오픈 소스 패키지와 AI 에이전트 덕분에 마케팅 믹스 모델(MMM) 구축이 쉬워졌지만 모델이 올바른지 여부를 더 쉽게 알 수는 없었습니다. 장벽은 모델 구축에서 감독으로 옮겨졌습니다. 즉, 실험에 맞춰 보정하고, 모델을 비교하고, 승인한 사람의 이름을 지정하는 것입니다. 데이터 기록이 짧고 마케팅 비용당 채널 수가 많은 동남아시아가 가장 많이 노출됩니다.
핵심 요약
- 이제 AI 에이전트는 오픈 소스 패키지를 가져와 지출 및 수익 데이터를 로드하고 통계적 배경이 거의 없이 작동하는 마케팅 믹스 모델을 생성할 수 있습니다.
- Robyn(Meta)은 사용자에게 최소한의 요구 사항을 요구하고 Meridian(Google)은 데이터 과학 코딩이 필요하며 PyMC Marketing은 베이지안 전문 지식이 필요합니다. 상담원은 설정 공백을 지우지만 해석 공백은 지우지 않습니다.
- Gordon, Zettelmeyer, Bhargava 및 Chapsky가 연구한 15개의 대규모 광고 실험에서 관찰 방법은 연구의 약 절반에서 3배 이상 차이가 났습니다.
- 모델은 모델링이 시작되기 전에 데이터를 중단하는 경우가 많습니다. 추천인이 없는 AI 지원 추천, 무보수 브랜드 구축, 오래된 경쟁업체 및 청중 입력 등이 있습니다.
- 감독이란 실험에 대해 조정하고, 모델 간의 불일치를 결과로 처리하고, 승인한 사람의 이름을 지정하는 것을 의미합니다.
마케팅 믹스 모델링에서 어떤 변화가 있었나요?
마케팅 믹스 모델 구축은 거의 누구나 할 수 있는 일이 되었습니다. 그 모델이 진실을 말하고 있는지 여부를 아는 것은 여전히 드뭅니다. AdExchanger는 최근 오픈 소스 마케팅 믹스 모델링의 부상을 다루면서 OS MMM이라는 레이블을 만들었고 작품 뒤에 숨은 흥분은 진짜였습니다. 단지 올바른 성과를 지적하지 않았을 뿐입니다.
Northwestern Medill School의 Julian Runge는 이 주장에 대해 지금보다 더 많은 관심을 기울일 가치가 있는 버전을 만들었습니다. 이제 AI 에이전트는 오픈 소스 모델링 패키지를 가져오고, 고객의 지출 및 수익 데이터를 로드하고, 통계적 배경이 거의 필요 없이 작동하는 마케팅 믹스 모델을 생성하라는 메시지를 받을 수 있습니다. 컨설팅 회사에 6자리의 돈을 지불하고 어떤 채널이 실제로 작동하는지와 같은 간단한 질문에 대한 답변을 1/4 정도 기다린 사람은 잠시 그 점을 멈춰야 합니다.
그런 다음 요약 슬라이드에서 잘 전달되지 않는 주장의 일부가 나옵니다. 싸게 된 것은 모형을 제작하는 행위이다. 여전히 비용이 드는 것은 항상 비용이 드는 것과 정확히 일치하는 것입니다.
마케팅 믹스 모델링의 어떤 부분이 실제로 더 저렴해졌나요?
Runge와 Koen Pauwels는 올해 주요 오픈 소스 패키지에 대한 실제 비교를 발표했으며 각 패키지가 요구하는 사항에 대해 유난히 명확합니다. Meta가 만든 Robyn은 능선 회귀와 진화적 검색 프로세스를 결합합니다. 사용자에게 최소한의 요청만 하면 하루 안에 작업 모델을 반환할 수 있습니다. 구글의 메리디안은 진정한 데이터 사이언스 코딩 능력을 기대합니다. PyMC 마케팅은 진정한 베이지안 전문 지식을 기대하며 제대로 실행되기까지 몇 주가 소요되는 경우가 많습니다.
