예산 최적화가 실제로 계산하는 것

지금까지 다룬 애드스톡(4강)과 포화 곡선(5강)을 각 매체별로 다 구했다면, 이제 이 곡선들을 종합해 "정해진 총예산을 매체별로 어떻게 나눠야 전체 매출이 최대가 되는가"를 계산하는 단계로 넘어갈 수 있습니다. 이 계산 과정 전체를 예산 최적화(Budget Optimization)라고 부릅니다. 원리는 단순합니다 — 아직 포화 곡선이 가파른 구간에 머물러 있는 매체(추가 예산 대비 매출 증가폭이 상대적으로 큰 매체)에 예산을 더 배정하고, 이미 곡선이 평평해진 매체(추가해도 효율이 낮아진 매체)에서는 예산을 줄이는 방향으로, 총예산이라는 제약 조건 안에서 최적점을 찾아내는 것입니다. 매체가 두세 개뿐이면 감으로도 어느 정도 가늠할 수 있지만, 매체 수가 늘어날수록 조합의 경우의 수가 기하급수적으로 늘어나 계산 도구 없이는 사람이 직접 최적해를 찾기가 사실상 불가능해집니다.

2026년 등장한 노코드 예산 시나리오 도구

구글은 2026년 2월 Meridian에 새 기능인 Scenario Planner를 추가했습니다. 이는 Python 코드를 직접 다루지 않아도 예산 시나리오를 탐색할 수 있는 노코드 인터페이스로, 마케팅 담당자가 R/Python 환경 없이도 "이 채널에 예산을 더 넣으면 어떻게 되는가" 같은 질문을 직접 실험해볼 수 있게 해줍니다. 다만 이 도구는 이미 데이터로 구축·학습된 모델 위에서 다양한 시나리오를 탐색하는 후속 단계 도구라는 점을 분명히 알아둬야 합니다 — 데이터 파이프라인을 짜고 모델을 학습시키는 앞단 작업 자체를 대체하지는 않으며, 그 작업은 여전히 3강에서 다룬 인프라와 인력이 필요합니다.

최적화 결과를 곧이곧대로 실행하면 안 되는 이유

모델이 계산해서 뽑아낸 "이론상 최적 배분안"은 수학적으로 매출을 최대화하는 조합일 뿐, 회사가 실제로 실행할 수 있는 조건까지 자동으로 고려한 결과가 아닙니다. 예를 들어 특정 매체와의 연간 계약으로 최소 집행액이 정해져 있거나, 오프라인 매체는 제작물 리드타임 때문에 몇 달 전에 예산을 확정해야 하거나, 조직 내부적으로 한 채널에 예산을 급격히 몰아주기 어려운 사정이 있을 수 있습니다. 실무에서는 모델이 낸 최적안을 그대로 집행하기보다, 이런 현실적 제약을 반영해 조정한 뒤 8강 앞부분에서 다룬 방식대로 단계적으로 예산을 이동시키는 접근이 일반적입니다.

"예산 10억을 어떻게 쪼개야 하는가"는 왜 정답이 없는가

이 레슨 제목의 "내년 예산 10억"은 설명을 위한 예시 상황일 뿐, 실제 최적 배분 비율은 회사마다, 심지어 같은 회사라도 시즌마다 전혀 다르게 나옵니다. 배분 비율은 그 회사가 직접 학습시킨 MMM이 실제 매출·지출 데이터에서 뽑아낸 애드스톡·포화 곡선에 전적으로 의존하기 때문에, "보통 검색에 몇 %, 디스플레이에 몇 %"처럼 업종을 불문하고 통용되는 공식 기준값은 존재하지 않습니다. 이런 일반화된 배분 공식을 어딘가에서 찾아 그대로 적용하기보다, 자사 모델을 정기적으로 재학습해가며 매 시즌 배분안을 새로 산출하는 것이 훨씬 정확한 접근입니다.

최적화를 정기적으로 반복해야 하는 이유

예산 최적화는 한 번 계산해서 끝내는 일회성 작업이 아닙니다. 시간이 지날수록 시장 상황·경쟁 구도·매체 단가가 계속 바뀌고, 새로운 매출·지출 데이터가 쌓일수록 모델이 학습한 애드스톡·포화 곡선 자체도 조금씩 갱신됩니다. 분기 또는 반기 단위로 모델을 재학습하고 그때마다 예산 최적화도 다시 돌려보는 주기를 정해두는 것이 일반적입니다. 특히 신규 매체를 새로 편입하거나 기존 매체에서 큰 폭의 지출 변화가 있었던 직후에는, 정기 재학습 주기를 기다리지 않고 별도로 다시 학습시켜 배분안을 새로 확인하는 것이 안전합니다.

최적화안을 의사결정자에게 설명할 때

최적화 결과를 경영진·예산 승인권자에게 전달할 때는 "이 배분이 왜 이렇게 나왔는가"를 설명할 수 있어야 설득력이 생깁니다. 단순히 최적 배분 숫자만 던지듯 보여주면 "왜 이 매체는 줄이고 저 매체는 늘려야 하냐"는 질문에 곧바로 답하기 어렵습니다. 이때 5강에서 다룬 포화 곡선 위에 현재 지출 위치와 최적화 후 지출 위치를 함께 표시해 "이 매체는 아직 곡선의 가파른 구간에 있어서 늘리는 것이고, 저 매체는 이미 평평한 구간이라 줄이는 것"이라는 식으로 근거를 곡선과 함께 제시하는 방식이 실무에서 훨씬 잘 통합니다. 신뢰구간이 넓게 나온 매체는 배분 변경 폭을 보수적으로 잡아야 하는 이유도 함께 설명하면 설득력이 더 높아집니다.