posts
기술 포스트
코드를 짜며 배운 것, 시도해본 것, 메모.
마케팅 리서치·논문 research · geo
SEO·GEO 학계 자료 6편 — GEO 논문부터 LLM 인용 연구·E-E-A-T 근거까지
GEO(Generative Engine Optimization)의 뿌리가 된 논문과 LLM 인용 패턴 연구, E-E-A-T 근거 자료 6편을 마케터 시선으로 해부합니다. ChatGPT·Perplexity가 무엇을 인용하는지, 무엇이 통하고 무엇이 안 통하는지 실측 숫자로 정리.
앱 마케팅 aso · app-marketing
ASO 기본기 — App Store와 Google Play의 다른 규칙, 키워드부터 전환 최적화까지
앱 마케팅을 시작하면 광고비를 쓰기 전에 스토어부터 정비해야 합니다. App Store와 Google Play가 키워드를 다루는 방식이 어떻게 다른지, 메타데이터·스크린샷·평점이 다운로드 전환에 어떻게 작용하는지 ASO의 기본기를 정리했습니다.
마케팅 리서치·논문 attribution · shapley-value
광고 attribution 핵심 논문 7편 — Shapley부터 incrementality·MMM·DDA까지
어트리뷰션 도구가 내놓는 숫자 뒤에는 수십 년의 학술 계보가 있습니다. 협력 게임 이론의 Shapley value부터 MMM, incrementality, data-driven attribution까지 광고 기여도 측정의 뿌리가 된 논문 7편을 마케터 관점에서 정리했습니다.
Analytics Ops (GA4·GTM) ga4 · analytics
GA4 컨설팅 체크리스트 30 — 설치·권한·이벤트·전환·attribution을 한 번에 점검하기
새 GA4 계정을 넘겨받았거나 컨설팅을 시작할 때, 무엇부터 확인해야 하나. 설치 정합성부터 권한, 이벤트 택소노미, 전환, attribution 설정까지 30개 점검 항목을 영역별로 정리했습니다. 나가서 바로 쓰는 체크리스트.
매체 데이터 알아보기 meta-api · marketing-api
Meta Marketing API 핸드북 — 인증부터 일자별 spend·전환·크리에이티브 추출까지
광고 매니저 화면에서 CSV를 매일 손으로 내려받고 있다면 이 글이 그 일을 끝내줍니다. Meta Marketing API로 토큰 발급, 일자별 spend·전환·크리에이티브를 안정적으로 뽑는 실전 핸드북. attribution window 함정과 async 리포트까지.
바이브 코딩·하네스 엔지니어링 loop · agent
루프 엔지니어링 — LLM은 한 방이 아니라 반복으로 일한다
AI 결과물의 품질은 프롬프트가 아니라 루프에서 나옵니다. 생성→검사→수정→재검사 루프의 해부, 4가지 루프 유형, 이 블로그 글 5편이 lint를 통과한 실제 기록, 종료 조건 설계와 Goodhart 함정까지 정리합니다.
B2B 마케팅 lead-scoring · b2b
B2B Lead Scoring 설계 — fit과 intent의 2축 모델, 그리고 ML
웨비나 리드 500개, 영업은 열 명. 누구부터 전화할지를 점수로 정하는 lead scoring의 설계 표준을 다룹니다. fit·intent 2축 매트릭스, 규칙 기반 포인트 설계, 시간 감쇠, ML 전환 시점과 영업 합의까지.
바이브 코딩·하네스 엔지니어링 claude-code · skill
Claude Code deep-dive — skill·sub-agent·hook·MCP·plugin 운영 표준
Claude Code의 확장 포인트 5가지를 운영 관점으로 정리합니다. skill과 sub-agent를 가르는 기준, hook으로 규칙을 강제하는 법, MCP 연결의 선별 원칙, plugin 도입과 권한·모델 라우팅까지 실제 운영 표준으로.
마케팅 리서치·논문 causal-inference · ab-test
실험·인과추론 논문 5편 — 마케팅 실험의 뿌리가 된 원전 가이드
Card&Krueger의 DiD부터 Synthetic Control, CUPED, peeking 문제, Switchback까지. 실험 도구 뒤에 있는 원논문 5편의 문제의식과 핵심 아이디어를 마케터 언어로 풀고, 어떤 순서로 읽을지 안내합니다.