| 패키지 | 사용자에게 묻는 것 | 실험에 대해 보정하는 방법 |
|---|---|---|
| 로빈(메타) | 최소한; 진화적 검색을 이용한 능선 회귀 분석, 하루 만에 작업 모델 완성 | Runge와 Pauwels가 덜 이해하고 덜 테스트한 것으로 표시한 다중 목표 최적화를 통해 |
| 자오선 (구글) | 실제 데이터 사이언스 코딩 능력 | 베이지안 사전에 따른 실험 결과; Meridian GeoX를 사용하면 지리적 실험을 통해 모델을 고정할 수 있습니다. |
| PyMC 마케팅 | 진정한 베이지안 전문 지식; 제대로 실행하려면 종종 몇 주가 소요됩니다. | 베이지안 사전확률로 실험 결과 |
AI 에이전트는 이 세 가지 도구 사이의 설정 격차를 해소합니다. 해석의 공백을 없애는 데는 아무런 도움이 되지 않습니다. 오히려 범위를 넓히는 이유는 이제 세 가지 접근 방식 모두 주말까지 자신감 있어 보이는 차트를 생성할 수 있고 해당 차트 모두가 슬라이드에서 똑같이 신뢰할 수 있게 보이기 때문입니다.
모델의 출력 자체를 신뢰할 수 없는 이유는 무엇입니까?
시나리오를 그려보세요. 상담원이 밤새 작업을 수행했고 아침까지 깨끗한 데크가 받은 편지함에 들어갔습니다. 한 채널에서 4.1의 광고 투자수익을 보고했습니다. 브랜드 검색은 0.9에서 다시 나타납니다. 방에 있는 누군가가 이번 주말까지 예산을 재할당하기를 원하며 실제로 중요한 한 가지 질문을 합니다. 그 숫자가 맞나요?
그 방에 있는 누구도 출력 자체의 신뢰성을 나타내지 않기 때문에 출력만으로는 이에 답할 수 없습니다.
여기서 잘못될 수 있는 규모는 새로운 것이 아닙니다. 연구원 Gordon, Zettelmeyer, Bhargava 및 Chapsky는 약 5억 건의 사용자 실험 관찰과 10억 5분의 1이 넘는 노출수를 대상으로 15개의 대규모 광고 실험을 실행한 다음 그 결과를 업계에서 일반적으로 사용하는 관찰 방법과 비교했습니다. 연구의 약 절반에서 추정 상승도가 3배 이상 차이가 났습니다. 실제 상승률이 약 2%인 한 캠페인은 관찰 방법을 통해 3,000% 이상으로 추정되었습니다. 거의 70%에 가까운 실제 상승률을 보인 또 다른 캠페인은 그 수치의 4배가 넘는 것으로 추정됩니다.
그 연구는 이제 몇 년이 되었습니다. 에이전트 AI에 관한 어떤 것도 그것이 발견한 근본적인 문제를 바꾸지 않습니다. 동일한 관찰 데이터에서 실행되는 파이프라인이 더 빠르면 동일한 편향이 재현됩니다. 더 빨리, 더 나은 형식으로 작업을 수행할 수 있습니다.
모델링이 시작되기 전에 마케팅 믹스 모델은 어디에서 중단됩니까?
대부분의 열악한 마케팅 믹스 모델링 결과는 실제로 모델링 실패가 아닙니다. 모델이 근거 없는 자신감을 갖고 제시하는 것은 데이터 오류입니다.
모델이 전혀 볼 수 없는 채널부터 시작하세요. 고객이 ChatGPT 또는 Perplexity와 같은 AI 도우미에게 어떤 제품을 구매할지 묻고 리퍼러가 첨부되지 않은 사이트에 도착하는 경우 해당 트래픽에는 데이터 세트에 열이 없습니다. 모델은 이를 기본 수요로 분류하거나 근처에서 실행 중인 모든 캠페인에 대해 조용히 이를 인정합니다. 이는 이미 데이터에 나타나고 있습니다. 미국 시장에 진출하는 해외 판매자를 위한 생성 엔진 최적화 작업을 하는 Touchigh는 최근 연휴 기간 동안 AI 추천 트래픽이 거의 700% 증가했으며 AI 보조 추천의 전환율이 사이트 평균보다 30~40% 더 높다고 보고했습니다. 정확한 수치는 해당 연구에 속합니다. 구조적인 점은 그렇지 않습니다. 해당 속도에 가까운 속도로 성장하고 데이터 세트에 전혀 없는 채널은 반올림 오류가 아닌 사양 오류입니다.
