광고 효과 측정: 검색량과 시계열로 채널 기여 재기, lift와 adstock 쉽게

대상: 엑셀은 다루지만 통계는 겁나는 마케터  ·  형식: 설명 가이드 + 실측 훅(시리즈 9편)  ·  2026-07-11

상관계수 0.15, 이 광고는 효과가 없는 걸까

한 온라인 영상 콘텐츠(PPL) 캠페인을 509일, 그러니까 1년 5개월 치 데이터로 되짚어본 적이 있다(내부 분석 자료, 비공개). 콘텐츠 조회수와 브랜드 검색량을 날짜별로 나란히 놓고 상관계수를 뽑아보니 0.15가 나왔다.

통계를 몰라도 이 숫자가 낮다는 감은 온다. 담당자였다면 그 자리에서 "이 광고는 브랜드 검색으로 안 이어진다, 예산을 접자"는 결론을 냈어도 이상하지 않았을 것이다.

그런데 그 결론을 내리기 전에 하나 물어야 했다. 개인 단위로 누가 이 영상을 보고 나중에 검색하거나 문의했는지 추적할 수 없는 상황에서, 상관계수 하나로 "효과 없음"을 확정해도 되는가.

이 글이 답하려는 질문은 세 가지다. 상관이 낮으면 정말 효과가 없다는 뜻인지, 개인을 추적할 수 없는 환경(다크 퍼널)에서 채널 효과를 어떻게 재는지, 그리고 오늘 튼 광고의 효과가 정말 오늘 다 나타난다고 믿어도 되는지.

채널별 성과가 안 잡힐 때 남는 것, 시계열

개인 단위 추적이 막히는 이유는 다크 퍼널 추적법에서 다룬 것과 같다. 오프라인 문의, 로그인 없는 조회, 다른 기기로 넘어간 여정처럼 쿠키 하나로는 끝까지 못 따라가는 경로가 실제 전환의 상당 부분을 차지한다.

그렇다고 손 놓을 이유는 없다. 누가 봤는지는 몰라도, 언제 봤는지와 언제 회사 전체 지표가 움직였는지는 안다. 발상을 이렇게 뒤집으면 길이 보인다. 개인을 쫓는 대신, 날짜라는 공통 축 위에 채널 신호와 성과 지표를 나란히 세워보는 것.

여기서 말하는 시계열은 거창한 게 아니다. 그냥 날짜별로 줄 세운 숫자 두 줄. 한 줄엔 이 채널의 활동(조회수·클릭·광고비), 다른 한 줄엔 회사 전체 성과(브랜드 검색량·문의·매출)를 같은 날짜 기준으로 적어두면, 둘이 같이 움직이는지 며칠 시차를 두고 움직이는지가 눈에 들어오기 시작한다.

이미지: 누가 봤는지는 몰라도 언제 봤는지는 안다. 두 곡선을 날짜로 나란히 놓는 것이 시작.

baseline과 lift, 평소 수준 위로 튄 만큼만 광고의 몫

두 시계열을 나란히 놓았다고 바로 "이게 광고 효과"라고 읽으면 또 다른 함정에 빠진다. 어떤 날이든 매출이나 문의는 광고가 하나도 없어도 어느 정도는 발생하기 때문이다. 브랜드 자산, 자연 검색 수요, 기존 고객의 재구매, 유통·가격 조건 같은 것들이 만드는 몫.

이 몫을 baseline(베이스라인)이라 부른다. 마케팅 개입이 전혀 없었어도 발생했을 것으로 추정되는 판매·전환이라는 뜻. 그리고 실측치가 이 baseline을 넘어 추가로 올라간 부분, 그 차이만 광고나 캠페인 덕으로 볼 수 있는데 이를 incremental lift(증분 lift)라 부른다.

욕조를 떠올리면 자리를 잡는다. 욕조에는 이미 물이 어느 정도 차 있다(baseline). 수도꼭지를 틀면 물이 더 들어와 수위가 올라가는데(lift), 오늘 수위만 보고 "이만큼이 전부 수도꼭지 덕"이라 말하면 원래 차 있던 물까지 광고 공으로 돌리는 셈이 된다.

이미지: 원래 차 있던 물이 baseline, 수도꼭지가 새로 채운 만큼이 lift다.

