캐리오버 효과(Carryover Effect)와 광고 이월 효과(Ad Adstock) 연산: 광고 집행 후 시간이 지나도 매출에 미치는 잔존 가치를 수학적 함수로 모델링하는 법

광고를 본 소비자가 그 자리에서 바로 구매하지 않고, 며칠 뒤 검색해서 사거나 다음 주 재구매 시점에 그 브랜드를 떠올려 사는 경우가 흔합니다. 이런 지연 반응을 무시하고 "이번 주 광고비 대비 이번 주 매출"만 단순 비교하면, 광고를 집행한 주에는 효과가 적어 보이고 광고를 끈 다음 주에는 원인 없는 매출 상승으로 보이는 왜곡이 생깁니다. 애드스톡은 이 시차 문제를 해결하기 위해, 한 주의 광고비 지출이 그 주뿐 아니라 이후 몇 주에 걸쳐 감쇠하며 영향을 미친다고 가정하고 그 감쇠 패턴을 수학 함수로 모델링합니다.

애드스톡 함수는 특정 주의 광고 효과를 100이라 할 때, 다음 주에는 그 일부만 남고, 그다음 주에는 더 적게 남는 식으로 점점 줄어드는 곡선을 그립니다. 업계 자료에서 자주 드는 예시로는 TV 광고가 1주차에 효과의 40%, 2주차에 30%, 3주차에 20%, 이후 10% 정도로 감쇠한다는 패턴이 있는데, 이는 어디까지나 설명을 위한 예시 수치이지 모든 매체·업종에 적용되는 고정된 표준값이 아닙니다. 실제 감쇠 곡선의 형태와 속도는 매체 종류, 상품군, 그리고 각 회사가 쌓아온 학습 데이터에 따라 모델이 직접 추정하는 값입니다. 일반적으로 TV·OOH 같은 브랜딩성 오프라인 매체는 감쇠가 느려(잔존 효과가 오래 남고) 검색광고처럼 즉각적인 전환을 노리는 매체는 감쇠가 빠른 경향이 있다고 알려져 있지만, 이 역시 자사 데이터로 검증해야 할 가설이지 단정할 근거는 아닙니다.

애드스톡 처리 없이 원시 광고비 지출을 그대로 모델에 넣으면, 지속적으로 예산을 집행하는 매체(예: 상시 운영하는 검색광고)의 효과는 실제보다 과소평가되고, 반대로 특정 주에 몰아서 집행한 뒤 끈 캠페인형 매체(예: 시즌 프로모션 디스플레이)의 효과는 그 주에만 몰려 과대평가되는 경향이 생깁니다. 두 매체를 공정하게 비교하려면 애드스톡으로 각 매체 지출을 시간축에 걸쳐 재배분한 뒤에 비교해야 합니다.

Meridian·Robyn 같은 도구는 애드스톡 함수의 감쇠 속도를 데이터로부터 자동 추정하는 기능을 제공하지만, 이 추정치가 상식적으로 말이 되는지 검토하는 과정은 실무자가 직접 해야 합니다. 예를 들어 감쇠 속도가 극단적으로 느리게(수개월간 잔존) 나온다면 데이터 기간이 짧아 모델이 다른 요인과 혼동했을 가능성을 의심해봐야 합니다. 반대로 브랜딩 매체인데 감쇠가 지나치게 빠르게 나온다면 계절성이나 프로모션 같은 다른 변수가 그 매체 효과로 잘못 흡수됐을 가능성도 점검 대상입니다. 이런 이상 신호를 잡아내는 진단 절차는 10강(모델 검증)에서 더 구체적으로 다룹니다.

애드스톡이 "시간축"에서 광고 효과를 재배분하는 개념이라면, 다음 레슨에서 다룰 포화 곡선(한계효용체감)은 "지출 규모축"에서 효과를 재배분하는 개념입니다. 실제 MMM 모델은 이 둘을 함께 적용해, 먼저 애드스톡으로 각 주의 지출을 시간에 걸쳐 늘려 재분배한 다음, 그 재분배된 지출 규모에 포화 함수를 적용하는 순서로 계산합니다. 둘 중 하나만 적용하면 결과가 왜곡됩니다 — 애드스톡 없이 포화만 적용하면 지연 반응이 있는 매체의 효과를 과소평가하고, 반대로 포화 없이 애드스톡만 적용하면 예산을 늘릴수록 효과가 끝없이 비례해서 커진다는 비현실적인 가정을 하게 됩니다. 두 함수를 함께 놓고 봐야 "이 매체에 예산을 더 넣을 가치가 있는가"라는 질문에 제대로 답할 수 있습니다.

Meridian·Robyn 같은 프레임워크는 애드스톡을 여러 함수 형태(기하급수적 감쇠, 지연 후 감쇠 등) 중에서 선택하거나 데이터로부터 자동 추정하도록 설정할 수 있습니다. 이때 초기 설정값(prior)을 잘못 좁게 잡으면 모델이 실제 데이터가 보여주는 감쇠 패턴을 무시하고 초기값 쪽으로 편향된 결과를 낼 수 있습니다. 구체적인 함수 형태·파라미터 기본값은 도구 버전마다 계속 바뀌므로, 이 레슨에서 특정 함수식이나 계수를 단정적으로 제시하지 않습니다 — 실제 적용 시에는 사용하는 도구의 공식 문서에서 최신 파라미터 설명을 직접 확인해야 합니다. 초기 세팅 단계에서는 파라미터를 임의로 좁게 고정하기보다, 넓은 범위를 열어두고 모델이 데이터로부터 스스로 학습하게 한 뒤 그 결과가 상식과 크게 어긋나지 않는지 검토하는 순서가 안전합니다.