어느 쪽을 우선하라는 업계 공식 판정 규칙은 없다 — 있는 것은 두 도구의 역할 차이와, 실험으로 교차검증하는 절차뿐이다
MMM은 사용자 단위 추적 없이 매출·매체비·외부 변수 같은 집계 데이터로 채널 기여를 추정하고, 어트리뷰션은 사용자 단위 경로를 근거로 전환을 귀속시킨다
결정의 성격으로 먼저 갈라야 한다 — 분기 예산 배분·신규 채널 편성은 MMM, 소재·타겟·입찰 같은 주 단위 운영은 어트리뷰션
Meridian은 A/B 테스트·증분성 실험 데이터로 모델을 보정하는 기능을 공식 지원한다 — 충돌의 최종 심판은 실험이다
실험을 돌리기 전이라면 불일치의 크기·방향을 먼저 수치로 적고, 원인 후보(비매체 변수 누락, 기여 설정 변경)를 제거한 뒤에 판단한다
어느 쪽이 맞는지부터 묻지 않는 이유는 무엇인가
MMM(마케팅 믹스 모델링)은 사용자 단위 쿠키·기기 추적 없이 매출, 매체별 광고비, 외부 거시 변수 같은 집계 통계만으로 각 채널의 기여도를 추정합니다. 개인 식별 데이터가 필요 없어 서드파티 쿠키 규제나 iOS 추적 제한과 무관하게 돌아가지만, 그만큼 소재 단위·오디언스 단위의 세밀한 인사이트는 주지 못합니다. 반대로 어트리뷰션은 사용자가 거친 터치포인트를 근거로 전환을 귀속시키므로 소재·키워드 단위까지 내려가지만, 추적이 끊긴 구간은 통째로 사라집니다. 즉 두 숫자는 서로를 검증하는 관계가 아니라 관측 범위가 다른 관계입니다. 여기에 더해 어느 쪽을 우선하라는 표준 판정 규칙은 어느 매체도 공표한 적이 없습니다. 그러니 회의에서 "MMM이 맞냐 GA4가 맞냐"로 시작하면 결론이 나지 않습니다. 질문을 "지금 우리가 내려야 할 결정이 무엇이고, 그 결정에 필요한 관측 단위가 무엇인가"로 바꿔야 대화가 진행됩니다.
결정의 종류로 도구를 가르는 기준은 무엇인가
실무에서 쓸 수 있는 첫 번째 분기점은 결정의 시간 단위와 대상 단위입니다. 분기·반기 예산을 채널 사이에 재배분하는 결정, 오프라인·TV처럼 클릭이 남지 않는 매체를 포함한 편성, 가격·프로모션 같은 비매체 변수가 크게 움직인 시기의 성과 해석은 MMM 쪽 결과를 기준선으로 둡니다. Meridian은 가격·프로모션 같은 비매체 변수를 모델에 함께 넣을 수 있고, 이 변수를 빼면 그 변수가 만든 매출 변화를 특정 매체 효과로 잘못 귀속시키는 왜곡이 생깁니다. 반대로 이번 주 어떤 소재를 끄고 어떤 광고 세트에 예산을 더 줄지, 어떤 키워드를 제외할지 같은 결정은 어트리뷰션 데이터로 내립니다. MMM은 소재 단위 해상도를 애초에 갖고 있지 않기 때문입니다. 이 분기 규칙을 문서로 못 박아두면, 충돌이 생길 때마다 우선순위를 새로 협상하지 않아도 됩니다.
