[스파르타 내일배움캠프 / 데이터 분석 트랙] TIL(Today I Learned)_12주차_25.02.12

Today's Goals

1. 태블로 실습 복습하기

2. 직무 관련 자료 찾기

 

 

 

 

아무리 생각해도 이제와서 마케팅에 뛰어들자니 자신이 없달까. 결국은 액션플랜을 짜야할텐데, 창의성도 없고요.... 트렌드에 민감한 센스도 없고요... 그냥 마케팅 데이터만 분석해도 되나요? ㅠㅠㅠㅠㅠ 분석과 머신러닝을 더 재밌어하는 성향인건 알지만, 아 이게 또 재밌는거랑 일은 다르긴한데...? 아무튼, 좀 더 기술 역량에 집중하는 방향을 고민해보자 싶다. 데이터 사이언티스트까진 아니지만? 어쨌든 머신러닝 할 줄 아는 사람을 위한 자리... 어디 없나..? 크흠

 

겸사겸사 직무 관련 공부도 할겸, 이번주엔 요즘 핫- 하다는 모델에 대해 알아보려고 한다. 그러다보면 최종 프로젝트 방향도 정할 수 있지 않을까 희망회로를 돌려보면숴. 오늘은 처음들어본 MMM을 찾아봤다.

 

 

 

 

 

 

1. 코드카타 - 파이썬

---

[조합과 순열]

• 파이썬에서는 따로 알고리즘을 짜지 않아도 조합과 순열을 출력하는 함수가 있음

from itertools import combinations, permutations

combinations(집합, 뽑는 개수)
permutations(집합, 뽑는 개수)

• 함수 결과는 이터레이터 객체로 반환됨

• 리스트로 이용하고 싶다면 변환하는 과정이 추가로 필요함

list(combinations(집합, 뽑는 개수))

 

 

[if-else만 있나, for-else랑 while-else도 있다!]

• for문은 보통 break, pass, continue와 같은 제어문을 활용함
• 이 때, else의 역할은 제어문이 실행되지 않았을 때, else에 포함되는 동작이 실행시킴
• while-else도 같은 맥락, while 조건이 만족하지 않게되면 else 동작이 실행됨

#오답코드
def solution(nums):
    from itertools import combinations
    answer = 0
    for i in combinations(nums,3) :
        comb_sum = sum(i)
        for j in range(2,comb_sum) :
            if comb_sum % j == 0 :
                break
            else :
                answer += 1
    return answer

• 처음에는 위와 같은 오답풀이를 했음(if-else로 해결되는 것으로 착각)
• if-else로 동작하게 되면, break 되지 않은 모든 경우의 수를 카운트 하게 되는 결과가 나옴
• 예를 들면, comb_sum이 1,2,4 조합으로 7이 될 때, 2부터 6까지 어떤 값으로도 나누어 떨어지지 않으므로 answer는 벌써 5로 업데이트 됨
• 내가 원하는 값은 1,2,4 조합으로 7이라는 소수 1개만 만들어졌으므로, 이 한가지만 카운트 된 1이 나와야 함
• 즉, for문 전체가 소수를 판독하는 동작으로, 하나의 comb_sum 마다 j를 모두 반복해보고, break가 걸리면 그냥 끝내고 break 없이 모든 경우가 반복되고 끝났다면 else에 해당하는 동작이 실행되어 최종적으로 소수 개수를 알 수 있음

 

 

 

 

2. 직무 관련 공부 - MMM 모델

---

[MMM의 시작]

• 미디어 믹스 모델링, 미디어 믹스 모델링 모두 사용되고 있지만 MMM의 탄생 배경은 미디어가 맞다.
• 전통적인 마케팅 채널(TV, 라디오, 신문 등)의 효과를 정량적으로 분석하고 최적화하려는 기업들의 필요성에 의해 시작되었다.
• 즉, 광고 예산을 어떻게 분배해야 ROI(투자 대비 수익)를 극대화할 수 있는지 데이터 기반 의사결정이 필요했다는 것이다.
• 하지만, 노출(Impression), 클릭(Click), 전환(Conversion) 등의 실시간 데이터를 제공하는 디지털 광고가 등장하면서, MMM이 아니라 MTA(Multi-Touch Attribution) 모델이 떠오르기 시작했다.

 

 

[핵심 개녕]

• MMM은 마케팅 활동(광고, 프로모션, 가격, 유통 등)이 매출과 같은 주요 성과지표에 미치는 영향을 정량적으로 분석하는 것이다.
• 주로 회귀분석을 활용하여 과거 데이터를 기반으로 각 마케팅 채널의 기여도를 분석하고, 투자 대비 성과를 최적화한다.
• 독립 변수 : 채널별 광고비, 프로모션, 제품 가격, 유통(오프라인 매장 수, 온라인 판매 채널 등), 경쟁사의 마케팅 활동, 계절성(휴가철, 연휴 등) 등
• 종속 변수 : 매출, 시장점유율, 고객 유입, 브랜드 인지도 등
• 결론적으로 MMM은 성과 지표 예측 모델을 만들고, 성과지표를 최대화하는 최적 전략을 찾는 분석 과정이다.

 

 

[분석 과정]

• 과거 데이터를 학습하여 성능지표를 예측하는 MMM 모델을 만든다. (다중 회귀, 랜덤포레스트, 딥러닝 등 회귀 모델 사용)
• 각 독립변수의 기여도를 분석하고, 모델의 성능을 평가한다.
• 최적화 기법을 적용하여 성능지표를 최대화하는 조합을 찾는다.(Gradient Descent, Genetic Algorithm, Bayesian Optimization 등)
• 시뮬레이션을 통해 시나리오를 테스트한다.(디지털 광고에 20% 더 투자하면 매출이 증가한다?)
• 결과를 바탕으로 최적의 예산을 책정한다.

 

 

[사례]

• A사는 지역별 마케팅 채널의 성과가 다른 것을 확인, 지역별 맞춤 마케팅 전략을 수립하여 ROI를 개선했다.
• B사는 각 마케팅 채널별 기여도를 분석하여 자동화된 마케팅 예산 최적화 시스템을 개발했다.

 

 

[강점]

• 거시적 관점에서 마케팅 투자 효과를 분석할 수 있다.(전체 예산의 분배가 가능해지는 것)
• 개별 사용자 데이터를 필요로 하는 MTA와 달리 개인정보 보호 이슈에 강하다.
• 오프라인 채널과 디지털 채널을 함께 분석할 수 있다.

 

 

[한계]

• 수개월에서 수년간 지속된 데이터를 기반으로 분석하기 때문에 단기적인(n일간 캠페인 같은) 광고 효과를 평가하긴 어려움이 있다.
• 실시간으로 진행되는 디지털 광고에 대한 실시간 분석이 어렵다.
• 정확한 데이터 품질을 만드는데 비용이 많이 들게 된다.

 

 

[개선 방향성]

• 머신러닝 기반의 기술이 결합되면서 발전하고 있다.
• 또한, MTA를 결합한 하이브리드 모델이 발전 할 수 있다.(MMM을 기반으로 예산 분배 후 MTA를 활용해 디지털 광고 내 최적화 진행)
• 개별 사용자를 추적하는 기존의 광고 성과 분석 방식이 점점 어려워 지고 있기 때문에 MMM의 중요성이 커질 수 있다.