생성형 AI·이미지 프롬프트 prompt · genai
마케터 생성형 AI 툴킷 — 카피·분석·시각화에 매일 쓰는 프롬프트 12개
복붙해서 바로 쓰는 마케터용 프롬프트 12개. 카피 변형, 보고서 내러티브, A/B 가설 생성, 매체 정책 요약, 차트 추천까지 업무별로 묶고, 프롬프트를 팀 자산으로 관리하는 법과 환각 주의사항을 함께 정리합니다.
바이브 코딩·하네스 엔지니어링 harness · agent
하네스 엔지니어링 입문 — AI 에이전트에게 일을 맡기는 구조 설계
프롬프트를 잘 쓰는 것과 일을 맡길 구조를 짜는 것은 다른 기술입니다. 하네스가 무엇인지, 지시서·도구·검증·기억 네 부품으로 분해하고, 이 블로그의 글쓰기 자동화를 실제 사례로 뜯어봅니다.
데이터 파이프라인·dbt·Airflow bigquery · cost-optimization
BigQuery 비용 최적화 12가지 — 마케팅 데이터 운영자가 매달 확인할 것
BigQuery 청구서가 매달 두 배 되지 않게 막는 12가지. 파티션·클러스터링 설계부터 SELECT 금지, on-demand vs slot 결정, INFORMATION_SCHEMA 비용 모니터링, GA4 raw 이벤트 cost-aware 패턴까지 운영자 체크리스트로 정리합니다.
프라이버시·컴플라이언스 clean-room · data-clean-room
Data Clean Room 입문 — Meta Advanced Analytics, Google ADH, AWS Clean Rooms 비교
쿠키 없는 시대의 attribution·오디언스 매칭 표준, Data Clean Room. privacy-preserving join의 본질부터 Meta Advanced Analytics·Google ADH·Amazon AMC·AWS Clean Rooms·Snowflake를 비교하고, k-익명성 제약과 실무 use case를 정리합니다.
퍼포먼스 마케팅 roas · incrementality
ROAS 보고서가 늘 거짓말하는 이유 — incrementality 3대장
Meta 대시보드 ROAS 5가 실제로는 1.x인 이유. last-click·view-through·incremental 세 가지 ROAS의 차이와, holdout·geo-lift·ghost ads·conversion lift로 진짜 증분을 측정하는 법을 마케터 시선으로 정리합니다.
그로스해킹 growth-hacking · aarrr
AARRR을 진짜 운영하는 법 — North Star metric, funnel ops, growth loop의 실전 가이드
AARRR(acquisition·activation·retention·referral·revenue)는 그로스해킹의 기본 프레임이지만 실제 운영에서는 자주 깨집니다. North Star metric 정의, 단계별 funnel ops, growth loop 설계까지 실전 가이드로 정리합니다.
CRM·라이프사이클 crm · lifecycle
CRM 라이프사이클 메시징 설계 — onboarding·activation·retention·win-back 4단계 매트릭스
신규 가입부터 이탈 win-back까지 사용자 라이프사이클 4단계의 메시지 트리거·채널·KPI를 매트릭스로 정리합니다. 마케터·CRM 운영자가 캠페인 자동화를 처음 설계할 때 옆에 두고 보는 입문 가이드.
퍼포먼스 마케팅 adtech · dsp
DSP·SSP·DMP 인프라 해부 — 매체 영업 미팅에서 듣는 약자들의 정체
매체 영업 미팅에서 DSP, SSP, DMP, CDP, ad exchange, 헤더비딩 같은 약자들이 쏟아집니다. 각각이 어느 회사이고, 광고비가 어디로 흘러가며, 마케터가 의사결정할 때 어떤 의미를 갖는지 한 글에 정리합니다.
SEO·GEO seo · geo
Generative Engine Optimization 입문 — LLM 답변에 우리 브랜드를 노출시키는 새 SEO
ChatGPT·Perplexity·Claude·Gemini가 검색을 대체하는 시대의 새 SEO인 GEO(Generative Engine Optimization). LLM이 답변을 생성할 때 우리 브랜드가 어떻게 인용되도록 콘텐츠와 구조화 데이터를 설계할지 정리합니다.
AI·LLM llm · cost
LLM 운영 비용 폭주를 막는 6가지 guardrail — 마케팅 자동화의 cost·latency·품질 동시 관리
LLM을 운영에 올리면 어느 날 갑자기 비용이 10배로 튑니다. retry storm·프롬프트 폭증·모델 자동 승격·context 누적 등 폭주 패턴 6가지와 그것을 막는 guardrail을 정리합니다.
