멜리즈, MMM 솔루션으로 마케팅 성과를 분석하고 예산 분배에 따른 미래 성과까지 예측했어요

COMPANY
meliz
INDUSTRY
E-commerce
About
meliz

멜리즈는 브랜드 패션 가격 비교 앱으로, 글로벌 유명 브랜드의 다양한 패션 아이템에 대한 손쉬운 가격 비교가 가능합니다.

Summary

도전 과제

  • 유저의 프라이버시를 보호하면서 마케팅 채널별 진정한 기여도 확인하기

해결 방안

  • 에어브릿지의 MMM 모델을 기반으로 성과 분석과 예측 최적화
  • UA 캠페인에 대해 앱 설치 수에 대한 각 채널의 기여를 측정하고 예산의 효율성을 극대화할 수 있는 예산안을 제안
Overview

멜리즈(meliz)는 에어브릿지(Airbridge)가 자체 개발한 MMM 모델을 활용하여 채널별 마케팅 성과를 분석하고, 미래 예산 운영에 대한 비즈니스 인사이트를 얻을 수 있었습니다. 본 케이스 스터디를 통해 어떻게 멜리즈가 에어브릿지와 함께 유저 프라이버시를 보호하면서도 성공적으로 핵심 마케팅 채널에 대한 기여도를 제대로 평가할 수 있었는지를 자세히 소개합니다.

브랜드 패션 가격 비교 플랫폼인 멜리즈는 에어브릿지의 MMM(Marketing Mix Modeling) 솔루션을 사용하여 개인정보보호 트렌드 속에서도 주요 마케팅 채널의 진정한 광고 효과를 확인하였으며, 마케팅 예산 재분배를 통해 동일한 예산으로 5%의 앱 설치 증가를 추가적으로 달성할 수 있다는 결과를 확인하였습니다.

Meliz Case Study Key Result

모든 패션 브랜드를 위한 하나의 검색 플랫폼

멜리즈는 원스톱 브랜드 패션 가격 비교 플랫폼으로, 글로벌 유명 브랜드의 다양한 패션 아이템에 대한 손쉬운 가격 비교가 가능합니다. 멜리즈는 한국 내 ‘가장 먼저 떠오르는’ 온라인 쇼핑 검색 엔진이자, 더 나아가 글로벌 쇼핑 관문으로 성장하려는 목표를 가지고 있습니다.

현재 한국의 대표적인 패션 커머스 플랫폼인 ‘ABLY’의 자회사인 ‘ABLY Black’이 운영하고 있으며, 현재 7,000개 이상의 브랜드와 500만개 이상의 제품을 검색할 수 있습니다. 서비스 공식 출시 1년 만에 80만 이상의 MAU(Monthly Active Users)와 160만 명 이상의 누적 앱 다운로드를 달성하는 놀라운 성장세를 보이고 있습니다.

Challenges

유저의 프라이버시를 보호하면서 마케팅 채널별 기여도 확인하기

런칭 초기 멜리즈는 신규 유저 획득을 위한 대대적인 투자를 진행한 뒤, 성장 모멘텀을 유지할 수 있는 다양한 전략을 취했습니다.

하지만 Apple의 앱 추적 투명성(App Tracking Transparency, ATT) 정책과 같은 개인정보보호 조치가 확산되면서, 기존의 라스트 터치 어트리뷰션 모델은 더 이상 과거와 같이 마케팅 채널 별 기여를 정확하게 측정하기 어려워졌습니다. 따라서 멜리즈는 포스트 프라이버시 시대에 대비하기 위해 유저의 개인정보를 보호하면서도 각 채널의 기여를 성공적으로 이해할 수 있는 새로운 솔루션에 대한 니즈가 생기게 되었습니다.

Solutions

애자일(agile) 의사 결정을 위한 직관적인 MMM(Marketing Mix Modeling) 솔루션

에어브릿지는 수개월에 걸쳐 멜리즈와 긴밀히 협업하며 포스트 프라이버스 시대에 맞는 채널 레벨의 마케팅 성과를 성공적으로 측정하기 위해 실행 가능한 MMM 모델을 개발하였습니다.

프로젝트 진행 기간 동안 에어브릿지는 일간 데이터 세트를 활용하여 지속적으로 자가 업데이트하는 frequentist MMM 모델을 제공하였고 이를 기반으로 성과 분석과 예측을 최적화했습니다. 채널별 유저 획득(UA, User Acquisition) 캠페인에 대해, 일간 비용을 주요 인풋으로 활용해 앱 설치 수에 대한 각 채널의 기여를 측정하고 예산의 효율성을 극대화할 수 있는 예산안을 제안했습니다. 이 분석은 2022년 1월부터 6월까지의 과거 데이터를 활용하였습니다.