이 baseline과 lift를 실측 데이터에서 분리해내는 작업이 마케팅 믹스 모델링(MMM)의 핵심 산출물이다. 과거 판매 데이터를 마케팅 투자·가격·프로모션·경쟁·거시경제 변수와 함께 통계적으로 모델링해서, 마케팅 밖 요인의 몫(baseline)과 그 위에 얹힌 마케팅 기여분(lift)을 갈라내는 것이 목표다.

실무에서 가장 흔한 실수는 이 구분을 아예 안 하는 것. "이번 달 총매출"을 그대로 광고 성과 보고서에 올리면, 원래도 팔렸을 몫까지 광고 덕으로 둔갑한다. 다음 분기 예산을 짤 때 이 착시는 그대로 과대평가된 채널 예산으로 이어진다.

adstock, 오늘 광고의 효과는 오늘 다 나오지 않는다

baseline과 lift를 가르는 것만으로는 부족한 지점이 하나 더 있다. 오늘 튼 광고를 오늘 본 사람이, 오늘 바로 검색하거나 구매하지는 않는다는 사실이다. 광고를 본 뒤 며칠은 지나서야 실제 행동으로 이어지는 사람이 훨씬 많다.

이 지연·이월 효과를 adstock(광고 이월효과)이라 부른다. 이 개념은 사이먼 브로드벤트(Simon Broadbent)가 1979년 논문 "One Way TV Advertisements Work"에서 처음 제시한 것으로 널리 통용된다. 다만 이번 조사로는 여러 2차 자료가 일관되게 인용하는 통설을 확인했을 뿐, 1979년 원논문 원문까지 직접 대조하지는 못했다.

핵심 수식은 어려워 보여도 말로 풀면 단순하다. "오늘 남아있는 광고 효과는, 오늘 새로 들어온 노출량에다가 어제까지 남아있던 효과 중 일부를 더한 것"이라는 뜻이다. 어제 효과 중 얼마가 오늘까지 남는지를 정하는 게 감쇠율(λ)이고, 새 노출이 없으면 이 효과는 시간이 갈수록 조금씩 줄어든다.

실제로 어느 정도 지연되는지는 사례마다 다르다. 한 실측 사례(내부 분석 자료, 비공개)에서는 감쇠율 λ=0.75가 나왔고, 이 파라미터를 기준으로 누적효과의 90%가 7일 이내에 실현되는 것으로 추정됐다.

이 지연을 무시하면 무슨 일이 벌어지는지가 진짜 문제다. 같은 데이터를 "당일 조회수 → 당일 성과"로만 묶어 모델을 돌리면, 설명되지 않는 baseline 비중이 60%까지 부풀어 오른다. 광고 효과 대부분이 "원래 그랬을 것"으로 새어 들어가는 셈.

같은 데이터에 adstock, 즉 지연 반영 모델을 붙이자 이 baseline 비중은 26%로 줄었고, 모델이 실제 데이터를 얼마나 잘 설명하는지 나타내는 적합도(R²)는 0.30에서 0.74로 뛰어올랐다. 지연을 반영하지 않으면 채널의 진짜 기여가 실제보다 작아 보이는 과소평가 착시가 생긴다는 뜻.

다만 이 λ=0.75, 60%→26%, R² 0.30→0.74라는 숫자 자체를 표준값으로 외우면 곤란하다. 한 실측 사례에서 나온 특정 파라미터일 뿐, 업종·채널마다 감쇠율은 다르게 나온다. 여기서 가져갈 것은 숫자가 아니라 패턴, "당일 귀속만 보면 지연효과가 통째로 사라진다"는 구조다.

상관은 인과가 아니다, 광고비라는 교란변수

지연까지 반영해 상관을 다시 뽑았다고 해도, 상관이 높다고 곧장 "그래서 이 채널이 원인"이라 말하면 또 다른 함정에 들어간다. 두 지표를 동시에 움직이는 제3의 변수가 숨어 있을 수 있기 때문이다.

가장 널리 쓰이는 예시가 아이스크림 판매량과 익사 사고 건수의 관계다. 여름철엔 아이스크림도 많이 팔리고 물놀이 사고도 늘어나 둘 사이 상관이 높게 나오지만, 아이스크림이 사람을 물에 빠뜨리는 게 아니다. 둘 다 더운 날씨라는 공통 원인 때문에 같이 움직였을 뿐.