퍼포먼스 마케팅 attribution · lookback-window
Lookback window가 ROAS를 바꾸는 법 — click 7d, view 1d, 28d, 90d의 차이
같은 캠페인이라도 attribution lookback window를 click 7d / view 1d / 28d / 90d 중 어느 걸로 보느냐에 따라 ROAS가 두 배까지 차이납니다. 매체별 default와 그것을 마케터가 어떻게 의사결정에 써야 하는지를 정리합니다.
매체 데이터 알아보기 mmp · appsflyer
MMP raw export 컬럼 사전 — Appsflyer, Adjust, Branch가 주는 진짜 데이터
Appsflyer·Adjust·Branch raw export에는 어떤 컬럼이 있고 각 컬럼이 진짜로 무엇을 뜻하는지. media_source·campaign·af_status·reattribution·SKAdNetwork postback 컬럼까지 마케터·데이터팀이 매일 만나는 raw export를 한 글로 정리합니다.
매체 데이터 알아보기 attribution · ga4
Organic·Direct·Referral의 진실 — GA4, MMP, Amplitude가 organic을 부르는 4가지 방식
GA4의 organic search, MMP의 Organic, Amplitude의 Direct, GA4의 (direct)/(none). 같은 단어가 도구마다 다른 의미예요. 4가지 정의를 한 글로 정리하고 dark traffic·attribution 누락을 어떻게 분리하는지를 풉니다.
매체 데이터 알아보기 raw-data · meta
매체 raw data 컬럼 가이드 — Meta, Google, TikTok, Naver의 진짜 컬럼들
Meta·Google·TikTok·Naver 각 매체가 주는 raw export 컬럼을 한 표로 매핑합니다. spend·impression·click·conversion·video view·viewability까지, 같은 의미가 매체마다 어떻게 다른 이름으로 들어오는지 정리합니다.
Analytics Ops (GA4·GTM) sql · bi
광고 SQL·BI 안티패턴 7가지 — ROAS 보고서를 거짓말로 만드는 SQL 함정
광고 데이터를 SQL로 집계할 때 반복적으로 깨지는 7가지 패턴 — 중복 조인·attribution window 누락·시간대 미스·conversion lag·환율·채널 매핑·dedup. 마케터·BI팀이 실무에서 만나는 함정을 실제 SQL 반례와 함께 정리합니다.
앱 마케팅 app-marketing · ua
앱 UA 마케팅 기초 — UAC·ASA·Meta·TikTok 앱 캠페인을 한 글로
앱 UA(User Acquisition)는 웹 광고와 캠페인·KPI·attribution이 다른 별도 게임입니다. UAC·ASA·Meta App·TikTok·국내 매체의 동작 방식과 운영 표준을 한 글로 정리합니다.
B2B 마케팅 b2b · abm
B2B ABM 입문 — target account, intent data, sales·marketing orchestration
B2C 마케팅과 다른 B2B의 핵심 전략 ABM(Account-Based Marketing). target account 선정·intent data 활용·sales와의 alignment·tech stack까지 한 글에서 정리합니다.
데이터 파이프라인·dbt·Airflow dbt · data-modeling
마케팅 데이터 dbt 프로젝트 구조 — staging·marts·metrics·tests 표준
매체별 raw에서 통합 BI 테이블까지 dbt로 묶는 표준 프로젝트 구조. staging/intermediate/marts/metrics 4레이어, 매체 통합 fact 설계, tests·snapshots 운영 표준을 정리합니다.
프라이버시·컴플라이언스 privacy · att
iOS ATT·GDPR·국내 PIPA — 마케터가 알아야 할 3대 프라이버시 규제
iOS App Tracking Transparency, EU GDPR, 한국 개인정보보호법(PIPA). 3가지 규제가 마케터의 measurement·targeting·동의 흐름에 미치는 영향을 한 글로 정리합니다.
마케팅 트렌드·뉴스 trends · newsletter
마케팅 트렌드 위클리 — 매주 모니터링하는 글로벌·국내 소스 30곳 정리
마케팅·adtech·AI·privacy 트렌드를 매주 따라잡는 표준 모니터링 소스 30곳. 글로벌·국내·매체 changelog·연구·뉴스레터·서브스택을 카테고리별로 묶고 활용법을 정리합니다.
