주요 시사점
단일 측정 방법으로는 현대 마케팅 리더가 직면한 모든 질문에 답할 수 없습니다. 여러 도구를 결합한 계층형 스택이 필요합니다.
마케팅 기여의 과제는 구조적입니다. 즉, 터치포인트에 공로를 부여하지만 인과성을 입증할 수는 없습니다. 전략적 결정이 아닌 전술적 최적화에 가장 적합합니다.
마케팅 믹스 모델링은 한계 수익과 채널 포화도를 식별하여 장기적인 예산 할당을 안내하는 데 도움이 됩니다.
증분성 테스트는 마케팅 활동이 이미 존재하는 수요를 포착한 것이 아니라 실제로 결과를 창출했는지 여부를 판단하는 가장 신뢰할 수 있는 방법입니다.
측정 팀을 개척자, 정착자, 기획자로 구성하면 각 작업 유형에 맞는 표준과 의사 결정 속도가 보장됩니다.
대부분의 마케팅 리더는 마케팅 기여의 과제를 잘 알고 있습니다. 대시보드에는 데이터가 가득하지만 어떤 투자가 실제로 성장을 주도하는지에 대한 숫자는 확실하게 대답하지 못합니다. 본능은 더 나은 도구, 더 스마트한 모델 또는 더 정확한 기여 시스템을 찾는 것입니다. 그러나 올바른 측정을 수행하는 조직은 그러한 본능을 넘어섰습니다.
그들은 단일한 진실의 근원을 찾는 것을 중단했습니다. 마케팅 기여에 대한 과제는 더 광범위한 문제의 일부입니다. 현대 마케팅 환경은 한 가지 방법으로 모든 것을 다루기에는 너무 복잡합니다. 발견은 너무 많은 플랫폼에서 이루어지고, 구매자 여정은 너무 단편적이며, 개인 정보 보호 변경으로 인해 단일 도구가 완전한 그림을 제공하기에는 너무 많은 신호가 약화되었습니다.
대신에 작동하는 것은 계층화된 접근 방식입니다. 다양한 측정 방법은 다양한 질문에 답하며 고성장 조직은 이를 의도적으로 결합합니다. 마케팅 믹스 모델링은 전략적 예산 할당을 안내합니다. 증분성 테스트는 특정 활동으로 인해 결과가 발생했는지 여부를 검증합니다. 플랫폼 데이터는 일상적인 캠페인 최적화를 처리합니다. 각각은 정의된 역할을 수행합니다. 그 중 어느 것도 독립형 전략으로 작동하지 않습니다.
이 글은 현대 마케팅 측정에 관한 3부작 시리즈 중 두 번째 글입니다. 첫 번째 부분에서는 트래픽, 순위, ROAS와 같은 기존 측정항목의 신뢰성이 떨어지는 이유를 조사했습니다. 이 부분에서는 실제로 성장 결정을 지원하는 측정 시스템을 구축하는 방법을 다룹니다.
더 이상 단일 측정 방법이 작동하지 않는 이유
대부분의 팀이 사용하는 디지털 마케팅 기여 도구는 다양한 환경을 위해 구축되었습니다. 사용자 여정이 상대적으로 선형적이고, 쿠키가 세션 전체에서 안정적으로 추적되고, 대부분의 검색이 기록하기 쉬운 채널을 통해 발생했을 때 잘 작동했습니다. 그런 환경이 없어졌어요.
오늘날 구매자는 AI가 생성한 답변을 통해 브랜드를 접하고 YouTube에서 조사한 후 비공개 메시지 스레드에서 토론하고 3주 후에 브랜드 검색을 통해 전환할 수 있습니다. 기여 시스템은 마지막 터치포인트를 인정합니다. 실제로 결정을 내린 채널은 거의 또는 전혀 얻지 못합니다.