이미지: 아이스크림 판매와 익사 사고는 함께 늘지만, 원인은 둘 다 뜨거운 태양이다.

마케팅에서 이 공통 원인 역할을 가장 자주 하는 게 광고비 그 자체다. 앞서 본 실측 사례(내부 분석 자료, 비공개)에서 총광고비와 총전환의 상관은 0.666으로 상당히 높게 나왔는데, 뜯어보니 다른 유료 광고 채널의 자체 예산이 전환을 강하게 주도하고 있었다. 반면 콘텐츠 조회수와 총전환의 직접 상관은 0.06으로 거의 없다시피 했고, 브랜드 검색량과 총전환의 상관도 0.30에 그쳤다.

학술적으로 가장 널리 인용되는 반박 사례는 eBay의 브랜드 검색광고 실험(Blake, Nosko & Tadelis, Econometrica, 2015)이다. eBay는 미국 일부 지역에서 브랜드 키워드 검색광고를 껐다 켜는 대규모 필드 실험을 진행했는데, 결과는 예상 밖이었다. 브랜드 키워드 광고는 단기적으로 측정 가능한 이득이 거의 없었다. 광고가 없어도 이용자 대부분이 어차피 자연검색으로 유입되고 있었기 때문이다.

광고비 지출과 판매가 함께 움직여 상관은 높아 보였지만, 실제 원인은 "이미 살 생각이었던 사람들"이라는 제3의 변수였다. 이 착시는 관측 데이터를 아무리 들여다봐도 벗겨지지 않았고, 껐다 켜는 실험을 통해서만 드러났다. 다만 이 실험의 정확한 지역 수·기간 같은 세부 설계까지는 2차 요약 수준으로 확인했을 뿐, 논문 원문을 직접 열람하지는 못했다.

실무에서 흔한 실수는 상관이 높다는 이유만으로 "이 채널이 성과를 만들었다"고 보고하는 것. 광고비처럼 강한 교란변수가 있는 상황에서는 관측 데이터만으로 원인을 단독으로 분리하기가 구조적으로 어렵다. 진짜 인과를 확인하려면 실험이나, 최소한 자연실험에 가까운 변화가 필요하다.

지표를 바꾸면 보이는 것, 조회수 0.15가 집행강도 0.44가 된 이유

앞서 던져둔 질문으로 돌아가보자. 조회수와 브랜드 검색량의 상관 0.15는 정말 "효과 없음"을 뜻했을까. 같은 데이터에서 지표 하나를 바꿔보니 답이 달라졌다.

조회수 대신 집행강도(같은 기간 동안 실제로 태운 광고비)와 브랜드 검색량의 상관을 뽑자 0.44로 올라갔다. 조회수는 "봤다 안 봤다"만 구분할 뿐, 얼마나 강하게 밀었는지는 담지 못하는 지표였던 셈.

즉 문제는 광고 자체가 아니라 지표 선택에 있었다. 노출량이라는 얕은 지표만 보고 "효과 없음"으로 결론 냈다면, 집행강도라는 다른 각도로 나타나던 진짜 신호를 놓칠 뻔한 것. 약한 상관 하나로 포기하지 않고 다른 지표로 다시 확인하는 태도가, 이 사례 전체를 관통하는 핵심.

그래서 내일부터 쌓을 것, 시계열 세 줄과 달력 하나

여기까지 온 이유는 결국 하나다. 개인을 추적하지 않고도 채널 효과를 재려면, 지금부터 데이터를 쌓아야 한다는 것. 소급해서 만들 수 없는 게 시계열.

최소 구성은 세 줄. 채널 신호(조회수·클릭 등 이 채널이 만든 활동), 브랜드 검색량(회사·서비스명 검색 추이), 그리고 광고비(이 채널에 실제로 태운 집행강도)를 날짜 단위로 나란히 쌓는다. 여기에 캠페인 시작·종료일, 시즌 프로모션, 경쟁사 대형 이벤트 같은 것을 표시한 이벤트 캘린더를 더하면, 나중에 상관이나 시차를 봤을 때 "이게 광고 덕인지 시즌 덕인지"를 가려내는 실마리가 된다.

이미지: 채널 신호, 브랜드 검색량, 광고비. 세 줄을 나란히, 달력과 함께 쌓기 시작한다.

