마케팅 측정 방법이 변화하고 있습니다. 개인정보 보호 정책으로 인해 기업은 결정론적인 라스트 터치 측정 방법에서 멀어지고 있으며 SKAN, Google 개인정보 보호 샌드박스, 모델링된 SAN 출력 등 다양한 대안이 등장하고 있습니다. 이러한 변화로 인해 야기되는 복잡성 외에도 일부 회사는 전통적으로 별개였던 측정 방법을 결합하여 이러한 변화에 대응하는 것으로 나타나고 있습니다. 미디어 믹스 모델링(MMM) 분석 방법은 1960년대부터 사용되었지만 좀 더 현대적인 디지털 결정론적 측정 방법과는 역사적으로 구별되어 왔습니다. 그러나 이제 마케팅 팀은 무엇을 해야 할지 결정하기 위해 여러 측정 소스를 조화시켜야 하므로 더욱 세분화된 어트리뷰션 방법을 가진 MMM을 포함시킬 수 있는 기회가 있습니다. 저는 최근에 Recast의 공동 CEO이자 공동 창립자인 Michael Kaminsky와 함께 기업이 MMM과 같은 전체적인 통계 기반 모델을 어트리뷰션 데이터와 결합하는 방법에 대해 이야기를 나누었습니다.
— Branch 성장 책임자 Adam Landis
Michael, 오늘 함께해 주셔서 감사합니다. 시작하기 전에, Recast에서 하고 있는 일에 대한 배경을 설명해 주실 수 있나요?
물론이죠! Recast는 속도와 검증 가능성에 중점을 둔 최신 미디어 믹스 모델링(MMM) 플랫폼입니다. 우리는 동급 최고의 통계 모델링과 최신 기계 학습 방법을 결합하여 기업이 MMM을 더 빠르고, 더 유연하고, 더 정확하게 개발할 수 있도록 합니다. 이것은 파워포인트 프리젠테이션 속에서만 존재하던 MMM을 가져와 마케터가 활용할 수 있게 하는 새로운 패러다임의 강력한 도구입니다. 이 도구로 지속적으로 계획을 세우고, 예산을 최적화하고, 모델 정확성을 확인할 수 있습니다. 우리는 상시 디지털 추적 어트리뷰션 방법을 사용하여 1년에 몇 번만 사용했던 구 세대의 MMM 분석 방법의 “격차를 해소”하는 데 여러모로 도움을 주고 있다고 생각합니다.
모르시는 분들을 위해 MMM가 무엇인지 말씀해 주십시오
MMM은 일반적으로 “미디어 믹스 모델링” 또는 때로는 “마케팅 믹스 모델링”을 의미합니다. 마케팅 활동을 비즈니스 결과(일반적으로 판매 또는 전환 등)와 통계적으로 연결하는 하향식 통계 또는 계량 경제학적 모델을 구축하는 것이 아이디어입니다. MMM은 일련의 과거 마케팅 데이터를 조사하여 데이터의 패턴을 식별하는 방식입니다. 따라서 모델은 “다른 마케팅 활동을 통제하여 Facebook 광고에 상대적으로 더 많은 비용을 지출하면 얼마나 많은 추가 매출을 창출합니까?”와 같은 질문에 대한 답을 얻으려고 합니다. 좋은 미디어 믹스 모델은 실제로 마케팅과 관련된 모든 복잡성(예: 타임 시프트 또는 광고 스톡, 시즈널리티, 한계 효용 등)을 고려해야 하므로 좋은 모델은 상당히 복잡해지는 경향이 있습니다.
자세한 내용은 MMM 소개 블로그 게시물을 확인하십시오.
바보 같은 질문일 수도 있지만 순 증분(incrementality, 인크레멘탈리티)이 MMM과 자주 함께 언급된다고 들었습니다. 순 증분은 MMM 결과와 어떤 관련이 있습니까?