충돌을 수치로 정리하는 절차는 어떻게 되는가
판단하기 전에 충돌의 모양부터 확정합니다. 첫째, 같은 기간·같은 채널 정의로 두 결과를 나란히 놓습니다. MMM의 채널 묶음과 어트리뷰션의 채널 그룹이 다르게 잘려 있으면 그 차이만으로 수치가 벌어지므로, 채널 매핑 표를 먼저 맞춥니다. 둘째, 차이를 방향과 폭으로 적습니다("MMM 기준 기여가 어트리뷰션 대비 X% 낮음"). 셋째, 기술적 원인 후보를 하나씩 제거합니다. 메타는 2026년 1월 12일부로 광고 인사이트 API에서 7일 조회·28일 조회 기여 기간 옵션을 영구 제거했고, 2026년 3월에는 참여 유도(engage-through) 기여를 도입해 좋아요·댓글·공유가 1일 기여 기간으로 분리됐습니다. 이런 설정 변경이 있었던 구간은 어트리뷰션 쪽 숫자가 구조적으로 줄어든 것이지 성과가 줄어든 것이 아닙니다. 반대편에서는 MMM 입력 데이터에 프로모션·가격 변동·경쟁 이슈가 빠져 있지 않은지 봅니다. 원인 후보를 다 지우고도 남는 차이만 진짜 충돌입니다.
실험으로 판정을 붙이려면 무엇을 해야 하는가
남은 충돌은 실험으로 끊습니다. Meridian은 A/B 테스트나 인크리멘털리티 실험 데이터를 모델 보정(calibration)에 반영하는 기능을 공식적으로 지원하고, 지역 단위 실험 도구인 Meridian GeoX는 특정 지역의 집행을 중단·확대해 얻은 인과 효과를 모델의 사전분포로 되먹입니다. 즉 구글이 설계한 흐름 자체가 "실험이 모델을 고친다"입니다. 메타 쪽에서도 리프트 테스트는 오디언스를 테스트 그룹과 홀드아웃 그룹으로 무작위 분할해 같은 기간 전환 차이를 비교하는 구조이므로, 특정 채널의 증분 기여를 직접 확인할 수 있습니다. 다만 실험 보정 기능이 있다고 해서 실험 없이 정확한 모델이 나오지는 않습니다 — 표본이 부족하거나 설계가 어긋난 실험을 넣으면 보정 효과도 제한적입니다. 실험 설계와 표본 산정은 이 과목 11편의 절차를 따르십시오.
우리 팀 규칙으로 문서에 남길 항목은 무엇인가
공식 기준이 없다는 말은 우리가 기준을 만들어야 한다는 뜻입니다. 최소한 다음 다섯 가지를 운영 매뉴얼에 적어두면 매번 논쟁하지 않습니다. ① 결정 유형별 기준 데이터(분기 예산=MMM, 주간 운영=어트리뷰션) ② 채널 매핑 표와 갱신 주기 ③ 두 결과의 허용 격차와, 그 이상 벌어졌을 때 실험을 발주하는 트리거 ④ 기여 설정·모델 변경 이력을 남기는 위치(변경일·변경자·변경 전후 값) ⑤ 충돌 상태에서 내린 결정과 그때 채택한 근거를 기록하는 양식. 특히 ③의 허용 격차는 공표된 표준이 없으므로, 자사 계정의 과거 6개월 데이터로 평상시 격차 분포를 먼저 그린 뒤 그 분포를 벗어나는 지점을 트리거로 잡는 방식이 현실적입니다. 참고로 메타는 2026년 인크리멘털 어트리뷰션을 확대 도입하며 자체 집계로 표준 기여 모델 대비 증분 전환이 24% 늘었다고 밝혔는데, 이 역시 메타 자체 수치이므로 우리 계정의 실제 증분율은 별도 확인이 필요합니다.
다음 행동
이번 분기 MMM 결과와 GA4·매체 리포트를 같은 기간·같은 채널 매핑으로 한 표에 옮겨 놓고, 차이가 가장 큰 채널 한 개를 골라 그 차이가 2026년 메타 기여 설정 변경 구간과 겹치는지부터 확인해보세요.
← 이전 글 · 레슨 09 CDP(고객데이터플랫폼) 도입 시 기존 매체 전환 데이터와 CDP 데이터의 정합성 검증법
CHALLENGE
배운 걸 실전 문제로 확인
카테고리별 Level Test로 실무 레벨을 점검해보세요.