안녕하세요 구독자님, 텀타입니다.
월말 광고 리포트를 정리하다 보면 간혹 이상한 순간이 있습니다. 메타는 이번 달 5,000만 원, 구글은 3,000만 원, 틱톡은 1,000만 원을 벌었다고 하는데, 실제 회사 매출을 열어보면 7,000만 원뿐입니다. 채널별 성과를 다 더하면 9,000만 원인데 들어온 돈은 그보다 한참 적은 상황인 거예요.
사실 어느 채널도 거짓말을 한 건 아닙니다. 그저 각 플랫폼이 자기 기준으로 전환을 집계하기 때문에 일어난 일일 뿐이죠. 한 사람이 인스타그램 광고를 보고 며칠 뒤 구글 검색으로 들어와 구매했다면, 메타도 구글도 “이 전환은 내가 만들었다”고 기록할 수 있습니다. 같은 구매 한 건을 여러 채널이 동시에 자기 성과로 세는 거예요.
그래서 오늘은 이 질문을 중심으로 이야기해보려 합니다.
“대시보드 숫자가 아니라, 실제 매출을 움직인 광고는 어떻게 찾을 수 있을까?”
오늘 뉴스레터를 끝까지 읽으시면 채널별 ROAS를 그대로 더하면 왜 위험한지, 구글과 메타가 왜 다시 MMM에 뛰어들었는지, 그리고 우리 회사가 MMM을 시작하기 전에 무엇부터 점검해야 하는지 감을 잡으실 수 있을 거예요.
📊 대시보드 숫자를 다 더했더니 실제 매출보다 커졌다
광고 플랫폼 대시보드는 분명 유용합니다. 어떤 캠페인이 클릭을 만들었는지, 어떤 소재가 전환을 많이 가져왔는지, 오늘 성과가 어제보다 좋아졌는지를 빠르게 볼 수 있으니까요.
문제는 그 숫자가 언제나 “회사 전체 매출에 대한 정답”은 아니라는 데 있습니다.
플랫폼은 각자 자기 렌즈로 성과를 봅니다. 메타는 메타 안에서의 노출과 클릭, 전환 신호를 기준으로 보고, 구글은 구글의 기준으로 전환을 집계합니다. 그러다 보니 한 명의 고객이 여러 채널을 거쳐 구매했을 때, 여러 플랫폼이 같은 구매를 자기 성과로 가져갈 수 있습니다.
마치 축구에서 한 골을 두고 공격수도 “내가 어시스트했다”고 하고, 미드필더도 “내 패스가 결정적이었다”고 하고, 감독도 “전술의 승리였다”고 말하는 것과 비슷합니다. 다 어느 정도 맞는 말이지만, 그렇다고 골이 세 골이 되진 않죠.
광고 성과도 마찬가지입니다. 채널별 리포트는 각자의 관점에서 의미가 있지만, 그것을 단순 합산하면 실제 매출보다 부풀려진 그림이 나올 수 있습니다.
여기에 iOS 14.5 이후 앱 추적 투명성(ATT)과 서드파티 쿠키 규제까지 겹치면서, 픽셀과 쿠키로 구매 여정을 촘촘히 따라가기가 어려워졌습니다. 픽셀과 쿠키에 의존하던 방식만으로는 “이 광고가 정말 매출을 만들었는가”를 확신하기 점점 어려워진 거예요.
이런 상황에서 최근에 주목받고 있는 방식이 있습니다. 바로 MMM (Marketing Mix Modeling), 마케팅 믹스 모델링입니다.
🧭 MMM은 ‘고객 한 명’이 아니라 ‘전체 매출의 흐름’을 봅니다
MMM은 채널별 광고비와 전체 매출 데이터를 함께 놓고, 어떤 마케팅 활동이 실제 매출에 얼마나 기여했는지를 통계적으로 분석하는 방식입니다.
기존 픽셀 기반 측정이 “이 고객이 어떤 광고를 보고 구매했는가”를 따라가는 방식이었다면, MMM은 “이 기간에 메타 광고비가 늘었을 때 전체 매출은 어떻게 움직였나?” “검색 광고비를 줄였을 때 매출에는 어떤 변화가 있었나?” “프로모션이나 성수기 효과를 제외하고도 광고가 만든 순수한 증분 매출은 얼마인가?”를 봅니다.