적절하게 조정된 MMM은 마케터에게 순 증분 측정치를 제공해야 합니다. “순 증분”이라는 단어는 마케터가 말하는 “우연성”에 불과합니다. 우리가 얘기하는 순 증분은 실제 마케팅 활동의 진정한 인과적 영향에 대한 것입니다. “브랜드 검색” 광고의 순 증분이 실제로 의미하는 것은 “우리 브랜드 검색 광고가 없었다면 얼마나 많은 전환이 발생하지 않았을까요?”입니다. 이것이 의미하는 것은 어쨌거나 구매를 생각하고 있는 고객이 구매하려던 브랜드 검색 광고를 클릭하는 경우, 해당 브랜드 검색 클릭에 대한 지출은 “순 증분”이 아니라는 것입니다. 검색 클릭으로 인해 전환이 발생한 것이 아니기 때문입니다. 이 블로그 게시물에서는 브랜드 검색 순 증분이라는 주제에 대해 더 자세히 설명합니다.
순 증분은 마케팅 활동의 진정한 투자 수익률을 알려주고 실제로 마케팅 예산을 최적화할 수 있는 방법이기 때문에 마케팅 측정에서 가장 중요한 개념입니다. 미디어 믹스 모델이 올바르게 구축되면 순 증분 추정치에 해당하는 결과를 제공하게 될 것입니다. 이는 예산 최적화 추진에 사용될 수 있으며 순 증분을 측정하려는 실험 결과와 일치해야 합니다.
흥미롭군요. MMM의 통계 결과가 개별 채널의 추정 상승 치를 제공할 줄은 몰랐습니다. 이것은 상황에 따라 대단히 유동적이겠지만, 얼마나 정확한 지 이야기해 주실 수 있습니까? 이 모델의 정확성과 정확성에 영향을 주는 요인에 대해 말씀해 주시겠습니까?
“상황에 따라 대단히 다르다”는 말이 맞습니다. 올바르게 구축되면 MMM 모델은 매우 정확할 수 있으며 상승 추정치는 다른 실험 및 유사 실험 결과(예: 지리적 통제 테스트, 무작위 대조 시험, 중단 테스트, 중단 시계열 등)를 통해 확증될 수 있습니다. 그러나 올바르게 구축되지 않으면 이 모델은 매우 부정확할 수 있으며 MMM을 전혀 사용하지 않는 것이 나을 것이라는 실질적인 오해를 불러일으킬 수 있습니다.
MMM 모델의 정확성은 모델이 통계적으로 어떻게 특정되고 해당 사양이 특정 비즈니스와 얼마나 잘 부합하는지에 따라 달라집니다. 특정되는 것이 단순할수록 복잡한 특정보다 편향되는(즉, 정확도가 떨어지는) 경향이 있습니다. MMM을 수행하는 것이 매우 쉽다고 말하고 싶지만, 실제로 정확하고 검증할 수 있는 좋은 MMM을 실행하는 것은 아주 어렵습니다.
MMM 모델이 가치 있으려면 전체적 관점이어야 합니까? 아니면 특정 채널에 MMM을 적용할 수 있습니까?
일반적으로 모델에 모든 마케팅 활동을 포함할 수 있는 경우에만 미디어 믹스 모델이 작동합니다. 일부 마케팅 채널의 데이터 세트만 가지고 MMM을 구축하면 포함된 채널에 과도하게 의존할 위험이 있습니다. 따라서 예를 들어 TV 광고가 매출의 상당 부분을 견인하는 데 MMM 모델에 TV 마케팅을 포함하지 않으면 TV에서 유도한 전환이 결국 Facebook에 귀속될 수 있습니다.
단일 마케팅 채널의 마케팅 활동 변화 영향(예: 중단된 시계열 설계를 통해)을 보기 위해 다른 유형의 모델을 구축할 수 있지만 일반적으로 MMM을 작동하려면 모든 마케팅 활동을 보아야 합니다.
라스트 터치와 같은 보다 전통적인 채널 별 어트리뷰션 분석과 비교한다면, 기업들은 MMM을 어떻게 사용합니까?
가장 정교한 마케터는 업무에 적합한 도구를 사용해야 한다는 것은 알고 있으며, 이는 다양한 상황에서 다양한 측정 방법을 사용한다는 의미입니다. MTA나 퍼스트 및 라스트 터치 어트리뷰션과 같은 디지털 추적 방법은 가치가 있지만, 주로 일일(또는 시간별) 채널 관리에 사용됩니다. 이는 개별 채널 관리자가 매일 채널을 추적, 관리 및 최적화하는 데 사용하는 도구입니다.
