2026년 광고 성과 측정의 새 기준: 구글도 메타도 뛰어든 MMM으로 진짜 매출 찾는 법

대시보드 ROAS를 다 더했더니 실제 매출보다 커졌다?

월말에 채널별 광고 성과를 정리하다 보면 이상한 장면을 마주칠 때가 있습니다. 메타 대시보드는 이번 달 광고로 매출 5,000만 원을 만들었다고 하고, 구글은 3,000만 원, 틱톡은 1,000만 원을 가져왔다고 합니다. 그런데 막상 회사 실제 매출을 열어보면 7,000만 원뿐입니다. 각 채널이 보고한 숫자를 다 더하면 9,000만 원인데, 실제로 들어온 돈은 그보다 훨씬 적은 것이죠.

왜 이런 일이 생기는 걸까요? 이유는 생각보다 단순해요. 플랫폼마다 각자 자기 기준으로 전환을 집계하거든요. 예를 들어 어떤 사람이 인스타그램에서 광고를 보고, 며칠 뒤 구글에 검색해서 들어와 샀다고 해볼게요. 이 경우 메타도 "이건 내 덕분. 내가 전환에 기여했다"고 보고하고 구글도 "이 전환은 내가 만든 것"이라고 보고합니다. 똑같은 구매 한 건을 두 플랫폼이 동시에 자기 실적으로 세는 거죠. 그래서 채널별 숫자를 있는 그대로 더하면 실제보다 부풀려진 합계가 나오기 쉬워요.

게다가 최근 몇 년간 디지털 마케팅 환경은 더욱 까다로워졌어요. 애플이 iOS 14.5에서 앱 추적 투명성(ATT)을 도입하고 서드파티 쿠키 규제가 강화되면서, 사용자가 추적을 거부하면 광고가 그 사용자의 구매 여정을 정확히 추적하기 어려워진 것입니다. 그동안 광고 성과를 측정하는 기본 도구였던 픽셀과 쿠키가 예전만큼 힘을 쓰지 못하게 된 셈이죠.

결국 대시보드 위의 ROAS는 그럴듯해 보여도 그 숫자가 실제 매출과 얼마나 맞아떨어지는지는 점점 확신하기 어려워졌습니다. 그렇다면 이처럼 흔들리는 측정 환경에서 실무자는 어떤 기준을 붙잡아야 할까요?

오늘 글에서는 개인정보 규제와 추적 제한의 대안으로 다시금 전면에 떠오른 마케팅 개념부터, 구글과 메타가 이 기술에 직접 뛰어든 이유, 그리고 이를 실무에 성공적으로 안착시키기 위한 핵심 조건을 하나씩 짚어보겠습니다.

MMM이란 무엇인가: 개인 식별 없이 마케팅 기여도를 측정하는 법

앞서 살펴본 예시 상황처럼 대시보드 속 숫자를 무조건 믿을 수 없다면, 우리는 전체 마케팅 성과를 어떻게 파악해야 할까요? 이 지점에서 최근 다시 주목받는 것이 바로 마케팅 믹스 모델링(MMM)입니다.

MMM은 단순히 광고 성과를 추측하는 용어가 아니라, 채널별 마케팅 집행 비용과 전체 매출 데이터를 통계적으로 결합해 매출의 인과관계를 찾아내는 ‘데이터 분석 모델’입니다. 쉽게 말해, 엑셀이나 데이터 툴에 광고비와 매출 수치를 넣고 수학적인 공식을 돌려서 ‘어떤 광고가 진짜 매출을 만들었는지’를 정교하게 계산해내는 과정이죠. 이 분석 모델을 정교하게 운영하기 위해서는 마케팅 데이터에 대한 이해와 함께 데이터 통계 도구를 활용하는 기술적인 협업이 필수적입니다.

이 모델이 마케팅 실무에서 나침반 역할을 할 수 있는 이유는, 과거의 성과를 나열하는 데 그치지 않고 비즈니스의 미래 의사결정을 돕는 다음 세 가지 핵심 기능을 수행하기 때문입니다.

1. 채널별 ROI와 기여도 분석: 개별 광고가 마지막 클릭을 유도했는지를 넘어, 특정 채널에 쓴 비용이 실제 전체 매출에 얼마만큼의 순증 효과를 가져왔는지 수치화합니다.
   