개별 고객의 발자국을 하나씩 따라가는 것이 아니라, 전체 지도를 위에서 내려다보는 방식이죠. 어느 길목에서 사람이 몰렸는지, 어떤 도로를 넓혔을 때 전체 이동량이 늘었는지를 보는 느낌으로요.
덕분에 마지막 클릭이 아니라 채널별 순증 매출을 볼 수 있고, "여기부터는 더 써도 효율이 떨어진다"는 포화 지점을 찾을 수 있으며, 다음 예산을 어디에 배분할지 시뮬레이션할 수 있습니다. 개인을 식별하지 않아 ATT·쿠키 제한의 영향을 덜 받고, TV나 옥외광고처럼 픽셀이 닿지 않는 채널까지 같은 판 위에 올려 비교할 수 있다는 것도 강점이고요.
물론 MMM이 픽셀 어트리뷰션을 대체하는 건 아닙니다. 단기 운영·소재 최적화는 어트리뷰션이, 장기 예산 배분은 MMM이 강한 만큼, 요즘은 둘을 함께 쓰는 하이브리드가 현실적인 접근으로 꼽힙니다.
🚀 왜 하필 지금, 구글도 메타도 MMM에 뛰어들었을까요?
사실 MMM은 새로운 개념이 아닙니다. 다만 예전엔 전문 인력과 비싼 컨설팅 비용 탓에 대형 브랜드의 전유물이었죠. 그런데 쿠키·모바일 식별자 추적이 제한되며 기존 측정이 흔들리자, 글로벌 플랫폼들이 다시 MMM을 전면에 꺼내 들었습니다.
구글은 Meridian을, 메타는 Robyn을 오픈소스로 공개했는데요. 특히 메타는 자사 실제 마케팅 성과 분석에도 이 도구를 쓴다고 밝혔어요. 권하는 수준을 넘어 자기들이 쓰는 방식을 그대로 열어둔 셈입니다. 일부 대기업만 시도하던 MMM이 더 많은 기업의 선택지가 된 거죠.
물론 도구가 무료라고 해서 바로 성공할 수 있는 것은 아닙니다. Robyn은 R 기반, Meridian은 Python 기반으로 제공되기 때문에 통계 모델과 데이터를 다룰 수 있는 협업 역량은 여전히 필요합니다. 하지만 적어도 비용 때문에 시도조차 어려웠던 시기는 지나가고 있습니다.
⚠️ 무료 도구를 받고도 실패하는 이유
여기서 중요한 포인트가 있습니다.
MMM은 좋은 도구를 쓴다고 자동으로 좋은 결과가 나오는 방식이 아닙니다. 모델을 돌리는 것과, 현업에서 믿고 의사결정에 쓸 수 있는 결과를 얻는 것은 완전히 다른 문제입니다.
그리고 그 차이를 가르는 핵심은 데이터입니다.
MMM은 개별 사용자 데이터가 아니라 집계된 시계열 데이터를 사용합니다. 통계적으로 의미 있는 패턴을 찾으려면 보통 채널별 광고비와 매출 데이터가 최소 2~3년치 주간 단위로 축적되어 있어야 합니다.
광고비를 늘렸을 때 매출이 어떻게 반응했는지, 줄였을 때 어떤 변화가 있었는지, 성수기나 프로모션을 제외하고도 광고 효과가 남아 있는지를 보려면 충분한 시간의 데이터가 필요하기 때문입니다.
MMM을 시작하기 전에는 최소한 세 가지를 점검해야 합니다.
1️⃣ 매출 데이터가 정확한가
기준이 되는 매출 데이터에 누락이나 중복이 있으면 모델의 결과도 흔들립니다. 광고가 매출을 얼마나 움직였는지를 보려면, 먼저 매출 숫자 자체가 믿을 수 있어야 합니다.
2️⃣ 채널별 광고비 기준이 통일되어 있는가
구글, 메타, 틱톡, 오프라인 광고비가 서로 다른 기간 기준이나 집계 기준으로 정리되어 있다면 공정한 비교가 어렵습니다. 어느 채널에 언제 얼마를 썼는지 같은 기준으로 맞춰야 합니다.
3️⃣ 외부 변수가 따로 기록되어 있는가
시즌성, 프로모션, 가격 변동, 검색량 변화처럼 매출에 영향을 주는 광고 외 요인을 구분해두어야 합니다. 이 정보가 빠져 있으면 모델은 성수기 효과나 할인 효과까지 광고 성과로 오인할 수 있습니다.