스타트업 운영·조직 startup · hiring
스타트업 데이터팀 채용 — 1번 데이터 사람 뽑기와 첫 90일 온보딩
스타트업이 처음 데이터 사람을 뽑을 때 가장 자주 깨지는 자리는 역할 정의·면접 기준·온보딩 90일. ICP·면접 셋·90일 마일스톤·흔한 실수를 한 글로 정리합니다.
웹 마케팅 cro · landing-page
웹 CRO 입문 — 랜딩 페이지 최적화의 핵심 6원칙과 실험 운영 표준
같은 트래픽에서 매출만 1.5배 만드는 게 CRO입니다. 랜딩 페이지의 6원칙(clarity·urgency·friction·social proof·value prop·trust)부터 실험 운영·도구·KPI까지 한 글로.
그로스해킹 ltv · cohort
코호트 LTV 곡선 — 누적 매출 그래프 그리고 해석하기
평균 LTV 한 숫자로는 채널·시즌·세그먼트 차이가 안 보입니다. 코호트별 누적 매출 곡선을 그려 그 차이를 시각적으로 잡고, 곡선 모양으로 운영 결정을 내리는 표준 워크플로.
AI·LLM llm · evaluation
LLM evaluation harness — 분기마다 챗봇 품질을 자동 평가하는 공장
챗봇·에이전트가 운영에 들어가면 한 번 평가가 아니라 분기 자동 평가가 필요합니다. 골든셋·regression·hyperparameter A/B를 묶는 evaluation harness 설계와 마케팅 자리에서의 적용.
통계·ML ab-testing · experiment-platform
마케팅 실험 플랫폼 설계 — 사내 A/B 시스템의 5가지 원칙
광고 플랫폼 자체 A/B로는 부족하고 외부 SaaS는 비쌉니다. 사내 마케팅 실험 플랫폼을 설계할 때 깔아야 할 split assignment·exposure log·SRM 검정·sequential safe·메타 표준 5가지 원칙.
그로스해킹 roas · cac
ROAS·CAC·LTV — 세 숫자 서로 다른 질문에 답하는 이유
회의에서 ROAS만 들고 가면 장기·LTV가 빠지고, CAC만 보면 광고 효율이 빠집니다. 세 숫자를 한 슬라이드에 입체적으로 두는 표준 양식과 의사결정 프레임.
그로스해킹 cac · payback-period
CAC Payback period — 광고비를 몇 개월 만에 회수하는가
CAC 한 번 쓰고 끝이 아닙니다. 그 광고비를 매출로 회수하는 데 몇 개월 걸리는지가 현금흐름·재투자 속도를 결정합니다. payback period 계산·운영 룰·SaaS vs 이커머스 차이.
통계·ML bayesian · ab-testing
Bayesian A/B 테스트 심화 — prior 잡는 법과 HDI 해석
베이지안 A/B는 "p-value < 0.05"가 아니라 "B가 A보다 좋을 확률 0.92"를 줍니다. 그 확률이 정직하려면 prior를 잘 잡아야 하고, HDI를 잘못 읽으면 함정이 옵니다. 마케터 시선에서 prior·posterior·HDI 정리.
퍼포먼스 마케팅 brand-lift · measurement
Brand lift study 설계 — 광고가 인지·호감도를 끌어올렸나
브랜드 광고는 ROAS로 잡히지 않고 인지·호감도·구매의향으로만 측정됩니다. 노출 그룹과 비노출 그룹을 비교하는 brand lift study의 설계, 표본 계산, 실무 함정을 마케터 시선에서 정리.
AI·LLM llm · context
Context engineering — 200k 토큰 컨텍스트의 설계 원칙 5가지
컨텍스트 창이 200k 토큰까지 커졌지만 단순히 다 넣으면 lost-in-the-middle·비용 폭발·정확도 하락이 옵니다. 마케팅 자동화에 적용하는 5가지 컨텍스트 설계 원칙.
CRM·라이프사이클 journey · orchestration
Customer journey orchestration — 채널을 시간 축에서 묶는 법
같은 사용자가 광고·이메일·푸시·SMS를 받는 순서가 ROAS를 좌우합니다. customer journey orchestration이 cross-channel 시퀀싱을 자동화해 마찰을 줄이는 흐름. 도구·룰·평가 정리.
프라이버시·컴플라이언스 dma · walled-garden
EU DMA가 walled garden을 어떻게 흔드나 — 마케터 영향 정리
EU의 Digital Markets Act(DMA)가 Meta·Google·Apple의 walled garden을 강제 개방시키고 있습니다. 광고주 데이터·측정·광고 제품 관점에서 마케터가 알아야 할 변화 정리.