   

2. 반응 곡선 도출: 광고비를 100만 원 더 썼을 때 매출이 얼마나 오르는지, 그리고 어느 시점에 광고비를 더 투입해도 매출이 늘지 않는 '포화 지점'이 어디인지 알려줍니다. 이를 통해 예산 효율의 한계를 파악할 수 있습니다.
   
   

3. 최적의 예산 시뮬레이션: 위 분석을 바탕으로 "다음 달 예산을 10% 증액한다면, 어떤 채널에 우선적으로 배분해야 전체 매출을 극대화할 수 있을까?"에 대한 답을 데이터 시뮬레이션을 통해 제시합니다.

그렇다면 이 모델은 기존의 측정 방식과 어떻게 다를까요? 핵심은 '측정 방식의 차이'에 있습니다. MMM은 사용자 한 명 한 명을 쫓아다니며 "이 사람이 어떤 광고를 보고 샀는지"를 추적하는 방식이 아닙니다. 대신 특정 기간 동안 각 채널에 집행한 비용과 그 기간의 매출 변동을 통계적으로 분석하여 어느 채널이 매출에 얼마나 기여했는지를 파악합니다. 쉽게 말하면 개별 구매자의 발자국을 따라가는 게 아니라, 전체 그림을 위에서 내려다보며 채널별 몫을 정교하게 추정하는 것이죠.

이해를 돕기 위해 예시를 들어볼게요. 만약 특정 주에 검색 광고비를 늘렸을 때 매출이 동반 상승하고, 오프라인 광고를 줄였을 때 매출이 빠지는 패턴이 반복된다면 MMM은 이를 포착해 각 채널의 기여도를 계산합니다. 이때 모델은 계절적 흐름, 프로모션, 경기 변화 같은 광고 외적인 변수까지 함께 넣어 보정합니다. 성수기 효과로 자연스럽게 오른 매출을 광고 성과로 오인하지 않도록 말이죠.

픽셀 어트리뷰션 vs 마케팅 믹스 모델링(MMM)

그렇다면 MMM은 우리가 익숙한 기존의 픽셀 기반 측정 방식과는 무엇이 다를까요? 가장 큰 차이는 데이터를 바라보는 '분석의 방향'에 있습니다. 기존의 방식이 데이터를 아래에서 위로 쌓아 올리는 상향식(Bottom-Up)이라면, MMM은 위에서 전체를 내려다보는 하향식(Top-Down) 방식을 취합니다.

• 픽셀 어트리뷰션 (Bottom-Up): 아래에서 위로, 개별 사용자의 행동 데이터를 하나씩 쌓아 올려 전환을 집계합니다. 따라서 추적 프라이버시가 강화될수록 데이터에 빈틈이 생길 수밖에 없어요.
  
  

• 마케팅 믹스 모델링 (Top-Down): 위에서 아래로, 이미 집계된 전체 데이터(주간/월간 비용 및 매출)를 기반으로 기여도를 추정합니다. 개인을 식별하지 않기 때문에 ATT(앱 추적 투명성)나 쿠키 제한 같은 환경 변화의 영향을 거의 받지 않는다는 강력한 장점이 있습니다.

이 둘은 측정할 수 있는 범위도 다릅니다. 픽셀은 기본적으로 온라인에서 추적이 가능한 채널을 중심으로 작동하지만, MMM은 집행비와 매출 데이터에 시즌성·프로모션·가격 같은 외부 변수까지 함께 넣으면 TV나 옥외광고(OOH)처럼 픽셀이 닿지 않는 오프라인 채널까지 동일 선상 위에 올려 비교할 수 있어요. 메타에 쓴 1원과 TV 광고에 쓴 1원의 가치를 같은 기준에서 견줘볼 수 있다는 의미입니다.

물론 MMM이 기존의 픽셀 어트리뷰션을 완벽히 대체하는 건 아닙니다. 두 방법론은 상호 보완적인 관계에 가깝습니다. MMM은 채널 단위에서 장기적인 예산 배분 같은 큰 그림의 전략적 의사결정에 유리하고, 어트리뷰션은 어떤 광고·어떤 소재가 오늘 당장 성과를 내고 있는지 같은 일상적인 최적화에 강합니다. 그렇기 때문에 최근 마케팅 실무에서는 두 방법론을 대립시키기보다, 각자의 강점에 맞춰 역할을 나누어 함께 활용하는 하이브리드 방식을 선택하고 있습니다.