또한, MMM 모델은 본질적으로 인과 관계가 아닌 상관 관계를 탐지하고 학습하기 때문에, 더 나은 모델 성능 달성을 위해서는 실제 실험과 같은 인과 추론 결과를 통한 정기적인 calibration(보정 과정)이 필요합니다. 하지만 멜리즈는 calibration에 필요한 과거 실험 데이터가 없었기 때문에, 에어브릿지는 Lift 실험과 유사한 Incrementatlity 결과를 대안으로 사용할 것을 제안했습니다. 이 calibration은 5월 마지막 주차에 진행되었습니다.

👉 에어브릿지의 Incrementality 솔루션에 대한 자세한 설명 및 케이스는 여기 링크에서 확인해보세요.
Final thoughts

멜리즈는 각 채널의 진정한 기여도를 파악하고 전반적인 마케팅 효율성을 높일 수 있는 예산 분배에 대한 몇 가지 중요한 인사이트를 얻었습니다.

  • 라스트 터치 어트리뷰션 모델 대비 Organic기여도 33%감소
  • 라스트 터치 어트리뷰션 모델 대비 디스플레이 광고(DA, Display Ads) 채널에 39%더 많은 설치를 기여
  • MMM 모델이 제안한 최적화된 예산안을 통해 5%설치 증가 예상
  • MMM 모델이 제안한 최적화된 예산안을 통해 4%eCPI 개선 효과 기대

*여기서 Organic은 별도의 마케팅 비용이 투입되지 않은 비마케팅 활동의 기여를 의미합니다.

오가닉(Organic) 기여

iOS 14.5 이후 ATT의 도입으로 인해 전반적인 모바일 앱들이 ATT 옵트 아웃 (Opt-out) 유저의 이벤트를 기여하기 매우 어려워진 상황을 경험하고 있습니다. 멜리즈 역시, 라스트 터치 어트리뷰션 모델에서는 오가닉과 같이 특정 채널에 기여가 불가능한 Unattributed(미기여) 이벤트가 전체적으로 크게 증가했습니다.

본질적으로 라스트 터치 모델은 옵트 아웃한 유저가 동의 상태를 변경하지 않는 이상, 광고 채널에 대한 기여도 측정이 원칙적으로 불가능합니다. 즉, 유저가 허락하지 않는 한 해당 이벤트는 미기여 상태로 남을 수밖에 없습니다.

그렇다면 MMM은 다를까요? 안타깝게도 MMM 모델 역시 상황이 크게 다르지는 않습니다. 앞서 설명드렸듯이 MMM은 마케팅 활동과 성과 간의 상관 관계를 중심으로 학습이 되다 보니, 마케팅 활동에 대한 정보가 없는 오가닉 기여도에 대해서는 성과 측정이 매우 까다롭습니다. 하지만, MMM은 실험 결과와 같은 외부 데이터를 활용한 calibration을 통해 개별 채널의 기여도를 현실과 유사하게 맞출 수 있습니다. 이번 스터디 기간 동안 에어브릿지는 실제 실험과 유사하다고 평가받는 자체 Incrementality 분석 결과를 활용해 calibration을 진행하여, 라스트 터치 어트리뷰션 대비 훨씬 낮아진 오가닉 기여도를 배분할 수 있었습니다.

즉, 이를 통해 유저 정보에 의존하고 있는 라스트 터치 어트리뷰션 모델과 달리, MMM 모델은 포스트 프라이버시 시대에도 다양한 외부의 실험 정보를 통해서 유의미한 매체의 성과 측정이 가능한 모델임을 확인할 수 있었습니다.

디스플레이 광고(DA, Display Ads) 기여도의 증가

라스트 터치 어트리뷰션은 검색과 같은 하위 유입 퍼널의 유저 행동에 대한 광고(예: 검색광고)에 대한 기여도를 과대측정하는 반면, 노출 등 상위 유입 퍼널 활동에 대한 광고(예: 디스플레이 광고)에 대한 기여도는 과소평가하는 경향이 있습니다. 반면, MMM은 각 채널과 설치와 같은 타겟 이벤트 사이의 상관 관계에 초점을 맞추고 있기 때문에, 각 채널에 공정하게 기여도를 배분할 수 있습니다. 이번 Case Study에서도 MMM 모델은 라스트 터치 어트리뷰션 모델에서 쉽게 무시되었던 디스플레이 광고 채널의 기여도를 39% 더 높게 측정했습니다.