그런 다음 전혀 나타나지 않는 지출 라인이 있습니다. 창립자 출판, 시간이 지남에 따라 천천히 구축되는 카테고리 권한, 카테고리 대화에 일관되게 나타나는 오랜 무급 습관. 그 어느 것도 미디어 비용을 수반하지 않고, 어느 것도 눈에 띄는 폭발을 일으키지 않으며, 그 효과는 종종 1~2분기 후에 나타납니다. 이는 바로 마케팅 믹스 모델이 최악의 상황을 처리하는 형태입니다. 트렌드에 흡수되어 분석에서 완전히 사라지게 됩니다.
그리고 가장 덜 매력적인 실패도 있습니다. 입력 품질. 경쟁자와 청중의 행동에 대한 빈약하고 시대에 뒤떨어진 그림을 제공하는 모델은 더 이상 존재하지 않는 시장에 대해 자신 있게 예산을 할당할 것입니다. Mothercare Singapore와 관련된 문서화된 사례가 있는데 잠재고객 조사에 소요되는 시간을 80% 단축하여 주당 25시간 이상을 확보하는 동시에 해당 카테고리 내에서 연간 4,000개 이상의 디지털 광고를 추적합니다. 정말 흥미로운 수치는 절약된 시간이 아닙니다. 모든 다운스트림 모델에 적용되는 시장 그림이 1/4씩 진부해지는 대신 최신 상태가 되었다는 것입니다.
이제 모델링 전문 지식은 어디로 가나요?
그것은 사라지지 않습니다. 모델 구축에서 감독으로 옮겨갑니다. 다음 모델이 실행되기 전에 세 가지를 수정할 가치가 있습니다.
본능보다는 실험에 맞춰 보정하세요. Meridian과 PyMC Marketing은 모두 실험 결과를 베이지안 사전확률로 입력할 수 있도록 허용합니다. Robyn은 다목적 최적화 프로세스를 통해 보정합니다. Runge와 Pauwels는 이를 훨씬 덜 이해되고 훨씬 덜 엄격하게 테스트된 것으로 구체적으로 표시합니다. Google은 5월에 2026 Meridian GeoX를 특별히 도입하여 지리학 실험이 별도의 연습으로 모델 옆에 앉아 있지 않고 모델을 직접 고정할 수 있도록 했습니다.
모델 간의 불일치를 그 자체로 결과로 간주합니다. 동일한 데이터 세트에서 두 개의 서로 다른 패키지를 실행하고 단일 채널에서 서로 다른 패키지를 관찰하면 해당 채널이 데이터 내에서 얼마나 약하게 식별되는지에 대한 실질적인 정보를 얻을 수 있습니다. 대부분의 팀은 정확히 하나의 모델을 실행하지만 이를 발견하지 못합니다.
번호를 서명한 사람의 이름을 지정하세요. 어떤 수치가 실제 예산 결정에 도달하기 전에 누군가는 그 수치가 틀릴 위험을 감수해야 합니다. 이것은 대부분의 팀이 조용히 건너뛰는 단일 컨트롤입니다.
감독 계층은 어딘가에 있어야 하며, 규모가 작거나 독립된 기관의 경우 업무를 흡수할 전용 분석 벤치가 없기 때문에 전혀 어디에도 존재하지 않는 경우가 많습니다. 이러한 격차는 소규모 매장에 대규모 네트워크의 인텔리전스 및 자동화 계층을 제공하기 위해 구축된 도구가 현재 매우 관련성이 높은 이유 중 하나입니다. 보고에서 절약된 시간은 더 많은 보고에 흡수되기보다는 판단에 재투자될 경우에만 가치를 창출합니다.
왜 동남아에서 이 땅이 가장 힘든 걸까요?
동남아시아는 무료 모델링 도구를 최대한 활용하고 적절한 감독 없이 해당 도구를 사용할 때 가장 많은 노출을 가져옵니다. 데이터 기록은 더 짧은 경향이 있습니다. 마케팅 비용당 채널 수는 TikTok Shop, Shopee, Lazada, Meta, Grab 배치 및 WhatsApp 커뮤니티에 걸쳐 더 높은 경향이 있으며, 모두 단일 캠페인 내에 있는 경우가 많습니다. 실제로 깨끗한 홀드아웃 테스트를 지원할 수 있을 만큼 큰 시장은 더 적습니다. 지역 브랜드는 몇 주 간의 깨끗한 기록보다 데이터세트에 더 많은 채널 열이 쉽게 포함될 수 있습니다. 이는 바로 마케팅 믹스 모델이 정확하고 안정적이며 잘못된 답변을 반환하는 조건입니다.