왜 다시 MMM인가: 구글도 메타도 직접 뛰어든 이유

사실 MMM은 최근에 갑자기 등장한 새로운 방법론이 아니에요. 통계 모델을 통해 매출 기여도를 정교하게 쪼개는 이 방식은 예전부터 꾸준히 활용되어 왔어요. 다만 과거에는 전문 분석 인력과 수억 원에 달하는 비싼 컨설팅 비용이 필요해, 자본이 넉넉한 대형 브랜드가 아니면 엄두를 내기 어려운 영역이었죠.

그러나 최근 몇 년 사이, 서드파티 쿠키의 종말과 모바일 식별자(IDFA) 추적 제한으로 기존의 유저 트래킹 기반 측정 방식이 한계에 부딪혔습니다. 이처럼 디지털 마케팅의 성과 측정 환경이 근본적으로 흔들리기 시작하면서, 한동안 실무에서 뒤로 밀려나 있던 MMM이 다시 강력한 전면 대안으로 부상한 것입니다.

이 변화를 가장 상징적으로 보여주는 흐름이 바로 구글과 메타의 움직임입니다. 글로벌 디지털 광고 시장을 리드하는 두 빅테크 기업이 모두 MMM 도구를 직접 개발해 무료 오픈소스로 공개했거든요.

먼저 구글은 Meridian이라는 MMM 도구를 선보였습니다. 2024년 3월 처음 개발 계획을 발표한 후, 2025년 1월에는 모든 데이터 과학자와 마케터가 쓸 수 있도록 전체 공개했습니다. 구글은 개인정보 보호 패러다임의 변화로 개별 유저 추적이 극도로 어려워지고 쿠키 기반 데이터가 고갈되는 상황에서, 실무자들이 길을 잃지 않도록 더 거시적이고 통합적인 성과 측정 틀로서 Meridian을 해법으로 제시했다고 밝혔습니다.

👉🏻 구글 Meridian 사용법에 대해 더 자세히 알고 싶다면?

메타 역시 마찬가지입니다. 메타는 오픈소스 MMM 도구인 Robyn을 만들어 배포했으며, 심지어 자사 내부의 실제 마케팅 성과를 분석할 때도 동일한 도구를 사용한다고 강조했습니다. 권고 수준을 넘어 자신들이 직접 현업에서 쓰는 도구를 외부에 그대로 열어준 셈입니다.

빅테크 기업들이 발 벗고 나선 덕분에, 과거 일부 대기업만 누리던 MMM의 진입 장벽은 드라마틱하게 낮아졌습니다. 업계에서는 수십만 달러에 달하던 모델 진입 비용이 이제는 데이터 엔지니어 인건비 정도로 내려갔다는 평가가 나올 정도죠. 물론 무료 도구라고 해서 누구나 바로 쓸 수 있는 건 아니고, 통계 모델을 다룰 수 있는 데이터 역량은 여전히 필요해요. 다만 적어도 "비용 때문에 시도조차 못 하던" 시대는 끝난 것이 분명합니다.

💡 무료라는 건 알겠는데, 그래서 어디서 어떻게 시작해야 할까?

Google Meridian과 Meta Robyn은 각각 공식 저장소를 통해 공개되어 있어, 이름으로 검색하면 공식 문서와 예제 코드를 쉽게 찾을 수 있습니다. Robyn은 R 기반, Meridian은 Python 기반으로 제공되며, 무료로 내려받아 사용할 수 있습니다.

특히 구글 Meridian은 사용자가 가볍게 테스트해 볼 수 있도록 샘플 데이터를 제공하며, 웹에서 코드를 바로 실행해 보는 튜토리얼도 지원합니다. 우리 회사의 실제 데이터를 넣기 전에 이 예제로 전체 흐름을 먼저 굴려보면, MMM이 어떤 데이터를 받아 어떤 결과물을 내놓는지 직관적으로 감을 잡는 데 큰 도움이 됩니다.

실제 실무는 다음 3단계 흐름으로 진행됩니다:

• STEP 1. Pre-modeling (데이터 준비): 가장 중요한 단계입니다. 매출 KPI 데이터, 채널별 집행 비용, 그리고 검색량이나 시즌성 같은 외부 변수를 주간 단위로 정리하여 모델이 학습할 수 있는 '연표'를 만듭니다.
  
