프라이버시 시대 앱 마케터를 위한 마케팅 믹스 모델

이 글은 마케팅 믹스 모델링에 관한 2편의 백서를 요약한 포스트입니다. 마케팅 믹스 모델링에 대한 더 자세한 내용이 궁금하시다면 아래 링크를 통해 다운로드해 주세요.

• 머신러닝에 기반한 앱 마케팅: 마케팅 믹스 모델링으로 성과 측정부터 예측까지 - 프라이버시 시대의 앱 마케터를 위한 마케팅 믹스 모델링 실전 활용 가이드

사라지는 데이터, 프라이버시 시대에서 광고 성과 측정이 어려워지고 있습니다.

오늘날 모바일 광고 성과를 측정하는 표준 모델인 라스트 터치 어트리뷰션(Last-touch Attibution, LTA)는 프라이버시 시대로 인해 위기를 맞이했습니다. LTA 모델은 반드시 유저 레벨 데이터가 필요하기 때문입니다.

주요 브라우저에서 유저를 식별할 수 있는 서드파티 쿠키(Third-Party Cookie)를 제공하지 않고 애플과 구글은 유저 데이터 대신 개인을 식별할 수 없는 집계 데이터를 제공하기 시작했습니다. 사회적 인식의 변화로 유럽과 미국에서는 개인정보보호 법률을 강화했습니다.

유저 데이터 없이 광고 성과를 측정하는 방법

개인정보를 수집하기 어려워지면서 마케팅 믹스 모델링은 광고 성과 측정 모델로 다시 주목받고 있습니다. 마케팅 믹스 모델링은 유저의 ADID나 개인정보는 필요로 하지 않습니다. 마케팅 전략과 광고 환경의 영향을 고려해 광고 매출과 성과를 머신러닝으로 측정하는 분석법입니다.

마케팅 믹스 모델은 기본적으로 광고 지출과 광고 성과의 관계를 나타낸 수식의 형태입니다. 이 수식은 다양한 광고 특성이 반영되어 있고 머신러닝 과정을 거쳐 최적의 수식을 찾습니다.

전체 성과 = 채널 A의 광고 성과 + 채널 B의 광고 성과 + 기타 성과

이 수식을 구하는 것으로 끝이 아닙니다. 마케팅 믹스 모델은 검증과 보정 과정을 통해 계속해서 발전합니다. 광고가 나오는 환경, 앱 특성 등을 고려해 나만의 마케팅 믹스 모델이 구축됩니다.

데이터에서 시작하는 마케팅 믹스 모델

마케팅 믹스 모델은 데이터에 따라 다르게 구축됩니다. 따라서 마케터는 마케팅 목표를 고려해 광고 지출, 매출액, 앱 설치 수, 클릭 수와 같은 데이터를 준비해야 합니다.

마케팅 믹스 모델은 복잡한 변수와 수많은 데이터 속에 숨어있는 패턴을 표현한 수식입니다. 예를 들어 채널 A에서 사용된 광고 지출과 신규 앱 설치 수에 관한 데이터 속에는 무수히 많은 변수가 있을 것입니다. 머신러닝을 통한 회귀 분석을 통해 입력값과 결과값 사이의 패턴을 가장 잘 설명하는 선형 함수를 찾는 것을 목표로 합니다.

예를 들어 그림 1처럼 사용된 광고 지출과 신규 앱 설치 수에 관한 데이터가 있다고 했을 때, 명확한 패턴을 찾기 어렵습니다. 그림 2에 나타난 다양한 직선 중에 어떤 직선이 오차가 적을까요? 여기서 그림3처럼 우리는 실제 데이터와 가장 오차가 작은 직선을 찾습니다. 그 직선이 우리가 찾는 마케팅 믹스 모델입니다.

마케터가 고려해야 하는 것

수영복은 여름과 겨울 중 언제 더 팔릴까요? 월요일 아침 출근길 광고에서 본 비타민 영양제를 구매하는 회사원은 몇 명이나 될까요? 팬데믹과 같은 특별한 사건이 광고에 어떤 영향을 줄까요?

머신러닝으로 패턴만 찾는 것으로는 마케팅 믹스 모델을 구축하기 어렵습니다. 광고는 복잡한 상황이 자주 연출되기 때문입니다. 따라서 마케터는 마케팅 믹스 모델을 구하는 과정에서 아래 4가지를 반드시 고려해야 합니다.

이월 효과

이월 효과를 고려하여 이월 적용 기간을 정합니다. 예를 들어 오늘이 1이라면, 어제는 0.5, 그저께는 0.25로 성과를 측정하는 것입니다. 마케팅 믹스 모델에서는 더 적절한 값을 찾기 위해 지수 감소(Geometric Decay), 와이블 감소(Weibull Decay)와 같은 머신러닝 모델을 적용하고 있습니다.

포화 효과

광고 지출을 늘려도 구매하지 않기로 결정한 사람에게도 광고가 노출될 수 있기 때문에 비용의 효율이 점점 줄어듭니다. 이 현상을 포화 효과라고 말하며 지수 함수(Exponential Function)나 힐 함수(Hill Function)을 적용하여 정확한 값을 찾아냅니다.

계절성

성수기 숙박 앱의 매출은 따로 광고하지 않아도 늘어납니다. 이처럼 광고가 노출되는 시점에 따라 성과가 변할 수 있습니다. 계절과 같은 주기적인 변화에 대응하기 위해 사인 파동, 스퀘어 파동을 마케팅 믹스 모델에 적용하여 정확한 함수를 찾을 수 있습니다.

