[Meridian 활용기] 1. MMM과 Meridian은 무엇인가

목차
1. 개요
2. MMM이란?
3. Meridian이란?

1. 개요

25년 1월 말 구글에서 새로운 MMM(Media Mix Model)을 출시했다.
이번에 구글에서 오픈소스로 모델인 Meridian을 출시함으로써 접근성이 높아졌다고 한다.

한 때 MMM이 많이 유행했다는데 나는 처음 알았다. 쩝...
아무튼 Meridian을 활용해야하는 일이 생겨서 그 활용기를 기록해보고자 한다.

 

+) TMI
대체 왜 모델명이 Meridian, 자오선인가에 대해 GPT한테 물어보니 아래와 같은 답변을 줬다.

" Google Meridian은 ‘광고 기여도라는 중심축(자오선)’을 기준으로, 다양한 변수의 혼란 속에서 정밀한 방향성을 제시해주는 MMM 모델이라는 점에서 이 이름이 붙은 것으로 보입니다." 

어디 한번 얼마나 제대로 된 기준을 제시할지 기가 막히게 활용해보자공

---

2. MMM이란?

Marketing Mix Modeling의 준말
다양한 마케팅 활동이 매출이나 KPI에 미치는 영향을 통계적으로 분석하는 방법론

• 목적
  • 각 마케팅 채널(ex. TV, 디지털, 오프라인 등)의 기여도를 정량적으로 측정해 예산 배분과 전략 수립에 활용한다
• 분석 방식
  • 과거의 시계열 데이터를 바탕으로 회귀 분석 등 통계 기법을 사용
  • 매출을 기본판매와 증분 판매로 분류
    • 기본판매 : 광고 없이 발생하는 자연 매출 (Organic input)
    • 증분판매 : 마케팅 활동으로 인한 추가 매출 (Incremental Applications of input)
• 활용
  • ROI(Return Of Investment), 광고 탄력성, 채널 별 기여도, 시뮬레이션 분석 등
• 결과물
  • 각 마케팅 요소의 매출 기여도, 연도 별 변화, 예산 최적화 시나리오, KPI 별 영향력 등

👉🏻참고자료

- Marketing mix modeling(위키피디아)

- Decoding Marketing Mix Modeling: A Complete Guide

---

3. Meridian이란?

Google Meridian은 MMM을 구현하기 위한 오픈소스 프레임워크
최신 데이터 환경과 마케팅 현실에 맞게 MMM을 한단계 업그레이드한 도구

• 장점
  • 기업이 직접 MMM을 구축/운영할 수 있도록 지원하는 Python 기반 오픈 소스 패키지
  • 전통 MMM의 한계(실시간성 부족, 불확실성 미반형, 지역 별 차이 무시 등)를 보완
  • 베이지안 인과 추론 기반으로 불확실성까지 정량화해 다양한 시나리오에 대한 신뢰구간까지 제공
  • Google Ads, YouTube, GA 등 구글 생태계와 연동이 쉬워 데이터 통합 및 분석 용이
  • 지역(geo) 단위 분석, 실험 결과(ROI priors) 반영, 리치/빈도(Reach & Frequency) 기반 미디어 효과 측정 등 최신 기능 제공 
    👉🏻참고자료
    - https://www.youtube.com/watch?v=dWWaY4dZPYQ (구글에서 제공하는 튜토리얼)
    - https://www.lunio.ai/blog/google-meridian-marketing-mix-model (친절하게 잘 설명되어있음)
    - https://blog.google/products/ads-commerce/meridian-marketing-mix-model-open-to-everyone/
    - https://www.tdmp.co.uk/insights/google-meridian-what-it-and-canshould-you-use-it
    - https://www.searchenginejournal.com/google-launches-open-source-meridian-marketing-mix-model/538530/
    - https://www.codesm.com/blog/google-meridian-marketing-mix-model/

이와 관련된 Meridian의 모델링은 다음과 같은 특징을 갖고 있다.

