집계된 경우 MMM을 선택하는 것을 고려해 볼 수 있습니다. 또 다른 요인은 마케팅 활동에 온라인 및 오프라인 채널이 모두 포함되는지 여부입니다. 온라인 마케팅과 오프라인 마케팅의 경계가 종종 모호해지는 오늘날의 디지털 시대에 이는 점점 더 중요해지고 있습니다. 마지막으로, 지역 테스트 결과와 같이 마케팅 활동에 관련된 추가 정보가 있는 경우, MMM을 통해 이 데이터를 모델에 통합할 수 있습니다.

MMM의 장점
첫째, MMM 기반 분석은 쿠키로 추적할 수 없는 TV, 인쇄, 라디오 또는 OOH(옥외) 광고와 같은 오프라인 채널의 영향을 통합할 수 있습니다. 일부 고급 모델링 기법은 다양한 채널이 함께 작동하는 방식을 설명하는 퍼널 효과와 이러한 채널의 시너지 효과를 설명하는 승수 효과를 통합하는 기능도 있습니다. 또한 MTA가 놓칠 수 있는 마케팅 활동의 장기적인 영향에 대한 인사이트를 제공할 수 있습니다. MMM은 확장성이 더 뛰어난 것으로 간주되며, 넓은 지역이나 국가 전체에 걸쳐 마케팅 활동의 영향을 측정하는 데 사용될 수 있습니다.

또한 MMM은 개별 사용자 데이터 대신 집계된 데이터를 사용하여 기업이 개인정보 보호 규정을 준수하도록 도울 수 있습니다. 이는 기업이 사용자 개인정보를 침해하지 않고도 마케팅 활동의 효과를 계속 측정할 수 있음을 의미합니다.

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

일반적인 과제 해결하기

MMM은 컨설팅 회사, 광고주, 소프트웨어 공급업체에 이르기까지 다양한 회사에서 구축합니다. 기업이 마케팅 지출을 최적화할 방법을 계속 모색하면서 MMM은 ROI 측정을 위한 점점 더 대중적인 방법이 되었습니다. 하지만 확장 가능하고 견고한 MMM 솔루션을 구축하는 것은 어려운 작업일 수 있습니다. 이 섹션에서는 확장 가능한 솔루션을 구축할 때 기업이 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 MMM 데이터를 위해 다양한 소스의 데이터 스트림을 통합해야 하며, 여기에는 수집 방법이 표준화되지 않은 계량 경제학 데이터와 같은 제3자 데이터도 포함됩니다. 또한 데이터 소스는 레거시 데이터베이스, Hive, sftp 플랫 파일 및 기타 소스 등 다양한 위치에 분산되어 있는 경우가 많아 필요한 데이터를 얻기 어렵습니다. 또한 매월 데이터를 수동으로 새로 고쳐야 하는데, 이는 지루하고 시간이 많이 걸리는 작업일 수 있습니다.

정확한 MMM 결과를 얻는 데 있어 또 다른 장애물은 데이터의 부재입니다. 예를 들어 경제 데이터 수집 및 기존/오프라인 미디어 데이터가 누락되는 경우가 많으며, 이는 결과의 정확도를 크게 저해할 수 있습니다. 이러한 문제는 규제로 인해 데이터 수집 및 공유에 제한이 있을 수 있는 여러 국가에서 비즈니스를 운영하는 기업에 특히 두드러지게 나타날 수 있습니다. 현대 AI 시대에 MMM 솔루션은 머신러닝 모델의 한 형태로서, 새롭게 부상하는 AI 분야와 관련된 과제와 위험에서 예외는 아닙니다. 수집부터 인사이트 대시보드까지 모델에 대한 데이터 소스 계보를 추적하는 것 은 기존 접근 방식에 상당한 장애물이 될 수 있어 투명성과 책임성을 유지하기 어렵습니다.