이것이 핵심 구조적 문제이다. 마케팅 기여 모델은 원인을 확립하는 것이 아니라 공로를 부여하도록 설계되었습니다. 정교한 멀티 터치 기여 마케팅 접근 방식도 여전히 동일한 기본 제약 조건 내에서 작동합니다. 전환 이전에 어떤 터치 포인트가 있었는지 보여줄 수 있지만, 그 중 하나를 제거해도 결과가 바뀌었다는 것을 증명할 수는 없습니다.
고성장 조직이 인식한 것은 다양한 측정 도구가 다양한 질문에 답한다는 것입니다. 기여 모델링 답변: 전환 전에 어떤 터치포인트가 있었나요? 마케팅 믹스 모델링 답변: 시간이 지남에 따라 채널 전반에 걸쳐 한계 수익이 가장 강한 곳은 어디입니까? 증분성 테스트 답변: 이 특정 활동이 실제로 결과를 변경했습니까?
각 질문이 중요합니다. 각각 다른 접근 방식이 필요합니다. NP Digital 연구에 따르면 고성장 마케팅 담당자의 90%는 증분성 테스트를 우선시하고, 61%는 속성 모델링을, 42%는 마케팅 믹스 모델링을 사용합니다. 가장 효과적인 팀은 현재 결정에 따라 가중치를 적용하여 세 가지를 모두 사용합니다.
전략적 지침으로서의 마케팅 믹스 모델링
마케팅 믹스 모델링(MMM)은 기여와는 다른 측정 접근 방식을 취합니다. 개별 사용자 여정을 추적하는 대신 집계된 기록 데이터를 사용하여 시간 경과에 따른 채널 전반의 마케팅 지출과 비즈니스 결과 간의 관계를 모델링합니다. 결과는 기여 시스템이 제공할 수 없는 한계 수익에 대한 관점입니다.
MMM은 추가 비용이 발생하는 위치를 파악하는 데 가장 유용합니다.채널은 수익이 감소합니다. 강력한 혼합 ROAS로 운영되는 채널은 대시보드에서 효율적으로 보일 수 있지만 예산의 마지막 30%는 미미한 증분 수익을 창출하고 있습니다. MMM은 이러한 비효율성을 드러냅니다. 또한 업스트림의 비디오 또는 브랜드 투자가 유료 검색 다운스트림의 전환율에 어떤 영향을 미치는지와 같은 교차 채널 효과를 식별하는 데도 도움이 됩니다.
전략적 예산 할당을 위해 MMM을 가장 신뢰할 수 있는 도구로 만듭니다. 이는 사용자 수준 추적이 필요하지 않습니다. 즉, 개인 정보 보호 변경 및 쿠키 지원 중단으로 인해 어트리뷰션과 마찬가지로 정확성이 저하되지 않습니다. 분기별 MMM 실행은 일상적인 기여 신호에 잡음이 있는 경우에도 장기 예산 결정을 지속적으로 개선할 수 있습니다.
MMM에는 실제 한계가 있습니다. 브랜드 노출과 다운스트림 전환 사이의 지연이 너무 길고 너무 간접적이어서 과거 상관관계를 깨끗하게 포착할 수 없기 때문에 상위 퍼널 브랜드 구축을 정확하게 정량화하는 데 어려움을 겪습니다. 전략적 지침을 위해 MMM을 사용하는 동시에 브랜드 추적 및 인식 연구를 통해 MMM을 보완하는 조직은 가장 완벽한 그림을 얻습니다.
인과 엔진으로서의 증분성 테스트
MMM이 전략적 방향을 제공한다면 증분성 테스트는 인과관계 증명을 제공합니다. 그것이 대답하는 질문은 구체적입니다. 이 마케팅 활동이 발생하지 않았다면 이러한 결과가 발생했을까요? 이는 기여 모델이 묻는 질문과는 근본적으로 다른 질문이며, 그 대답은 어디에 투자할지 결정하는 데 훨씬 더 유용합니다.