이러한 도구에 대한 무료 액세스는 분명 좋은 소식입니다. 그러한 접근과 함께 도착하는 것은 잘못된 가정과 그 힘을 바탕으로 이미 재할당된 예산 사이의 거리가 훨씬 짧아진다는 것입니다.
따라서 다음 모델이 실행되기 전에 조직 내부에서 물어볼 가치가 있는 질문은 간단합니다. 답변이 틀린 것으로 판명되면 책임은 누구에게 있나요?
SOMIN은 어디에 속하나요?
이 기사에서 설명하는 격차는 실제로 모델링 격차가 아닙니다. 그것은 지능의 격차, 자신감 있어 보이는 차트와 실제로 시장에서 사람들이 행동하는 방식을 비교하여 검증된 차트 사이의 공간입니다. SOMIN은 바로 그 공간을 폐쇄하기 위해 만들어졌습니다. SoMonitor의 브랜드 추적기 및 관점 연구는 1/4이 아닌 최신 모델 아래에서 청중의 그림을 유지하기 위해 존재하는 반면, SODA와 GWI 파트너십은 해당 숫자가 예산 결정에 도달하기 전에 실제 소비자 신호에 대해 모델이 주장하는 것이 무엇인지 테스트할 수 있는 방법을 팀에 제공합니다. 마케팅 믹스 모델 구축을 위한 도구에 대한 접근성이 훨씬 더 높아졌습니다. 신뢰하기 위해 필요한 판단은 아직 이루어지지 않았는데, SOMIN은 이를 지원하기 위해 만들어졌습니다.
FAQ
AI 에이전트가 마케팅 믹스 모델을 구축할 수 있나요?
예. 에이전트는 오픈 소스 패키지를 가져와 고객의 지출 및 수익 데이터를 로드하고 통계적 배경이 거의 필요하지 않은 작업 모델을 생성할 수 있습니다. 출력이 자체 신뢰성을 나타내지 않기 때문에 모델이 올바른지 여부를 알려주는 것은 불가능합니다.
Robyn, Meridian 및 PyMC 마케팅의 차이점은 무엇입니까?
Meta가 만든 Robyn은 능선 회귀와 진화 검색을 결합하여 사용자에게 최소한의 질문을 합니다. Google의 Meridian은 실제 데이터 과학 코딩 능력을 기대하고, PyMC Marketing은 Bayesian 전문 지식을 기대하며 제대로 실행하는 데 몇 주가 걸리는 경우가 많습니다. Meridian과 PyMC Marketing은 실험 결과를 Bayesian Priors로 받아들입니다. Robyn은 다중 목표 최적화를 통해 보정합니다.
관찰 광고 측정은 얼마나 잘못될 수 있나요?
Gordon, Zettelmeyer, Bhargava 및 Chapsky가 분석한 15개의 대규모 광고 실험에서 상승도에 대한 관측 추정치는 약 절반의 연구에서 3배 이상 차이가 났습니다. 실제 상승률이 약 2%인 한 캠페인에서는 3,000%가 넘는 것으로 추산되었습니다.
마케팅 믹스 모델이 적합한지 어떻게 확인하나요?
본능보다는 Meridian GeoX를 통한 지리적 실험과 같은 실험에 대해 보정하십시오. 동일한 데이터에 대해 두 개의 다른 패키지를 실행하고 큰 불일치를 채널이 약하게 식별된다는 신호로 처리하고 숫자가 예산 결정에 도달하기 전에 승인하는 사람의 이름을 지정하십시오.
동남아시아에서 마케팅 믹스 모델링이 더 위험한 이유는 무엇입니까?
데이터 기록은 더 짧고 캠페인은 TikTok Shop, Shopee, Lazada, Meta, Grab 및 WhatsApp과 같은 다양한 채널에 분산되어 있으며 깨끗한 홀드아웃 테스트를 수행할 만큼 큰 시장도 더 적습니다. 브랜드는 모델이 정확하고 안정적이며 잘못된 답변을 반환하는 깨끗한 몇 주간의 데이터보다 더 많은 채널 열을 가질 수 있습니다.