또한 팀 사일로의 존재는 확장 가능한 MMM 솔루션 생성을 저해할 수 있습니다. 모델 구축은 종종 분리된 환경에서 이루어져, 수평적으로는 기술 및 비즈니스 기능 도메인에 걸쳐, 수직적으로는 조직 수준, 브랜드, 카테고리 및 사업부에 걸쳐 팀 간의 장벽을 유발합니다. 모델, 코드, 데이터에 대한 버전 관리 방법이 없으면 MMM 솔루션 내에 불일치와 부정확성이 발생할 수 있습니다. 또한 다루기 힘든 레거시 코드는 솔루션의 유지보수 및 업데이트를 어렵게 만들어 대규모 리팩토링 노력을 필요로 할 수 있습니다. 또한 수동 프로세스가 자주 발생하며, 분석은 더 자동화되고 반복 가능하며 신뢰할 수 있는 DSML 파이프라인의 일부가 되는 대신, 일반적으로 개인이나 소규모 팀이 몇 개월마다 반복해야 하는 일회성 활동으로 수행됩니다.

마지막으로, 데이터 게시와 인사이트 공유는 종종 지연되며 별도의 통합이 필요합니다. 이로 인해 이해관계자들이 정보에 입각한 결정을 신속하게 내리기 어려워지고, 의사 결정이 더욱 지연되며 기회를 놓치게 될 수 있습니다. 특히 경쟁업체들이 빛의 속도로 움직이는, 점점 더 빠르게 변화하고 역동적인 경제 환경에서는 대응 민첩성이 떨어지게 됩니다. 또한 많은 기존 MMM 솔루션에는 고객 및 파트너와 효과적으로 협업하는 데 필요한 유연성과 개인정보 보호 기능이 부족합니다.

따라서 기업은 DSML 기술과 관련된 고유한 과제와 위험을 고려하여 AI 시대에 MMM을 구현하기 위한 포괄적이고 세심한 접근 방식을 취해야 합니다.

Databricks Lakehouse로 확장 가능하고 유연한 MMM을 구축하세요

참고 다이어그램

Databricks Lakehouse는 기업이 확장성과 유연성을 갖춘 현대화된 MMM 솔루션을 구축할 수 있도록 통합 플랫폼을 제공하기 위해 설계되었습니다.

Databricks Lakehouse의 가장 큰 장점 중 하나는 다양한 업스트림 데이터 소스를 통합할 수 있다는 것입니다. 이는 플랫폼이 오프라인 계량 경제학 데이터, 미디어 캠페인 데이터, CRM 데이터 등 MMM에 필수적인 다양한 데이터 소스를 한데 모아 단일 진실 공급원으로 통합할 수 있음을 의미합니다. 이는 기업이 다양한 소스에서 발생하는 대량의 데이터를 처리해야 하는 오늘날의 데이터 기반 세계에서 특히 유용합니다.

MMM에 큰 이점을 줄 수 있는 Databricks Lakehouse의 또 다른 주요 장점은 데이터 파이프라인을 간소화하는 기능입니다. 데이터 수집 후 MMM 프로세스는 다양한 마케팅 채널을 변환하고 KPI에 미치는 영향을 분석해야 하며, 이 과정에는 다양한 소스로부터 얻은 광범위한 데이터를 처리하는 작업이 포함됩니다. Lakehouse는 데이터 수집, 처리, 변환을 자동화하여 수동으로 데이터 파이프라인을 관리하는 데 필요한 시간과 노력을 줄일 수 있습니다. 이를 통해 포괄적인 데이터 품질 모니터링과 함께 데이터가 증분 방식으로 제공되도록 보장합니다.

게다가 Lakehouse가 데이터 자체뿐만 아니라 코드, 모델 아티팩트 및 작업 반복을 포함한 모든 데이터 자산에 대한 리니지를 설정하도록 보장하는 리니지 추적 시스템을 제공한다는 점은 Databricks Lakehouse의 중요한 이점입니다. 이는 데이터 사용에 대한 완전한 투명성과 추적성을 제공하여 기업이 자신 있게 데이터 기반 의사결정을 내릴 수 있도록 지원합니다. 이는 마케팅 채널이 판매에 미치는 영향을 이해하고 마케팅 비용 배분을 전환하는 데 데이터의 정확성과 신뢰성이 매우 중요한 MMM의 맥락에서 특히 중요합니다.