가장 일반적인 증분 방식에는 지역 실험, 홀드아웃 테스트, 캠페인 일시중지가 포함됩니다. 지역 실험에서는 일치하는 지리적 시장이 식별되고 한 그룹에서는 지출이 보류되고 다른 그룹에서는 유지됩니다. 두 그룹 간의 결과 차이는 마케팅 활동의 인과적 상승도를 분리합니다. 홀드아웃 테스트는 대상 수준에서 동일한 논리를 적용합니다. 캠페인 일시중지는 비록 더 조잡하지만 지출이 중단되면 결과가 떨어지는지 여부도 나타낼 수 있습니다.
Amazon 기여 분석 또는 기타 마켓플레이스 기반 측정을 실행하는 팀의 경우 플랫폼 보고 전환은 생성된 캠페인에 대한 수요가 아닌 이미 존재하는 수요를 반영하는 경우가 많기 때문에 증분성 테스트는 특히 중요합니다.
채널 전반에 걸쳐 증분 전환과 기여 전환을 추적하는 NP Digital 연구에서는 거의 모든 경우에서 의미 있는 격차를 발견했습니다. 유기적 소셜은 3% 기여 상승에 비해 13% 증분 상승을 보여주었습니다. 유료 소셜은 기여 기여도 24%에 비해 17% 증가한 증가세를 보여, 기여가 해당 채널에 과도한 기여를 하고 있음을 시사합니다. 이러한 격차는 예산이 어디에 배정되어야 하는지 직접적인 영향을 미치며 증분성 테스트 없이는 보이지 않습니다.
증분성 테스트에는 계획과 데이터 정리가 필요하지만 큰 예산이 필요하지 않습니다. 주요 채널에서 잘 설계된 단일 지역 홀드아웃이라도 수개월 간의 기여 보고보다 인과 영향에 대한 더 신뢰할 수 있는 통찰력을 제공합니다.
플랫폼 데이터는 여전히 중요하지만 최적화를 위해서만 중요합니다.
Google, Meta 및 기타 광고 플랫폼의 플랫폼 대시보드는 여전히 유용하지만 역할은 대부분의 팀에서 처리하는 것보다 좁습니다. 플랫폼 보고에 내장된 기여 사각지대는 우연이 아니라 구조적입니다. 플랫폼은 자체 생태계 내에서 캠페인 성과를 최적화하도록 설계되었습니다. 이러한 성과가 귀하의 비즈니스를 변화시켰는지 여부를 알려주기 위해 고안된 것은 아닙니다.
일상적인 의사결정을 위해서는 플랫폼 데이터가 적합한 도구입니다. 예산에 맞춰 지출을 조정하고, 성과 신호에 따라 입찰가를 조정하고, 광고 피로도를 식별하고, 게재 문제를 진단하는 것은 모두 플랫폼 지표에 의존합니다. 이는 운영 결정이며 플랫폼 데이터가 이를 잘 처리합니다.
플랫폼 데이터를 신뢰할 수 없게 되는 부분은 전략적 결정에 있습니다. 알고리즘은 전환 가능성이 가장 높은 사용자를 대상으로 최적화합니다. 즉, 수요 창출보다 수요 포착을 체계적으로 선호합니다. 플랫폼 대시보드의 높은 ROAS 수치는 효과적인 마케팅이 아니라 효율적인 알고리즘을 반영할 수 있습니다.
NP Digital 조사에 따르면 낮은 기여로 인해 중소기업은 광고 지출의 평균 19.4%, 중견기업은 11.5%, 대기업 브랜드는 7.7%의 비용을 지출합니다. 이러한 낭비된 지출은 플랫폼이 이를 표면화할 인센티브가 없기 때문에 플랫폼 보고에서는 거의 보이지 않습니다.
실용적인 지침은 플랫폼 지표를 전략적 진실이 아닌 전술적 조정에 사용하는 것입니다.
개척자-정착자-계획자 측정모델
계층화된 측정 시스템을 구축하는 것은 단순한 기술적 과제가 아닙니다. 조직적인 것입니다. 모든 효과적인 측정 조직에 필요한 세 가지 역할은 개척자, 정착자, 기획자입니다.