예산의 효율성을 높일 수 있는 가능성

MMM은 시계열 모델로, 가까운 미래의 시나리오를 예측하고 시뮬레이션할 수 있습니다. 분석 과정에서 에어브릿지의 MMM 모델은 예산을 늘리지 않고도 전체 앱 설치수를 5%나 늘릴 수 있도록 더 비용 효율적인 채널에 투자하는 새로운 예산안을 제안했습니다. 또한, 이 에어브릿지의 제안을 통해 eCPI도 약 4%가 감소할 것으로 예상했습니다.

이러한 주요한 비즈니스 인사이트 외에도 에어브릿지의 MMM 모델은 다음과 같은 결과를 통해 활용도 및 신뢰성을 검증하였습니다.

  • 데이터 수집 후 초기 결과를 제공하기까지 2주의 짧은 온보딩 기간 소요
  • 초기 모델 설정 위해 최소 3개월의 과거 데이터만 요구
  • 분석 기간 동안 평균 7%의 예측 MAPE(Mean Absolute Percentage Error) 유지

* MAPE(Mean Absolute Percentage Error)는 모델의 예측 오차 정도를 백분율 단위로 나타내는 지표로, MAPE가 낮을수록 모형의 정확도가 높다고 판단합니다.

"에어브릿지와 함께하며 MMM 모델이 개인정보보호 시대 마케팅을 위해 미래의 성과를 예측하고 예산을 최적화하는 데에 중요한 성과 측정 방법이라는 것을 알게 되었습니다."
- 신종수, 에이블리 블랙(멜리즈) 마케팅 매니저

Airbridge MMM 기능

에어브릿지의 MMM 모델은 자체 머신러닝 엔진을 사용하여 다양한 마케팅 요소 간의 관계를 분석합니다. 이 때, 현실을 더욱 잘 반영하기 위해 이월 효과(Carryover Effect)와 같은 여러 가지 데이터 처리 방법을 집계된 채널 데이터에 적용해 모델 훈련을 진행합니다.

에어브릿지는 두 가지 MMM 리포트를 제공하여 고객이 MMM 결과 데이터 중심의 의사 결정을 빠르게 내릴 수 있도록 돕습니다. 첫번째로 Marketing Mix Analysis 리포트는 매출 또는 앱 설치 등과 같은 원하는 분석 타겟에 대한 각 광고 채널의 기여도를 분석합니다. 두번째 Budget Optimization 리포트는 설정한 예산 한도 내에서 최대의 성과를 성취할 수 있는 최적의 예산 할당을 제안합니다.

airbridge mmm report

마케터들은 편리한 인터페이스를 통해 다양한 마케팅 시나리오를 자유롭게 테스트할 수 있습니다. 더 나아가, 에어브릿지는 편리한 연동 시스템과 자체 API 엔드포인트를 통해 마케터가 분석에 필요한 데이터를 쉽게 수집하고 리포트에서 결과를 추출해 MMM 솔루션을 매일의 의사 결정에 실용적으로 사용하도록 지원합니다.

특히 에어브릿지는 AWS(Amazon Web Services) 기반 SaaS(Software as a Service)형 모바일 마케팅 성과 분석 솔루션으로, 머신러닝 기반의 마케팅 성과 분석 기능으로 멀티 터치 어트리뷰션 및 순증가분 분석과 마케팅 믹스 모델링을 함께 제공해 더 정교하고 다양한 시각에서 광고 성과 분석이 가능하도록 지원합니다. 에어브릿지는 대규모의 트래픽을 처리하기 위해 Amazon Route 53과 Elastic Load Balancing(ELB)를 추가하고, 이를 Amazon Elastic Container Service(Amazon ECS)와 Amazon Elastic Kubernetes Service(EKS)로 분산 처리하도록 구성하여 하루 20억 건이 넘는 이벤트 데이터를 원활하게 처리하고 있습니다.

전세계 마케터와 함께 하세요
에어브릿지가 전하는 최신 팁과 트렌드를 가장 먼저 만나보세요.
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.

모바일 앱 성장의 시작

데이터 수집부터 광고 채널 성과 측정, 분석까지
에어브릿지에서 빠르고 정확하게
전세계 마케터 2만명과 함께하세요.
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.