1. 베이지안 추론 기반의 모델링
   • 과거의 지식(prior)과 새롭게 관측된 데이터(posterior)를 결합해 마케팅 채널의 성과를 추정한다
   • 광고 채널의 효과가 얼마나 불확실한지(신뢰 구간)까지 알려준다는 점에서, 
     데이터가 부족하거나 실험이 불가능한 상황에서 리스크를 통제하며 판단할 수 있는 강력한 도구
2. 지역 단위의 성과 분석
   • 단일 국가 단위 분석이 아니라, 서울/부산/광주 등 지역 별 데이터 특성을 반영
   • 특정 지역의 광고 예산 집행 전략을 정교하게 수립
3. 검색 쿼리량을 **confounder로 반영
   • Meridian은 검색량(ex.BHC 치킨)이 KPI에 영향을 줄 수 있는 혼동요인(confounder)임을 인식하고 이를 반영
     (**confounder : 광고비(원인변수)와 KPI(결과변수)에 모두 영향을 주는 제 3의 변수. 이 변수를 모델에서 통제하지 않으면, 광고 효과가 과대 추정될 수 있음)
   • 예를 들어
     • 소비자들의 관심이 높아져 자연스럽게 검색량이 증가하고,
     • 그에 따라 가입도 증가했는데
     • 이걸 MMM이 광고 효과로 착각하게 될 수 있음
   • 그래서 Meridian은 검색량을 control 변수로 포함 시켜, 광고가 아닌 시장 수요의 자연 증가분은 따로 분리하고 광고의 진짜 효과만 추정할 수 있도록함
4.  ROI에 대한 prior 지식 반영 가능
   • Meridian의 강점 중 하나이다.
     각 광고 채널의 ROI(투자 대비 수익률)에 대해 우리가 갖고 있는 사전 지식(prior)를 모델에 직접 반영할 수 있다는 것.
   • 예를 들어
     • Facebook 광고는 과거 MMM이나 실험 결과에서 ROAS(광고비 대비 매출)가 약 3.0 수준으로 나옴
     • 하지만 지금은 데이터가 부족해서, 모델이 안정적인 추정을 하기 어려움(신규 채널 or 예산이 적은 경)
     • 이럴 때 Meridian에서는 사전 지식(prior)을 넣을 수 있음
       즉, LogNormal(3.0, 0.5)는 "보통 이 정도 효과일거야"라고 모델에 힌트를 주는 역할을 하는 것
   • 사전에 보유한 실험 결과나 업계 지식을 모델에 반영함으로써, 단순한 데이터 기반 추정이 아닌 '설계 가능한 모델링'이 가능해지고, 그만큼 예측 결과에 대한 신뢰도도 높아진다

# ROI에 대한 prior 분포 입력 (예: 평균 3.0, 분산 0.5)
roi_priors = {
  "Facebook": (3.0, 0.5)
}

+) 구글 문서와 관련된 해외 블로그 글을 읽다보면 ROAS와 ROI 개념이 혼재되어 있다.
Meridian의 roi_priors(파라미터명)는 실제론 ROAS(광고비 기준 수익) 개념에 가깝게 작동하지만, 모델에서는 ROI라는 표현으로 포괄적으로 사용됨

---

3, 4번 특징을 이해하는데 꽤 어려웠다.
다시 한번 풀어보자면 Meridian은 검색량이 원인 변수와 결과 변수 모두에 영향을 줄 수 있기 때문에
검색량을 통제 변수로 인식하고 모델에 포함한다는 의미이다. 

또한 우리가 갖고 있는 사전 정보를 모델링에 활용할 수 있다는 점에서 모델의 결과값(추정값)을 더욱 신뢰할 수 있다. 

** 헷갈리는 용어 정리

원인 변수 (원인 or 설명 변수)	KPI에 직접적인 영향을 주는 요인	광고비, 노출수, 예산
결과 변수 (종속 변수)	우리가 예측하고자 하는 값	가입 수, 매출, 전환 수
통제 변수 (혼동 변수 / 외부 변수)	원인과 결과 모두에 영향을 주는 외부 요인 → 분석에서 혼란을 유발할 수 있음	특정 키워드 검색량, 계절성, 경제 상황