이 세 줄에 전환(문의·구매)까지 더해 네 줄로 겹쳐보면, 어떤 지표가 먼저 움직이고 어떤 지표가 며칠 늦게 따라오는지가 드러나기 시작하는데, 아래는 그 형태를 미리 보여주는 예시다.

실무 함정은 "나중에 필요하면 그때 쌓지"라는 생각이다. 시계열은 과거로 되감아 만들 수 없다. 광고 채널을 새로 시작하는 순간부터 이 세 줄과 캘린더를 켜 두는 것 자체가, 다음 분기에 "이 채널 정말 효과 있었나"라는 질문에 답할 수 있는 유일한 재료가 된다.

더 가고 싶다면, 오픈소스 MMM과 공짜 자연실험

여기서 본 것은 baseline·lift·adstock·교란변수라는 개념 수준. 실제로 이 시계열을 모델에 태워 채널별 기여도를 추정하려면 도구가 필요한데, 최근엔 무료로 쓸 수 있는 오픈소스 MMM(마케팅 믹스 모델링) 패키지가 여럿 나와 있다.

Meta가 공개한 Robyn은 Ridge 회귀와 다목적 진화 알고리즘을 결합해 하이퍼파라미터를 자동 탐색하고, 시계열 분해와 예산 배분 최적화까지 묶어낸 오픈소스 패키지다. 구글이 2025년 2월 전면 공개한 Meridian은 베이지안 인과추론 프레임워크를 기반으로, ROI 신뢰구간과 반응곡선까지 산출하는 것을 목표로 내세운다. 다만 두 도구를 실제로 구동해 결과를 비교해보지는 않았다는 점은 정직하게 밝혀둔다. 이번 조사는 공식 소개 페이지 수준에서 성격과 접근 방식을 확인한 정도.

도구 없이도 당장 해볼 수 있는 게 하나 있는데, 순차 제거 실험. 여러 채널을 굴리다 보면 "효과가 애매해서 어차피 뺄까 고민 중인" 채널이 늘 하나쯤 있다. 이럴 때 여러 채널을 한꺼번에 끄지 말고, 한 채널씩 순서대로 끄면서 adstock 길이만큼 간격을 두고 전후 지표를 비교하면 비용을 거의 들이지 않고도 자연실험에 가까운 근거를 얻을 수 있다.

이미지: 어차피 뺄 채널이면, 한 번에 다 끄지 말고 하나씩 순서대로 꺼서 전후를 본다.

역사 얘기는 끝, 이제 내 데이터에 대볼 차례

개념은 여기까지다. 이제 남은 건 오늘 가진 데이터로 이 렌즈를 대보는 일.

그래도 하나만 챙긴다면, 이것이다.

상관이 낮다고 효과가 없는 게 아니라, 지표와 시차를 못 맞췄을 뿐일 수 있다.

근거·출처

• adstock 개념 기원(통설, 원문 미대조): Advertising adstock, Wikipedia, Simon Broadbent, "One Way TV Advertisements Work", Journal of the Market Research Society, 1979
• baseline·incremental 정의: Marketing Mix Modelling, Baseline and Incremental Volume, Ashok Charan
• MMM 개요: Marketing Mix Modeling, Measured
• incremental lift 정의: Understanding Incremental Lift, Cassandra
• 상관 vs 인과, 브랜드 검색광고 필드 실험: Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment, NBER Working Paper (Blake, Nosko & Tadelis)
• 위 실험 정식 게재: Econometrica, 2015
• 오픈소스 MMM(Meta): Robyn 공식 문서
• 오픈소스 MMM(Google): Meridian 공식 소개

본문의 λ=0.75, baseline 60%→26%, R² 0.30→0.74, 상관계수 0.15·0.44·0.30·0.06·0.666 수치는 모두 볼트 내부의 익명화된 실측 사례에서 가져온 것으로, 원 프로젝트명·고객명은 밝히지 않는다(내부 분석 자료, 비공개). 이 숫자들은 해당 사례 하나의 특정 파라미터이며, 업종·채널 전반에 일반화된 벤치마크가 아니다. adstock의 origin(Broadbent, 1979)과 eBay 실험의 세부 설계는 1차 원문을 직접 열람하지 못하고 2차 자료로 교차확인했다. Robyn·Meridian은 공식 소개 페이지 수준에서만 확인했고, 직접 구동해 비교하지는 않았다.