구현 조건 및 데이터 요건: 최소 2~3개년의 주별/월별 매출 데이터, 매체별 광고비 지출액, 외부 거시 경제 변수(환율, 날씨, 경쟁사 동향) 로우 데이터셋

MMM은 통계 모델이기 때문에, 아무리 정교한 오픈소스 프레임워크를 쓰더라도 입력 데이터가 부실하면 결과도 부실합니다. 다음 레슨부터 다룰 Google Meridian이나 Meta Robyn 같은 도구는 어디까지나 계산 엔진일 뿐, 매출·광고비·외부 변수 데이터셋을 준비하는 건 전적으로 실무자의 몫입니다. 그래서 도구 선택보다 먼저 "우리 회사가 이 정도 기간·해상도의 데이터를 실제로 갖고 있는가"를 점검하는 게 순서상 맞습니다.

가장 기본이 되는 두 축은 시계열 매출 데이터와 매체별 광고비 지출 데이터입니다. 이 둘을 주 단위(weekly) 또는 월 단위(monthly)로 최소 2~3개년치 쌓아둬야 모델이 계절성과 매체별 반응 패턴을 통계적으로 구분해낼 수 있습니다. 기간이 짧으면 우연히 겹친 이벤트(예: 특정 달의 프로모션과 경쟁사 이슈가 동시에 발생)를 매체 효과로 잘못 학습할 위험이 커집니다. 다만 정확히 "몇 개월 이상, 몇 개 관측치 이상이어야 한다"는 절대 기준은 업계에서 공식적으로 합의된 단일 숫자가 없고, 매체 수·변동성·모델 구조에 따라 달라집니다 — 이 부분은 도구별 공식 문서와 자체 검증을 거쳐 판단해야 하는 영역입니다.

매체별 지출액은 채널 대분류(검색·디스플레이·소셜·TV·OOH 등) 단위로 나눠 정리하는 게 기본이며, 채널을 너무 잘게 쪼개면(예: 캠페인 단위까지) 반대로 각 변수의 데이터가 희박해져 모델이 안정적으로 학습하지 못하는 문제가 생깁니다.

매출은 광고비만으로 움직이지 않습니다. 환율(수입 원가·해외 매출에 영향), 날씨(계절 상품·오프라인 매장 방문에 영향), 경쟁사의 프로모션·신제품 출시, 공휴일·시즌 이벤트 같은 외부 변수를 함께 넣지 않으면, 모델은 이 변수들이 만든 매출 변동을 엉뚱하게 특정 매체의 효과로 귀속시킬 수 있습니다. 이 문제는 6강(과적합 실패 사례)에서 구체적인 실패 패턴으로 다시 다룹니다. 실무에서는 통계청·한국은행 같은 공공 데이터, 자사가 보유한 프로모션 캘린더, 경쟁사 광고 노출량 추정 데이터(서드파티 애드인텔리전스 툴) 등을 조합해 외부 변수 데이터셋을 구성합니다. 이 데이터 파이프라인을 자동화하는 구체적인 방법은 12강에서 다룹니다.

매출은 일 단위로 쌓이는데 매체 지출은 월 단위 인보이스로만 나오는 등, 부서마다 다른 해상도로 데이터가 쌓여 있는 경우가 흔합니다. 이럴 때는 가장 거친(낮은) 해상도에 나머지를 맞춰 통일해야 합니다 — 매체 지출이 월 단위까지만 정확하다면 매출도 월 단위로 집계해 모델에 넣어야지, 억지로 매출만 주 단위로 쪼개면 두 데이터의 시점이 어긋나는 오류가 생깁니다. 또한 디지털 매체는 플랫폼 리포트 시점(노출 발생일 기준)과 인보이스 시점(청구일 기준)이 다른 경우가 많아, 어느 기준으로 통일할지도 데이터 정리 단계에서 미리 정해둬야 합니다.

본격적으로 모델링에 들어가기 전, 아래 항목이 채워졌는지 순서대로 점검하는 걸 권합니다.

• 매출: 최소 2~3개년치, 주 또는 월 단위로 결측치 없이 연속된 시계열인가
• 매체별 지출: 채널 대분류 기준으로 매출과 동일한 시점·해상도로 정리됐는가
• 외부 변수: 계절성(공휴일·시즌), 프로모션·가격 변경 이력, 경쟁사 동향 중 확보 가능한 항목이 무엇인가
• 데이터 소스 정합성: 매출은 회계 기준인지 실결제 기준인지, 매체 지출은 노출 시점인지 청구 시점인지 통일됐는가
• 이상치: 시스템 오류·일회성 이벤트(예: 서버 장애로 매출이 0으로 찍힌 날)를 별도로 표시해뒀는가

이 다섯 항목 중 하나라도 비어 있으면 모델을 돌려도 결과를 신뢰하기 어렵습니다. 특히 이상치 표시는 자주 누락되는데, 표시 없이 그대로 넣으면 모델이 이상치를 정상적인 매출 반응으로 학습해버립니다. 이상치는 지우는 대신 별도의 더미 변수(해당 기간을 1, 나머지를 0으로 표시)로 처리해 모델이 그 구간을 특수 상황으로 인식하게 만드는 방식이 일반적입니다.

2~3개년치 데이터가 아직 없는 신생 브랜드나, 매체를 최근에 바꿔 이력이 짧은 경우도 실무에서는 흔합니다. 이럴 때 무리하게 짧은 기간으로 MMM을 돌리기보다는, 우선 인크리멘털리티(리프트) 테스트로 채널별 효과를 개별 검증하며 데이터를 축적하고, 일정 기간이 쌓인 뒤 MMM으로 전환하는 단계적 접근이 현실적입니다. 리프트 테스트와 MMM을 교차 검증하는 방법은 11강에서 별도로 다룹니다.