  

• STEP 2. Modeling (데이터 학습): 정리된 데이터를 모델에 넣습니다. 이때 모델은 광고의 '지연 효과(광고를 본 즉시가 아닌 며칠 뒤에 구매하는 현상)'나 '채널 간 상호작용'까지 계산하여 각 변수가 매출에 미친 인과관계를 추론합니다.
  
  

• STEP 3. Post-modeling (결과 분석 및 최적화 보고서 확인): 도구가 제시하는 기여도 분석 결과와 최적화 시뮬레이션을 확인합니다. 도구는 단순히 숫자만 던져주는 것이 아니라, 예산 배분을 어떻게 조정하면 비즈니스 목표를 더 효율적으로 달성할 수 있을지 구체적인 가이드를 제공합니다.

물론 통계 모델을 직접 제어해야 하는 특성상 파이썬이나 R을 다룰 줄 아는 데이터 인력의 협업이 필요하지만, 첫 단추를 끼우는 문턱은 확실히 낮아졌습니다.

이처럼 빅테크 기업들이 도구를 개방하고 접근성을 낮추자, 시장에서도 MMM을 바라보는 시선이 빠르게 달라지고 있습니다. 수치로도 이러한 관심이 잘 나타나는데요. eMarketer와 TransUnion이 진행한 조사에 따르면, 미국 브랜드 및 에이전시 마케터의 46.9%가 향후 1년 내에 MMM에 투자할 계획이 있다고 답했습니다. 또한 가장 신뢰할 만한 측정 방법론을 묻는 질문에서 MMM(27.6%)이 1위를 차지하며, 한때 대세였던 멀티터치 어트리뷰션(MTA)이나 기타 통합 측정 솔루션을 제쳤습니다.

결국 플랫폼들이 앞다투어 이 고전적인 방법론을 다시 밀고 있는 이유도 같은 맥락에서 이해할 수 있습니다. 개인정보 규제와 추적 제한이 강화되고 플랫폼별 전환 집계 기준이 제각각인 지금, 식별자가 필요 없는 집계 데이터 기반의 MMM 모델이 마케팅의 진짜 효율을 증명할 수 있는 가장 현실적인 대안으로 주목받고 있는 것입니다.

무료 도구를 받고도 실패하는 이유: MMM은 데이터에서 갈린다

다만 무료 도구의 등장으로 진입 장벽이 낮아졌다고 해서 MMM이 누구에게나 똑같은 결과를 내주는 것은 아닙니다. 단순히 모델을 돌리는 것과, 현업에서 믿고 쓸 만한 결과를 얻는 것은 완전히 다른 이야기이기 때문입니다. 그리고 그 차이를 가르는 핵심 요인은 모델의 정교함보다 데이터의 품질에 있습니다.

MMM은 개별 사용자 데이터 대신 집계된 시계열 데이터를 사용합니다. 통계적으로 의미 있는 패턴을 잡아내려면 보통 채널별 집행비와 매출이 최소 2~3년치 주간 단위로 축적되어 있어야 합니다. 광고비를 늘리고 줄인 변화가 충분히 쌓여 있어야, 그 변화에 매출이 어떻게 반응했는지를 모델이 정밀하게 읽어낼 수 있기 때문이죠.

따라서 MMM을 본격적으로 도입하기 전에, 지금 우리 회사의 데이터가 모델링을 할 수 있는 상태인지 다음 세 가지 기준으로 먼저 점검해봐야 합니다.

성공적인 MMM 도입을 위한 3가지 데이터 준비 조건

(1) 매출 데이터의 무결성 확보하기: 모델이 "광고가 매출을 얼마나 움직였는지"를 분석하려면 기준점이 되는 매출 숫자부터 정확해야 합니다. 현재 매출 데이터가 누락이나 중복 없이 기간별로 깔끔하게 정돈되어 있는지 확인해보면 좋아요.

(2) 채널별 집행 비용 기준 통일하기: 어느 채널에 언제 얼마를 썼는지가 동일한 기준으로 정리되어 있어야 채널 간 기여도를 공정하게 비교할 수 있습니다. 채널마다 집계 기준이나 기간이 제각각이라면 이를 하나의 기준으로 동기화하는 작업이 선행되어야 해요.

