1. VIPer LMMM 모델

lmmm (lightweightmmm) 경량화된 오픈소스 솔루션 lmmm 은 사용자가 쉽게 마케팅 믹스 모델(mmm)을 학습시키고 채널별 기여도 정보를 얻을 수 있도록 개발된 파이썬(python) 기반의 오픈소스 라이브러리 입니다 viper lmmm은 해당 분석 로직을 노코드 솔루션으로 재탄생 노코드 솔루션으로 재탄생 시켜 개발 지식이 없는 마케터도 접근할 수 있도록 만들었습니다 현재 google meridian 또한 연구 및 분석 컨설팅은 진행 중이며 viper 내 노코드 서비스로 오픈 예정입니다 1\ lmmm의 정의 lmmm은 미디어 채널 전반에 걸친 마케팅 지출을 이해하고 최적화할 수 있도록 돕는 베이지안 마케팅 믹스 모델링(mmm) 도구 베이지안 마케팅 믹스 모델링(mmm) 도구 입니다 최근의 개인정보 보호 정책 등 생태계 변화에 영향을 받지 않으면서도, 온/오프라인 채널의 광고 효과를 통합적으로 측정하고 최적의 예산 할당 결정을 내릴 수 있도록 지원합니다 베이지안(bayesian)이란? 사전 지식의 적극적 활용 사전 지식의 적극적 활용 마케팅 업계의 실무 경험, 과거 mmm 결과 등 기존에 이미 알고 있는 '사전 정보' 를 새로운 분석 모델에 반영하여 활용하는 방식입니다 불확실성을 고려한 예측 불확실성을 고려한 예측 분석 결과가 가진 예측 값만 보는 것이 아니라 결과, 데이터가 가질 수 있는 불확실성 까지 예측할 수 있습니다 비즈니스에 대한 사전 지식과 새로운 집행 데이터를 모두 반영하여 결과를 도출하기 때문에 실제 마케팅 환경에 적용할 수 있는 기여도 분석, 마케팅 예산 할당 전략을 계획할 수 있습니다 2\ 핵심 기술적 특징 lmmm은 numpyro 와 jax 라이브러리 기반으로 구축되었으며, 모델의 유연성과 정확도를 높이기 위해 다음과 같은 기술을 활용합니다 \text{kpi} t = α + t r e n d + s e a s o n a l i t y + m e d i a c h a n n e l s + o t h e r f a c t o r s 베이지안 접근법 (bayesian approach) 베이지안 접근법 (bayesian approach) 업계 경험이나 이전 미디어 믹스 모델의 정보 를 베이지안 사전 확률(bayesian priors) 형태로 모델링에 통합할 수 있습니다 또한, 파라미터와 모델의 불확실성을 측정 하여 이를 예산 최적화 과정에 반영합니다 미디어 이월(lag) 및 포화 효과 측정 미디어 이월(lag) 및 포화 효과 측정 광고가 매출에 미치는 효과를 정교하게 분석하기 위해 광고의 지연 효과, 포화 효과 를 모델링하는 3가지 접근법을 제공합니다 adstock 시간이 지남에 따라 가중치가 감소 하는 지연 효과 를 적용합니다 hill adstock adstock 결과에 수확 체감 을 위한 s자형 커브 형태의 함수를 적용합니다 carryover 광고 효과가 광고 직후가 아닌 특정 시점 이후 극대화되는 형태 등으로 보다 다양한 가중치로 형태 설정 이 가능합니다 위 adstock, hill adstock, carryover의 경우 viper lmmm에서는 '전문가 분석'에서만 조건 설정이 가능합니다 필요시 viper 컨설팅으로 문의 부탁드립니다 3\ 주요 기능 및 강점 적은 데이터로도 빠르게 안정적 결과 도출 적은 데이터로도 빠르게 안정적 결과 도출 고성능 수치 계산 라이브러리 jax 를 기반으로 설계되었으며, 간결하면서도 명확한 모델 구조를 바탕으로 가볍고 빠른 모델 학습 을 지원합니다 상세한 모델 진단 도구 상세한 모델 진단 도구 실제 kpi와 예측 kpi 간의 적합도 검사( r squared 및 mape 활용), 예측치 분포 확인 등 모델의 신뢰성을 검증할 수 있는 다양한 진단 기능을 제공합니다 풍부한 미디어 인사이트 시각화 풍부한 미디어 인사이트 시각화 미디어별 반응 곡선(response curves) 을 도출하고, 미디어 효과 및 roi (투자 대비 수익률) 추정치의 분포를 시각화하여 직관적인 성과 분석을 가능하게 합니다