모델링 단계로 넘어가면 Databricks 레이크하우스의 주요 차별화 요소 중 하나는 강력한 DSML 기능이며, 이는 특히 최고의 ML Runtime 및 MLOps 도구에서 두드러집니다. MMM 모델링의 중요한 작업 중 하나는 광범위한 사전 설정과 변수 변환이며, 여기에는 많은 반복이 필요합니다. MLflow를 사용하면 마케팅 담당자는 독립 변수(피처)의 파생 및 변환과 모델에서의 사용을 추적할 수 있습니다. 또한 Databricks 특징점 은 피처 엔지니어링의 모범 사례를 장려하며, DSML 팀에 피처를 생성, 검색, 재사용하는 데 필요한 도구와 인프라를 제공합니다. 이를 통해 모델링 프로세스가 간소화되고 비즈니스 결과에 대한 예측 정확도가 향상됩니다. 이러한 기능을 통해 마케팅 담당자는 데이터의 모든 잠재력을 원활하게 활용하여 더 많은 정보에 입각한 효과적인 마케팅 결정을 내릴 수 있습니다.

이제 Databricks가 MMM 팀에 엄청난 효율성 향상을 가져다준다는 사실이 분명해졌을 것입니다! Databricks를 사용하면 단일 노드 data scientists라도 튜닝 및 훈련을 분산하고, 클러스터 전반에서 여러 시나리오와 구성을 동시에 실행하며, 브랜드, 카테고리, 지역에 걸쳐 독립적인 모델을 병렬로 구축할 수 있습니다. 아래 데모를 참조하세요.

ML 런타임은 DS 팀이 자체 DS 환경을 부트스트랩, 빌드 또는 유지 관리할 필요 없이 팀의 생산성을 직접적으로 활용하는 완전 관리형의 안전한 협업 ML 환경입니다. 또한 작업을 쉽게 공유하여 여러 팀이 일관되지 않은 접근 방식을 채택하는 것을 방지함으로써 협업 워크스트림을 촉진합니다. 한 가지 해결책은 마켓플레이스에서 소싱하거나 Dun & Bradstreet, S&P, Edgar, 날씨 데이터, 시장 조사와 같은 소스에서 조달한 데이터를 Lakehouse 내 잘 정리된 위치에 저장하는 등 누락된 데이터를 채우기 위한 메커니즘을 개발하는 것입니다. 이러한 접근 방식은 팀이 데이터 및 코드와 관련하여 불필요한 재작업을 하는 것을 방지하여 궁극적으로 시간과 리소스를 절약할 수 있습니다. 그러나 이러한 재사용 부족과 불필요한 재작업은 코드와 파이프라인의 나머지 부분에도 적용되므로, 효율성을 높이고 불일치를 최소화하기 위해 MMM을 팀 사일로로 이동해야 한다는 점을 인지하는 것이 중요합니다.

Lakehouse의 오픈 소스 특성은 Python의 PyMC 및 R의 Robyn 과 같이 MMM을 위한 모든 인기 오픈 소스 라이브러리를 실행하는 데 이상적인 환경을 제공합니다. 이 기능은 사용자가 특정 요구 사항에 맞는 솔루션을 구축하고 벤더 종속을 피할 수 있도록 지원합니다.

마지막으로 중요한 것은, BI 통합 및 Databricks 마켓플레이스가 포함된 DBSQL을 통해 MMM 팀이 모델 인사이트를 쉽게 게시하여 데이터 수집부터 MMM 경영진의 실행 가능한 인사이트 도출까지 새로운 모델링 프로젝트에 소요되는 시간을 단축할 수 있다는 점입니다. 모든 데이터 및 AI 활동을 통합하고 표준화함으로써 Lakehouse는 MMM 솔루션뿐만 아니라 팀이 현재와 미래에 작업할 다른 모든 데이터 및 AI 솔루션을 구축하기에 가장 좋은 장소가 됩니다.

Databricks for Lakehouse를 통해 MMM으로 여러 채널의 마케팅 캠페인을 최적화하는 방법을 알아보세요. 솔루션 액셀러레이터 시작하기.