MER은 무엇이고 왜 개별 캠페인 지표보다 이 비교에 적합한가

MER(마케팅 효율 비율)은 특정 캠페인이 아니라 전체 매출을 전체 마케팅 비용으로 나눈 비즈니스 단위 지표입니다. 개별 캠페인의 ROAS나 CPA는 그 캠페인 안에서 발생한 전환만 계산하기 때문에, 여러 캠페인이 같은 사용자 여정에 관여하는 상황(예: 검색광고로 인지하고 PMax 리마케팅으로 전환)에서는 어느 캠페인의 기여인지 정확히 나누기 어렵습니다. MER은 이 귀속 문제를 우회해 "전체적으로 광고비 대비 매출이 나아졌는가"라는 더 근본적인 질문에 답합니다.

PMax 도입 효과를 판정할 때 MER을 쓰는 이유가 여기 있습니다 — PMax는 검색·쇼핑·디스플레이·유튜브 지면을 동시에 쓰기 때문에, 개별 캠페인 지표로는 "PMax가 기존 검색 캠페인의 전환을 가로챈 것"과 "PMax가 실제로 새 전환을 만든 것"을 구분하기 어렵습니다.

왜 캠페인 단위 비교가 아니라 전체 계정 단위로 봐야 하나

검색 캠페인의 정확 매치 키워드는 PMax보다 우선 적용되지만, 그 외 영역에서는 두 캠페인이 같은 검색어·같은 사용자를 두고 경쟁할 수 있습니다. 이 상황에서 "PMax 도입 후 검색 캠페인의 CPA가 나빠졌다"는 관찰만으로 PMax를 실패로 판정하면, 실제로는 검색 캠페인이 가져가던 전환의 일부가 PMax로 옮겨갔을 뿐 전체 전환·매출은 그대로이거나 늘었을 가능성을 놓치게 됩니다. 계정 전체의 MER이 함께 개선됐는지를 봐야 이 오판을 피할 수 있습니다.

실험 설계: 지역 분할 vs 기간 분할 중 무엇을 쓸까

PMax 도입 효과를 검증하는 실험은 크게 두 방식으로 설계할 수 있습니다. 지역 분할(Geo-split)은 특정 지역군은 기존 캠페인 조합을 유지하고 다른 지역군에만 PMax를 적용해 같은 기간 동안 두 그룹의 MER을 비교하는 방식입니다. 기간 분할(전후 비교)은 같은 계정에서 PMax 도입 전후 기간의 MER을 비교하는 방식입니다.

지역 분할은 같은 기간에 비교하므로 계절성 영향을 통제하기 쉽지만, 지역별로 시장 특성이 달라 순수하게 캠페인 효과만 분리하기 어려울 수 있습니다. 기간 분할은 설계가 간단하지만, 전후 기간 사이에 있었던 다른 변화(프로모션, 시즌, 경쟁 상황)와 PMax 효과를 분리하기 어렵다는 한계가 있습니다. 계정 규모가 크고 지역별 데이터가 충분하다면 지역 분할이, 그렇지 않다면 기간 분할이 현실적인 선택입니다.

통계적 유의성은 어떻게 판단하나

구글 광고 실험 기능은 신뢰도(Confidence, 1-p값)로 통계적 유의성을 판단합니다. P값은 관찰된 성과 차이가 실제 효과 없이 우연히 발생했을 확률을 나타내며, 이 값이 낮을수록(예: 0.05 이하) 관찰된 차이가 우연이 아니라 실제 효과일 가능성이 높다고 해석합니다. 구글 광고 실험 기능을 쓰면 최대 2개의 목표 지표를 선택해 원본 캠페인과 실험 캠페인의 성과 차이가 통계적으로 유의한지 자동으로 계산해줍니다.

MER처럼 계정 전체 지표를 비교할 때는 구글 광고 실험 기능이 직접 계산해주지 않으므로, 광고비·매출 데이터를 별도로 취합해 유의성 계산을 직접 하거나 통계 분석 도구를 활용해야 합니다.

표본 크기·실험 기간은 얼마나 필요한가

통계적 유의성 판단에는 충분한 데이터량(표본 크기)이 필수입니다. 실험 기간 동안 선택한 목표 지표(전환수, 매출 등)가 충분히 쌓여야 신뢰할 수 있는 결과가 나옵니다. PMax 자체의 학습 기간이 최소 7일, 안정화까지 30일 정도 걸리는 점을 감안하면, 실험은 최소 한 달 이상, 가급적 두 번의 결제 주기나 두 번의 프로모션 사이클을 포함하는 기간으로 설계하는 것이 안전합니다. 짧은 기간의 결과만으로 판정하면 PMax가 아직 학습 중인 불안정한 구간의 데이터가 결과를 왜곡할 수 있습니다.

실험 결과를 해석할 때 흔한 오류

가장 흔한 오류는 계절성이나 프로모션 같은 외부 변수를 통제하지 않고 전후 비교만으로 결론을 내리는 것입니다. 예를 들어 PMax 도입 시점이 마침 연말 프로모션 기간과 겹쳤다면, MER 개선이 PMax 때문인지 프로모션 때문인지 구분할 수 없습니다. 두 번째 오류는 표본 크기가 부족한 상태에서 신뢰도 수치만 보고 성급히 판정하는 것입니다 — 데이터가 적으면 우연한 변동도 큰 차이처럼 보일 수 있습니다. 세 번째는 단기 MER만 보고 장기 효과(브랜드 검색량 증가, 재구매율 변화)를 놓치는 것입니다. 이런 오류를 피하려면 실험 기간을 충분히 잡고, 가능하면 외부 변수가 적은 평상시 기간을 선택해야 합니다.