왜 지출을 늘려도 매출이 비례해서 늘지 않는가

한 매체에 예산을 처음 투입할 때는 아직 그 매체 안에서 도달 가능한 잠재고객 중 노출되지 않은 사람이 많기 때문에, 지출을 늘릴수록 새로운 고객에게 도달하는 비율이 높아 매출도 가파르게 늘어납니다. 하지만 지출이 계속 늘어나면 이미 그 매체에서 도달 가능한 핵심 타겟은 대부분 노출된 상태가 되고, 추가 지출은 같은 사람에게 광고를 반복 노출하거나 관심도가 낮은 주변부 타겟까지 억지로 끌어오는 데 쓰이게 됩니다. 이 지점부터는 지출을 늘려도 매출 증가폭이 눈에 띄게 둔화되는데, 이 현상을 한계효용체감(Diminishing Returns) 또는 포화(Saturation)라고 부릅니다.

Meridian은 이 곡선을 어떻게 계산하는가

Meridian은 포화 효과를 유연한 Hill 변환 함수(Hill transformation function)로 모델링합니다. 이 함수는 지출이 적은 구간에서는 가파르게 상승하다가, 지출이 일정 수준을 넘어서면 곡선이 점점 평평해지는 S자형에 가까운 형태를 그립니다. 정확히 어느 지출 수준에서 곡선이 꺾이기 시작하는지(변곡점)는 함수의 파라미터에 따라 결정되고, 이 파라미터는 각 회사가 투입한 실제 매출·지출 데이터를 모델이 학습해 추정합니다. 즉 "이 매체는 예산 얼마 이상부터 포화된다"는 범용 숫자는 존재하지 않고, 오직 자사 MMM을 직접 돌려봐야 확인할 수 있는 값입니다.

변곡점을 실무에서 어떻게 활용하나

포화 곡선에서 아직 가파른 구간에 머물러 있는 매체는 예산을 더 투입할 여력이 있다는 뜻이고, 이미 곡선이 평평해진 구간에 있는 매체는 추가 예산을 넣어도 매출 증가가 크지 않다는 뜻입니다. 이 정보를 채널별로 나란히 놓고 비교하면, 어느 매체는 예산을 더 늘리고 어느 매체는 줄여야 하는지에 대한 근거를 마련할 수 있습니다. 이 비교 결과를 실제 예산 재배분 계획으로 옮기는 구체적인 절차는 8강(예산 최적화 시뮬레이터)에서 다룹니다.

포화 곡선을 볼 때 주의할 점

포화 곡선은 어디까지나 모델이 과거 데이터에서 관측한 지출 범위 안에서만 신뢰할 수 있습니다. 예를 들어 특정 매체에 한 번도 지금의 두 배 이상 예산을 투입해본 적이 없다면, 모델이 그 구간의 곡선 형태를 외삽(extrapolation)으로 추정한 것일 뿐 실제로 검증된 값이 아닙니다. 이런 미관측 구간에서의 예산 확대는 모델 예측만 믿고 크게 베팅하기보다, 우선 소규모로 늘려보며 실제 반응을 확인하고 그 데이터를 모델에 다시 반영하는 점진적 접근이 안전합니다. 한 번에 예산을 크게 바꾸면 스마트 입찰 학습 기간이 리셋되는 문제까지 겹칠 수 있어, 단계적 증액과 관찰 주기를 두는 방식이 여러 면에서 유리합니다. 또한 포화 곡선은 애드스톡과 별개로 존재하는 게 아니라, 4강에서 다룬 시간축 재배분 이후의 지출 규모에 적용되는 함수라는 점도 함께 기억해야 합니다 — 두 함수를 순서대로 적용해야 왜곡 없는 결과가 나옵니다.

매체마다 곡선 모양이 다르게 나오는 이유

같은 회사 안에서도 매체별로 포화 곡선의 형태는 상당히 다르게 나타나는 경우가 많습니다. 검색광고처럼 이미 구매 의사가 명확한 사람을 잡는 매체는 도달 가능한 타겟 자체가 한정적이라 상대적으로 낮은 예산 수준에서부터 곡선이 꺾이기 시작하는 경향이 있고, 디스플레이·소셜·OOH처럼 잠재고객 풀 자체가 넓은 브랜딩 매체는 훨씬 높은 예산까지 가파른 구간이 이어지는 경향이 있다고 업계에서 흔히 설명합니다. 다만 이 경향성도 업종·상품군·타겟 규모에 따라 얼마든지 뒤집힐 수 있는 일반론일 뿐, 자사 모델이 실제로 그려낸 곡선이 이 일반론과 다르게 나온다면, 업계 통념보다 자사 데이터가 말해주는 결과를 우선 신뢰해야 합니다.

예산 최적 변곡점을 팀 내에서 공유할 때

포화 곡선 결과를 의사결정에 반영하려면, 통계 모델을 모르는 팀원에게도 "이 매체는 지금 예산의 몇 배까지는 늘려도 효율이 크게 안 떨어진다" 정도의 직관적인 언어로 변환해서 전달하는 작업이 필요합니다. 곡선 그래프 자체를 그대로 공유하기보다, 현재 지출 위치를 곡선 위에 표시하고 "여기서 더 늘리면 효율이 어떻게 바뀌는가"를 시각적으로 짚어주는 방식이 실무에서 설득력이 높습니다. 이때 곡선의 신뢰구간(베이지안 모델의 확률적 추정 범위)도 함께 보여줘야, 팀이 변곡점을 단정적인 경계선이 아니라 참고 구간으로 받아들일 수 있습니다. 신뢰구간을 생략하고 단일 숫자만 전달하면, 실제로는 불확실성이 큰 추정치를 마치 확정된 사실처럼 오해하는 의사결정으로 이어지기 쉽습니다.