업계에서 흔히 "구글 라이트하우스"로 불리는 도구의 정확한 공식 명칭은 LightweightMMM이다. 이 패키지는 2025년 1월 29일부로 공식 지원이 종료됐고, 구글은 후속 프레임워크인 Meridian(github.com/google/meridian)으로 이전할 것을 공식 문서에서 명시하고 있다. 즉 지금 신규로 구글 계열 오픈소스 MMM을 도입한다면 LightweightMMM이 아니라 Meridian을 기준으로 봐야 한다. 오래된 블로그 글·튜토리얼이 여전히 LightweightMMM 기준으로 남아 있는 경우가 많아, 검색으로 자료를 찾을 때 어느 버전을 설명하는지 먼저 확인하는 습관이 필요하다.
Meridian은 Python으로 구현된 베이지안(Bayesian) MMM 프레임워크로, 구글 자체 확률 프로그래밍 라이브러리인 TensorFlow Probability 위에서 동작하며 지역(geo) 단위 계층적 구조를 지원한다. 베이지안 방식이라는 점이 핵심인데, 결과가 하나의 정확한 숫자(점추정치)가 아니라 확률분포(신뢰구간)로 나온다. "채널 A가 매출을 정확히 12% 올렸다"가 아니라 "가장 그럴듯한 범위는 이 구간이다"로 해석해야 한다. 2024년 3월 발표돼 2025년 1월 일반 공개(GA)됐고, 2026년 2월에는 Python 코드 없이 예산 시나리오를 탐색할 수 있는 노코드 인터페이스 Scenario Planner가 추가됐다. 다만 이 노코드 도구는 모델을 이미 구축한 뒤의 탐색 단계를 쉽게 해주는 것이지, 데이터 준비와 모델 구축 자체를 대체하지는 않는다.
Robyn은 메타(Meta) Marketing Science 팀이 만든 실험적(experimental) AI/ML 기반 오픈소스 MMM 패키지다. 저장소 이름 자체에 "experimental"이 붙어 있는데, 이는 상용 제품 수준의 안정성을 보증하는 게 아니라 메타가 연구·공유 목적으로 공개한 도구라는 뜻이다. R 언어가 정식(production) 경로이고, Python 포팅 버전(robynpy)은 LLM으로 번역된 베타 단계로 안내되고 있어, 지금 당장 안정적으로 쓰려면 R 환경을 기준으로 세팅하는 게 맞다.
Robyn의 2026년 유지보수 상태를 두고 매체별 보도는 엇갈리지만, 업계에서 통용되는 판단 기준은 명확하다. 공식 저장소의 archive(보관) 표기 여부와 무관하게 GitHub 이슈 활동이 2025년 11월까지 꾸준히 이어져온 이력을 근거로, 실무에서는 Robyn을 "메타가 사실상 계속 관리하는 도구"로 분류해 도입을 검토한다. 도입을 확정하는 시점에는 github.com/facebookexperimental/Robyn 저장소 상단의 최신 커밋 날짜만 마지막으로 확인하면 충분하다.
두 도구 모두 무료 오픈소스지만 "공짜로 쉽게 쓸 수 있는 도구"는 아니다. Meridian은 Python·TensorFlow 생태계, Robyn은 R 생태계에 익숙한 인력이 데이터 파이프라인 구축부터 모델 튜닝까지 직접 핸들링해야 한다. 조직에 R 데이터 분석가가 많다면 Robyn 쪽이, Python·머신러닝 인프라가 이미 있다면 Meridian 쪽이 진입장벽이 낮다. 두 도구를 병행 검토해 같은 데이터셋으로 결과를 교차 비교해보는 것도 초기 도입 단계에서 흔히 쓰는 방법이다.
오픈소스를 사내 인력이 직접 다루는 것 외에, MMM을 전문으로 다루는 컨설팅사에 모델 구축·해석 업무 전체를 외주로 맡기는 방식과, 벤더 자체 알고리즘과 대시보드를 갖춘 상용 MMM 솔루션(SaaS 형태)을 구독하는 방식이 있다. 컨설팅은 모델 구축·해석은 맡기지만 매출·매체 데이터를 정리해 넘기는 작업은 여전히 사내 몫으로 남는 경우가 많고, 상용 솔루션은 대시보드가 자동으로 결과를 보여주는 대신 그 결과가 자사 상황에 맞게 제대로 해석됐는지 검증할 내부 인력이 별도로 필요할 수 있다. 이 비용 구조는 다음 레슨(12강)에서 자세히 비교한다.
[MMM 도구 비교표]
| 항목 | Meridian(구글) | Robyn(메타) | 컨설팅 외주 | 상용 SaaS 솔루션 |
|---|---|---|---|---|
| 정확한 명칭·경로 | Python, TensorFlow Probability | R(정식), Python(베타) | 벤더별 상이 | 벤더별 상이 |
| 라이선스 비용 | 없음(오픈소스) | 없음(오픈소스) | 프로젝트/정기 계약 | 구독료 |
| 필요 인력 | Python·베이지안 통계 | R·베이지안 통계 | 데이터 정리 인력만 | 결과 해석 인력 |
| 2026년 유지보수 상태 | 공식 지원 중 | 사실상 유지 중(archive 표기와 무관) | 벤더 신뢰도는 계약 전 실사로 판단 | 벤더 신뢰도는 계약 전 실사로 판단 |
| 우리 조직 적합도(1\~5) | | | | |
결정 전 확인할 것:
- github.com/google/meridian, github.com/facebookexperimental/Robyn의 최신 README 직접 열람
- 사내 R/Python 인력 보유 현황
12강. MMM과 MTA 결과가 다를 때에서 두 측정 방법이 다른 결론을 낼 때 이를 함께 읽는 프레임을 다룹니다.