(3) 외부 변수는 따로 표시해두기: 시즌 효과나 프로모션, 가격 변동처럼 매출에 영향을 주는 광고 외 요인을 구분해 두지 않으면, 모델은 그 효과까지 광고 성과로 오인하게 됩니다. 지난 1~2년간 진행한 프로모션 시점과 성수기 데이터 등을 미리 꼼꼼히 기록해두어야 모델이 광고 효과만 순수하게 골라낼 수 있어요. 특히 검색량 데이터처럼 비즈니스 흐름을 결정짓는 외부 변수를 적극적으로 모델에 포함할수록 분석의 정확도는 비약적으로 상승합니다. 도구가 제공하는 가이드라인을 참고하여 우리 비즈니스만의 특수 변수를 통제하는 것이 실무자의 핵심 역량입니다.

여기서 MMM의 가장 중요한 원칙이 드러납니다. 결과물의 수준은 입력된 데이터의 품질을 넘어설 수 없다(Garbage In, Garbage Out)는 점입니다. 집행 비용의 기준이 뒤섞여 있거나, 매출 데이터에 빈틈이 있고, 프로모션 기간이 누락되어 있다면 아무리 훌륭한 오픈소스 모델을 가져와도 결과는 흔들릴 수밖에 없습니다. 반대로 데이터가 일관되게 정제되어 있을수록 모델은 더 신뢰할 만한 인사이트를 내놓습니다.

문제는 현실의 마케팅 데이터가 대체로 그렇게 정돈되어 있지 않다는 데 있어요. 채널별 데이터는 서로 다른 플랫폼에 흩어져 있고, 매출 데이터는 또 다른 사내 시스템에 갇혀 있는 경우가 허다합니다. 이 데이터들이 같은 기준 아래 연결되어 있지 않으면, 본격적인 모델링을 시작하기도 전에 데이터를 전처리하는 과정에서부터 거대한 리소스가 소모되곤 합니다.

결국 MMM 도입을 고민할 때 실무자가 가장 먼저 들여다봐야 할 것은 기술이나 모델이 아니라 '우리 회사의 데이터'입니다. 이벤트를 기록하는 방식, 비용과 매출을 정합성 있게 정렬하는 구조, 외부 변수를 통제할 수 있는 시스템이 갖춰져 있는지에 따라 MMM의 성패가 결정됩니다.

단기 ROAS 경쟁에서 벗어나 마케팅의 큰 그림을 보는 법

글 초반에 살펴본 ‘대시보드 숫자를 다 더했을 때 실제 매출보다 커지던 이상한 현상’은, 결국 성과를 측정하는 '기준'의 문제였습니다. 각 채널이 따로따로 보여주는 숫자에 갇히는 대신, 전체 광고비와 매출의 관계를 큰 판 위에서 한눈에 모아 보는 것. 이것이 바로 MMM이 제안하는 새로운 시각입니다.

이 변화는 단순히 쓰는 도구 하나를 바꾸는 것보다 훨씬 큰 의미가 있습니다. 매일 아침 "이 광고가 오늘 매출을 몇 건 올렸지?" 하며 짧게 보던 눈에서 벗어나, "우리 마케팅 예산이 전체적으로 올바른 방향으로 쓰이고 있나?"를 길게 바라보게 만들기 때문입니다. 오늘 당장의 ROAS 경쟁에 매달리기보다, 전체적인 예산 균형을 잡는 본질적인 고민을 시작하게 되는 셈이죠.

물론 MMM이 모든 문제를 해결해 주는 만능 도구는 아닙니다. 앞서 이야기했듯, 모델의 정확도는 우리가 넣어주는 데이터의 수준에 따라 결정됩니다. 구글과 메타가 도구를 무료로 열어주어 비용 부담은 없어졌지만, 믿을 만한 결과까지 그냥 얻을 수는 없어요. 채널별 비용과 매출 데이터가 빈틈없이 잘 정리되어 있는지, 프로모션 같은 외부 요인이 잘 기록되어 있는지 등의 '데이터 기초 체력'이 먼저 받쳐주어야 합니다. 결국 새로운 측정 방법을 고민하는 과정은 우리 회사의 데이터가 지금 어떤 상태인지 처음부터 다시 점검해보는 계기가 됩니다.

대시보드의 화려한 숫자와 실제 매출 장부 사이가 어딘가 어긋난다고 느껴진다면, 지금이 바로 성과를 재는 기준을 다시 잡아야 할 신호입니다. 텀타는 브랜드가 이러한 복잡한 환경 속에서도 헷갈리지 않도록, 가장 명확하고 단단한 데이터 기준을 만들어가는 과정을 함께하고 있습니다.