05. 마케팅 믹스 모델링 (MMM)

통계/회귀50분

1. MMM이란?

**Marketing Mix Modeling (MMM)**은 다양한 마케팅 채널(TV, SNS, 검색광고 등)이 매출에 얼마나 기여했는지 통계적으로 분석하는 기법입니다. 쿠키리스(Cookie-less) 시대에 개인정보 없이 거시적인 성과를 측정할 수 있어 다시 각광받고 있습니다.

2. 핵심 개념: Adstock & Saturation

Adstock (광고 이월 효과)

어제 본 TV 광고가 오늘 물건을 살 때도 영향을 미칩니다. 이를 **Adstock(기억 잔존 효과)**라고 합니다.

Saturation (수확 체감)

광고비를 2배 쓴다고 매출이 2배 되지 않습니다. 어느 순간 효율이 떨어지는데 이를 Saturation이라고 합니다.

3. 모델링 (Regression)

❓ 문제 1: 채널별 기여도 분석

Q. TV, Social, Search 광고비용이 매출에 미치는 영향을 회귀분석으로 파악하세요.

이론 참고: Regression Analysis

Python (Statsmodels)


import statsmodels.api as sm
import pandas as pd
 
# 데이터 로드 (가상 데이터)
df = pd.DataFrame({
    'TV': [100, 150, 200, 130],
    'Social': [50, 60, 55, 70],
    'Sales': [1000, 1400, 1800, 1350]
})
 
# 상수항 추가 (Intercept)
X = df[['TV', 'Social']]
X = sm.add_constant(X)
y = df['Sales']
 
# OLS 회귀분석
model = sm.OLS(y, X).fit()
print(model.summary())

실행 결과

OLS Regression Results                            
==============================================================================
Dep. Variable:                  Sales   R-squared:                       0.995
Model:                            OLS   Adj. R-squared:                  0.986
Method:                 Least Squares   F-statistic:                     109.1
Date:                Fri, 19 Dec 2025   Prob (F-statistic):             0.0675
Time:                        20:20:12   Log-Likelihood:                -17.487
No. Observations:                   4   AIC:                             40.97
Df Residuals:                       1   BIC:                             39.13
Df Model:                           2                                         
Covariance Type:            nonrobust                                         
==============================================================================
               coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const        -58.0906    169.818     -0.342      0.790   -2215.837    2099.656
TV             7.6618      0.527     14.552      0.044       0.972      14.352
Social         5.6958      2.592      2.198      0.272     -27.234      38.626
==============================================================================
Omnibus:                          nan   Durbin-Watson:                   2.496
Prob(Omnibus):                    nan   Jarque-Bera (JB):                0.895
Skew:                          -1.103   Prob(JB):                        0.639
Kurtosis:                       2.289   Cond. No.                     1.42e+03
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 1.42e+03. This might indicate that there are
strong multicollinearity or other numerical problems.

💡 Insight

회귀 계수(Coef)를 통해 가장 효율이 좋은(ROI가 높은) 채널을 찾아 예산을 재배분하는 것이 MMM의 목적입니다.