그러나 일반적으로 똑 같은 디지털 추적 방법론으로는 순 증분을 측정할 수 없으며 예측이나 교차 채널 예산 할당에 사용할 수 없습니다. 그렇기에 MMM과 같은 도구가 필요합니다. 이 도구는 마케팅 리더가 마케팅 영향을 보다 종합적으로 측정하는 데 도움이 되며, 해당 채널을 일대일로 비교할 수 있기 때문에 다양한 마케팅 채널에 예산을 할당할 수 있습니다.
따라서 운영 상 채널 별 어트리뷰션이 사용되지만, MMM은 일반적으로 거시적 영향의 관점에서 사용됩니다. 채널 별 또는 결정론적 어트리뷰션 결과가 MMM 모델 개선에 도움이 될 수 있습니까?
많은 사람들은 디지털 추적 방법의 데이터와 하향식 MMM 모델을 결합하는 하이브리드 모델을 구축하기를 원합니다. 저는 이것이 좋은 생각이 아니며 적어도 이의 구현 방법에 매우 신중하기를 바랍니다.
이것이 좋은 생각이 아닌 이유는 디지털 추적 방법이 본질적으로 1) 퍼널의 하단에 있고 2) 추적하기 가장 쉬운 채널에 편향되는 경향이 있기 때문입니다. MMM을 사용하는 주요 이유 중 하나는 마케팅 채널 성과에 대한 (이상적으로) 편향되지 않은 관점을 제공하기 때문입니다. 따라서 편향된 결과로 디지털 추적 시스템 모델을 오염시키고 싶지는 않습니다.
편향된 입력은 모델의 효율성을 감소시킵니다. 그 반대는 어떻습니까? 어트리뷰션은 다양한 데이터 소스를 가지고 변화하고 있습니다. MMM 결과가 어트리뷰션 데이터에 도움이 될 수 있습니까?
예! 뛰어난 마케팅 팀에는 다양한 측정 방법의 결과를 ” 삼각 측량“하는 프로세스가 있습니다. 예를 들어 MMM의 결과를 플랫폼 매트릭스 뿐만 아니라 라스트 터치 및 퍼스트 터치 어트리뷰션으로 정렬하는 스프레드시트를 구축하여 다양한 방법이 어디에서 일치하는지(그리고 일치하지 않는지)를 파악하여 이를 운영 의사 결정에 활용할 수 있습니다.
이에 대한 한 가지 쉬운 예는 채널 관리자가 운영상 사용할 수 있는 순 증분 “계수”를 생성하는 것입니다. “진정한 순 증분 CAC- LTV 자금 회수 목표를 달성하기 위해서는 Facebook의 플랫폼 내 CAC에 1.25를 곱해야 한다는 것을 알고 있습니다”라고 말하는 것입니다.
저도 이런 걸 본 적 있습니다. 편향되지 않은 종합적인 보고에 대한 거시적 관점을 활용하면 세분화되고 지속적으로 사용 가능한 보고를 추적하는 계수를 생성할 수 있습니다. 본질적으로 “Facebook 채널이 25% 더 높게 보고된다는 것을 알고 있으므로 다시 테스트할 때까지 해당 캠페인의 ROAS를 25% 줄여야 합니다.”
시간 내주셔서 감사합니다, Michael. 브랜드가 전통적으로 분리된 측정 방법론을 어떻게 결합하는지에 대한 매우 통찰적인 시각이었습니다. 저희가 꼭 후속 웨비나를 진행해야 되겠습니다. 당신에게 어떻게 연락할 수 있나요?
마케팅 효과에 대한 제 글을 보려면 LinkedIn에서 저를 팔로우하십시오. 최신 MMM 플랫폼을 자세히 살펴보려면 Recast를 보십시오.
Branch의 어트리뷰션 솔루션에 대한 자세한 내용은 팀에
데모를 요청하십시오