개척자들은 현재 측정 가능한 것의 가장자리에서 일합니다. 증분 실험을 실행하고, 초기 마케팅 믹스 모델을 구축하고, 지리적 홀드아웃을 테스트하고, 더 이상 유지되지 않을 수 있는 압력 테스트 가정을 실행합니다. 그들의 작업은 설계상 불확실합니다. 개척자는 확실성을 전달하지 않습니다. 그들은 방향을 제시합니다. 운영 보고와 동일한 통계적 신뢰도 기준을 유지하면 가치가 창출되기 전에 이 작업이 중단됩니다.
정착민은 실험을 통해 얻은 정보를 반복 가능한 프로세스로 전환합니다. 모델을 개선하고, 가정을 강화하고, 통찰력을 다시 계획 결정에 연결합니다. 초기 MMM 실행이 플레이북으로 성숙해지고 증분성 테스트 결과가 팀이 일관되게 적용할 수 있는 프레임워크가 되는 곳입니다. 정착민은 방향성 통찰력을 실제로 실행할 수 있는 시스템으로 전환하여 신뢰를 구축합니다.
기획자는 일상적인 작업을 계속 실행합니다. 이들은 플랫폼 데이터, 기여 신호, 전환 메커니즘을 활용하여 지출을 실시간으로 관리합니다. 이 레이어는 필요합니다. 그것이 없으면 실행이 무너집니다. 그러나 기획자에게 장기적인 성장을 설명하거나 성과의 구조적 변화를 진단하도록 요청해서는 안 됩니다. 그들의 초점은 채널 제약 내에서 효율성을 최적화하는 것입니다.
대부분의 조직이 빠지는 실패 모드는 개척자 수준의 작업에 기획자 수준의 확실성 표준을 적용하는 것입니다. 개발하는 데 시간이 필요한 실험에서 95%의 통계적 신뢰도를 요구하면 새로운 것이 만들어지지 않는다는 것을 보장합니다. 방향 신뢰도가 60%이고 빠른 반복이 결합된 모델은 한 분기 늦게 도착하는 완벽한 답변보다 일관되게 더 나은 성능을 발휘합니다.
고성장 기업이 측정 리소스를 할당하는 방법
캐나다 브랜드 전반의 NP Digital 조사 추적 측정 관행은 일반 조직과 고성장 조직 사이의 명확한 차이를 발견했습니다. 평균적인 팀은 측정 영향력의 약 65%를 플랫폼 대시보드에 할당하고 25%를 기여 도구에 할당하므로 더 전략적인 방법을 사용할 여지가 거의 없습니다.
연간 미디어 투자액이 75만 달러 이상인 고성장 브랜드는 의미있게 달라 보입니다. 플랫폼 대시보드 의존도는 약 45%로 떨어집니다. 기여 도구 사용량이 15%로 감소합니다. MMM은 5%에서 20%로 성장합니다. 증분성 테스트는 10%에 도달하고 초기 생성 검색 최적화 작업은 또 다른 10%를 차지합니다.
이들 조직은 어트리뷰션이나 플랫폼 데이터를 포기하지 않습니다. 그들은 그것들을 재평가하고 있습니다. 논리는 간단합니다. 계속 변화하는 시장에서는 익숙함이 안전하다고 느끼는 곳이 아니라 변화가 일어나고 있는 곳에서 측정 기능을 구축합니다. 이러한 모든 방법의 목표는 방향성 신뢰입니다. 이는 더 나은 예산 결정을 더 빠르게 내릴 수 있는 충분한 신호를 의미하는 것이지 기회가 종료된 후에 도달하는 완벽한 확실성은 아닙니다.
측정 시스템을 발전시키는 7단계
측정 시스템을 재구축할 때 모든 것을 한 번에 교체할 필요는 없습니다. 이를 잘 수행하는 조직은 전면적인 점검을 시도하기보다는 올바른 순서로 기능을 추가하면서 점진적으로 발전합니다.