결국 MMM의 기본 원칙은 단순합니다. 좋은 데이터를 넣어야 좋은 결과가 나옵니다.
집행 비용 기준이 뒤섞여 있고, 매출 데이터에 빈틈이 있고, 프로모션 시점이 빠져 있다면 아무리 좋은 오픈소스 모델을 써도 결과는 흔들릴 수밖에 없습니다. 반대로 데이터가 일관되게 정리되어 있을수록 모델은 더 신뢰할 만한 인사이트를 내놓습니다.
🧬 그래서, 준비된 데이터로 무엇을 하나요
데이터가 갖춰졌다면, 그다음은 실제로 모델을 굴려보는 단계입니다. 앞서 말한 Meridian이나 Robyn을 곧장 우리 회사 데이터로 돌릴 필요는 없어요. Meridian의 경우 샘플 데이터와 웹에서 코드를 바로 실행해 보는 튜토리얼을 제공하는데, 실제 데이터를 넣기 전에 이 예제로 전체 흐름을 한 번 굴려보면 MMM이 어떤 데이터를 받아 어떤 결과물을 내놓는지 감을 잡기 좋습니다.
실무는 대체로 세 단계로 흘러갑니다.
STEP 1. 데이터 준비(Pre-modeling) — 가장 중요한 단계입니다. 매출 KPI, 채널별 집행 비용, 검색량·시즌성 같은 외부 변수를 주간 단위로 정리해, 모델이 학습할 '연표'를 만듭니다.
STEP 2. 데이터 학습(Modeling) — 정리한 데이터를 모델에 넣습니다. 이때 모델은 광고를 본 뒤 며칠 지나 구매하는 '지연 효과'나 채널 간 상호작용까지 계산해, 각 변수가 매출에 미친 인과관계를 추론합니다.
STEP 3. 결과 분석(Post-modeling) — 도구가 내놓는 기여도 분석과 최적화 시뮬레이션을 확인합니다. 단순히 숫자만 던지는 게 아니라, 예산을 어떻게 조정하면 목표를 더 효율적으로 달성할 수 있을지 구체적인 가이드까지 제시해줍니다.
정리하면 앞서 점검한 '데이터 기초 체력'을 연표로 다듬어(STEP 1) 모델에 학습시키면(STEP 2), 도구가 예산 배분의 방향을 제안(STEP 3)하는 흐름입니다. 결국 데이터만 단단하면, 그다음 과정은 무료 도구가 상당 부분 받아주는 셈이죠.
🔭 오늘의 ROAS에서, 예산의 큰 그림으로
다시 처음의 상황으로 돌아가볼게요.
메타는 5,000만 원, 구글은 3,000만 원, 틱톡은 1,000만 원의 매출을 만들었다고 보고했지만 실제 매출은 7,000만 원이었습니다. 이 간극은 단순한 리포트 오류가 아니라, 성과를 바라보는 기준의 문제일 수 있습니다.
각 채널이 보여주는 숫자만 보면 모두가 잘하고 있는 것처럼 보입니다. 하지만 회사 입장에서 중요한 질문은 조금 다릅니다.
“그래서 전체 매출은 실제로 얼마나 늘었나?” “광고비를 더 쓴 만큼 순증 매출이 생겼나?” “다음 달 예산은 어느 채널에 옮겨야 더 효율적인가?”
MMM은 바로 이 질문에 답하기 위한 방식입니다.
대시보드의 화려한 숫자와 실제 매출 장부 사이가 어딘가 어긋난다고 느껴진다면, 지금이 성과를 재는 기준을 다시 잡을 신호일지도 모릅니다. 구글과 메타가 도구를 무료로 열어준 지금, 남은 건 결국 그 도구에 넣을 우리 데이터가 얼마나 단단한가 하는 문제니까요.
👉🏻 대시보드 성과와 실제 매출 사이의 간극이 고민이라면, 우리 회사의 마케팅 데이터가 MMM을 시작할 수 있는 상태인지부터 점검해보세요: [2026년 광고 성과 측정의 새 기준: 구글도 메타도 뛰어든 MMM으로 진짜 매출 찾는 법]
의견을 남겨주세요