맥락 변수

앱 마켓에서의 랭킹 상승 또는 팬데믹, 경제 상황 같은 다양한 사건으로 광고 성과가 바뀔 수도 있으며, 이를 맥락 변수라고 합니다. 맥락 변수를 설정해야 정확한 광고 성과를 추정할 수 있습니다.

또한 한번의 회귀 분석으로 구한 선형 함수를 정확한 수식으로 보기 어렵습니다. 우리가 구한 선형 함수가 마케터가 준비한 데이터에 숨겨진 패턴을 잘 설명하는지 확인하는 과정이 필요합니다. 이러한 검증에 자주 사용되는 지표는 다음과 같습니다.

실전 활용 예시

마케팅 믹스 모델링에 대해 이해하셨다면, 실제 광고 성과를 측정하는 데 어떻게 활용되는지 궁금하실 것입니다. 아래 예시를 통해 마케팅 믹스 모델링의 실전 활용에 대해 소개하겠습니다.

게임사의 ‘진짜 데이터' 찾기

한 게임사가 새로운 모바일 게임 출시와 인플루언서 마케팅을 진행했습니다. 여러 인플루언서와 계약을 맺고 소셜 미디어, 동영상 플랫폼에 광고 콘텐츠를 업로드했습니다. 인플루언서 마케팅 성과는 어떻게 확인하면 좋을까요?

인플루언서 마케팅은 일반적으로 구독자가 많을수록 광고비가 많습니다. 하지만 오히려 구독자가 적은 인플루언서가 많은 설치 수를 발생시킬 수 있습니다. 광고 비용보다 광고 콘텐츠를 접한 유저의 반응이 더 중요한 이유입니다.

따라서 광고 지출 대신 광고 성과를 만든 ‘진짜 데이터’를 정하여 광고 성과를 더 정확하게 측정할 수 있습니다.

핀테크의 적절한 분석 기간 설정

핀테크 스타트업은 간편 결제 서비스를 통해 지난 3년 동안 빠르게 성장했습니다. 핀테크 스타트업의 빠른 성장으로 기존 금융권도 공격적인 마케팅을 펼치기 시작했고 핀테크의 마케터는 최소 비용으로 최대 성과를 발생시키기 위해 마케팅 믹스 모델을 사용하기로 했습니다. 어떻게 하면 정확한 광고 성과를 측정할 수 있을까요?

소비 트렌드가 바뀌는 주기는 6개월보다 깁니다. 매년 계절마다, 특정일마다 소비가 늘어나거나 줄어들죠. 마케팅 믹스 모델은 준비한 데이터만으로 구축되기 때문에 16월의 데이터로 712월 데이터를 예측하기는 어렵습니다.

따라서 장기간 트렌드를 분석하여 마케팅 믹스 모델에 적용하였습니다. 간편 결제 서비스를 출시한 이후 3년 치의 데이터를 통해 결제량이 연말과 연초에 증가하고, 4~10월에 저조했다는 것을 알 수 있었습니다. 장기적인 트렌드 반영으로 더 신뢰할 수 있는 광고 성과를 확인했습니다.

위에서 소개해 드린 활용과 함께 오프라인 광고, OTT 플랫폼, 농산물 광고 등에 적용되는 다양한 예시를 프라이버시 시대의 앱 마케터를 위한 마케팅 믹스 모델링 실전 활용 가이드를 통해서 확인하실 수 있습니다.

마케팅 믹스 모델링을 사용할 수 있는 방법, 에어브릿지에서 확인해 보세요.

에어브릿지의 마케팅 믹스 모델링은 머신러닝과 통계적 기법을 통해 순수한 마케팅 성과를 측정합니다. 광고 ID나 유저의 개인정보는 필요하지 않습니다. 디지털 채널에서 발생한 광고 지출, 콘텐츠 조회수, 앱 설치 수부터 TV 광고, 옥외 광고 데이터까지 6개월치만 준비하면 나만의 마케팅 믹스 모델을 만날 수 있습니다.

나만의 마케팅 믹스 모델이 측정한 마케팅 성과를 마케팅 믹스 분석 리포트에서 한눈에 조회해 보세요. 예산 최적화 리포트에서 확인할 수 있는 마케팅 믹스 모델이 추천한 최적의 예산안도 놓치지 마세요. 마케팅 믹스 모델을 바꾸고 싶다면 언제든 모델 매니저에서 상황에 맞는 모델을 선택하세요.

에어브릿지는 데이터에 숨어 있는 작은 힌트도 놓치지 않습니다. 에어브릿지가 지금 새로운 광고 성과 측정을 제시하겠습니다.

👉 에어브릿지의 마케팅 믹스 모델링에 대해 더 자세히 알아보고 싶다면 마케팅 전문가와 직접 이야기 나눠보세요.

이 글은 마케팅 믹스 모델링에 관한 2편의 백서를 요약한 포스트입니다. 마케팅 믹스 모델링에 대한 더욱 자세한 내용이 궁금하시다면 아래 링크를 통해 다운로드해 주세요.[

머신러닝에 기반한 앱 마케팅: 마케팅 믹스 모델링으로 성과 측정부터 예측까지](https://www.airbridge.io/library-ko/mmm-basics-whitepaper?utm_source=airbridge_blog&utm_medium=cta&utm_campaign=airbridge-blog-mmm-basics-whitepaper&utm_content=ko)[ 프라이버시 시대의 앱 마케터를 위한 마케팅 믹스 모델링 실전 활용 가이드](https://www.airbridge.io/library-ko/mmm-tips-whitepaper?utm_source=airbridge_blog&utm_medium=cta&utm_campaign=airbridge-blog-mmm-tips-whitepaper)