현재 측정 입력을 매핑합니다. 팀에서 사용하는 모든 도구와 데이터 소스를 나열하고 각각의 위치(운영 플랫폼 데이터, 기여 모델링, MMM 또는 증분성)를 식별하세요. 대부분의 팀은 처음 두 팀에 크게 집중되어 있음을 발견합니다.
의사결정 격차를 식별합니다. 현재 스택에서 답변할 수 없는 전략적 질문이 무엇인지 명시적으로 설명하세요. 마케팅 기여의 과제는 여기에서 가장 잘 드러납니다. 한계 수익에 대한 가시성 없이 혼합 ROAS를 기반으로 예산 결정을 내리는 곳은 어디입니까? 기존 수요를 포착할 수 있는 채널에 대한 크레딧을 어디에 부여하고 있습니까?
기본 모델링을 소개합니다. 단순한 분기별 MMM 실행조차도 기여만 수행하는 것보다 더 전략적인 방향을 제공합니다. 지출이 가장 많은 채널과 수익과 가장 직접적으로 연결된 비즈니스 성과부터 시작하세요.
첫 번째 증분성 테스트를 실행하세요. 하나의 주요 채널을 선택하고 지리적 홀드아웃 또는 홀드아웃 청중 테스트를 설계합니다. 목표는 완벽함이 아닙니다. 이러한 유형의 측정을 통해 조직의 역량과 편안함을 구축하고 있습니다.
거버넌스 기대치를 조정합니다. 기여 보고서는 리더십 검토에서 하룻밤 사이에 사라지지 않습니다. 실행기여 분석 데이터와 함께 성과 증분 및 MMM 조사 결과를 보여주는 병렬 트랙은 전체 전환 없이도 새로운 접근 방식에 대한 확신을 구축합니다.
프로세스를 점진적으로 구축하십시오. 정착민은 선구적인 실험을 반복 가능한 작업 흐름으로 전환합니다. 각 증분성 테스트는 다음 테스트를 더 빠르고 저렴하게 만드는 문서화된 방법론을 생성해야 합니다.
의사결정 속도를 높입니다. 완벽한 확실성에 비해 방향 신뢰가 갖는 장점 중 하나는 속도입니다. 성과 증분 신호 및 MMM 결과를 기반으로 한 주간 예산 조정은 기여도 보고서를 기반으로 한 분기별 재할당보다 더 나은 성과를 냅니다.
자주 묻는 질문
마케팅 기여란 무엇입니까?
마케팅 기여는 전환에 기여한 마케팅 터치포인트에 기여도를 할당하는 프로세스입니다. 일반적인 마케팅 기여 모델에는 마지막 클릭, 첫 번째 클릭, 선형 및 데이터 기반 기여가 포함됩니다. 각각은 고객 여정 전반에 걸쳐 크레딧을 다르게 할당합니다. 기여는 채널 내에서 캠페인 성과를 최적화하는 데 가장 유용하지만 마케팅이 비즈니스 결과를 초래했는지 여부를 확인할 수는 없습니다.
마케팅 기여도를 어떻게 측정합니까?
기여도는 경로 매핑을 위한 추적 픽셀, UTM 매개변수 및 CRM 데이터를 사용하여 전환 데이터를 이전 터치포인트에 연결함으로써 측정됩니다. 마케팅 기여 소프트웨어 플랫폼은 이 프로세스를 자동화하고 선택할 수 있는 다양한 기여 모델을 제공합니다. 이해해야 할 주요 제한 사항은 모든 귀인 접근 방식이 인과 관계가 아닌 상관 관계를 기반으로 크레딧을 할당한다는 것입니다.
마케팅 기여 추적에 가장 적합한 소프트웨어는 무엇입니까?
최고의 마케팅 어트리뷰션 소프트웨어는 비즈니스 모델과 측정 목표에 따라 다릅니다. Google Analytics 4 및 플랫폼 기반 대시보드는 기본 기여를 잘 처리합니다. Northbeam, Triple Whale 및 Rockerbox와 같은 도구는 직접 응답 및 전자 상거래 상황을 위해 제작되었습니다. 전략적 결정을 위해 어트리뷰션 소프트웨어는 단독으로 사용하기보다는 MMM 및 증분성 테스트와 함께 사용할 때 가장 잘 작동합니다.
{ "@context": "https://schema.org", "@type": "FAQ페이지", "mainEntity": [ { "@type": "질문", "name": "마케팅 기여란 무엇입니까?", "acceptedAnswer": { "@type": "답변", "text": "마케팅 기여는 전환에 기여한 마케팅 터치포인트에 기여도를 할당하는 프로세스입니다. 일반적인 마케팅 기여 모델에는 마지막 클릭, 첫 번째 클릭, 선형 및 데이터 기반 기여가 포함됩니다. 각각은 고객 여정 전반에 걸쳐 기여도를 다르게 할당합니다. 기여는 채널 내에서 캠페인 성과를 최적화하는 데 가장 유용하지만 마케팅이 비즈니스 결과를 초래했는지 여부를 설정할 수는 없습니다." } } , { "@type": "질문", "name": "마케팅 기여도를 어떻게 측정하나요?", "acceptedAnswer": { "@type": "답변", "text": "속성은 경로를 매핑하기 위해 추적 픽셀, UTM 매개변수 및 CRM 데이터를 사용하여 전환 데이터를 이전 터치포인트에 연결함으로써 측정됩니다. 마케팅 속성 소프트웨어 플랫폼은 이 프로세스를 자동화하고 선택할 수 있는 다양한 속성 모델을 제공합니다. 이해해야 할 주요 제한은 모든 속성 접근 방식이 인과관계가 아닌 상관 관계를 기반으로 크레딧을 할당한다는 것입니다." } } , { "@type": "질문", "name": "마케팅 기여 추적에 가장 적합한 소프트웨어는 무엇입니까?", "acceptedAnswer": { "@type": "답변", "text": "최고의 마케팅 기여 소프트웨어는 비즈니스 모델 및 측정 목표에 따라 다릅니다. Google Analytics 4 및 플랫폼 기반 대시보드는 기본 기여를 잘 처리합니다. Northbeam, Triple Whale 및 Rockerbox와 같은 도구는 직접 반응 및 전자 상거래 상황을 위해 제작되었습니다. 전략적 결정을 위해 기여 소프트웨어는 단독으로 사용하기보다는 MMM 및 증분 테스트와 함께 사용할 때 가장 잘 작동합니다." } } ] }
결론
마케팅 기여 문제는 더 나은 소프트웨어만으로 해결되는 문제가 아닙니다. 이는 귀인이 할 수 있는 일의 구조적 한계입니다. 신용 할당과 인과 관계 증명은 서로 다르며, 이를 통합하면 수요 창출보다 수요 포착을 선호하는 예산 결정이 이루어집니다.
고성장 조직에서는 각 도구가 정의된 역할(운영 조정을 위한 플랫폼 데이터, 전술적 기여를 위한 속성)을 수행하는 계층화된 측정 시스템을 구축하여 이 문제를 해결했습니다.신호, 전략적 할당을 위한 MMM, 인과관계 검증을 위한 증분 테스트입니다. 이 시리즈의 다음 기사에서는 마케팅 리더가 이러한 신호를 함께 사용하여 다음 투자금이 어디에 사용될지 결정하는 방법을 살펴봅니다.
해당 부분으로 이동하기 전에 기여가 분석되는 위치에 대해 더 자세히 알고 싶다면 이 마케팅 기여 사각지대 분석에서 특정 실패 모드를 자세히 다룹니다. 측정을 수익 결정에 연결하는 방법에 대한 더 넓은 관점을 보려면 디지털 마케팅 기여에 대한 이 가이드가 유용한 참고 자료입니다.