통계·ML causal-inference · doubly-robust
Doubly robust estimation — IPW와 outcome 모델의 결합으로 인과 추정 안정화
PSM·IPW는 propensity 모델이 틀리면 무너지고, 회귀는 outcome 모델이 틀리면 무너집니다. doubly robust는 두 모델을 결합해 둘 중 하나만 맞으면 정직한 효과 추정. 마케팅 인과 분석의 안전판.
AI·LLM llm · function-calling
Function calling 설계 패턴 — LLM이 도구를 부를 때 마케터가 점검할 것
LLM이 광고 API·BigQuery·Slack을 직접 부르기 시작하면, 답변 품질보다 "어느 도구를 언제 부를지"가 운영 사고의 진앙이 됩니다. function calling의 한 줄 직관과 마케터가 점검할 5가지.
통계·ML causal-inference · cate
Heterogeneous treatment effects — 평균 효과 너머의 개인별 효과
A/B 평균 효과 +5%p가 모든 사람에게 같지 않습니다. 일부에게는 +20%p, 일부에게는 -3%p. CATE·uplift forest로 효과의 이질성을 추정해 타겟 마케팅을 정밀화하는 흐름.
앱 마케팅 lookalike · audience
Lookalike audience 운영 — 시드 품질·확장 비율·평가 사이클
Lookalike audience(LAL)는 고가치 시드 사용자와 비슷한 잠재 고객을 광고 플랫폼이 찾아주는 기능입니다. 시드 한 줄로 효율이 두 배 차이 나는 LAL 운영의 표준 룰.
AI·LLM llm · cost
LLM token economics — 자동화의 단위 경제학을 분기 보고로 끌고 가기
LLM 자동화의 비용은 호출 수 × 입력 토큰 × 단가로 빠르게 커집니다. 호출별 비용·일일 합계·모델별 단위 경제학을 분기 보고에 박는 한 가지 표 양식.
Analytics Ops (GA4·GTM) analytics · maturity
Marketing analytics maturity model — last-click부터 triangulation까지 5단계
마케팅 측정의 성숙도는 5단계로 나뉩니다. last-click → multi-touch → MMM → lift study → triangulation. 우리 팀이 어디 있는지 진단하고 다음 단계 로드맵을 잡는 한 가지 모델.
AI·LLM llm · agent
Multi-agent orchestration — supervisor·swarm·planner-executor 패턴 비교
한 LLM이 모든 일을 다 하면 결과가 흔들립니다. 여러 에이전트가 역할을 나눠 협업하는 multi-agent orchestration의 3가지 표준 패턴과 마케팅 자동화에 적용하는 자리.
통계·ML ab-testing · power-analysis
Power analysis와 MDE — 실험 시작 전에 표본·기간을 정직하게 잡는 법
A/B 시작 전 "표본 얼마나 모아야?"의 답이 power analysis. 검출력 80%로 검출 가능한 최소 효과(MDE)를 미리 계산해 실험 기간·해석 한도를 명확히 잡는 흐름.
AI·LLM llm · prompt-caching
Prompt caching 운영 경제학 — 같은 프롬프트를 1000번 보낼 때 비용을 90% 줄이는 법
시스템 프롬프트·페르소나·문서가 호출마다 동일하다면 그 부분을 캐시할 수 있습니다. Anthropic·OpenAI의 prompt caching 작동 원리와 마케팅 자동화의 비용을 90% 깎는 운영 패턴.
통계·ML causal-inference · psm
Propensity score matching — 무작위 배정이 안 되는 자리에서 인과 효과 추정
광고를 본 사람과 안 본 사람을 그냥 비교하면 자가 선택 편향이 큽니다. PSM은 두 그룹을 비슷한 특성으로 매칭해 비교가 가능한 짝을 만듭니다. 마케팅 자리에 적용하는 PSM 워크플로.
통계·ML time-series · prophet
Prophet과 CausalImpact — 시계열 예측과 캠페인 인과 효과
Prophet은 시즌·트렌드를 자동 분리해 예측을 단순화하고, CausalImpact는 그 예측을 baseline으로 캠페인 효과를 추정합니다. 마케팅 자리의 두 도구 결합 사용 패턴.
AI·LLM rag · reranking
RAG 재순위(re-ranking) — cross-encoder로 검색 정밀도를 한 단계 올리기
벡터 검색이 가져온 Top 50을 LLM에 그대로 넘기면 정밀도가 깨집니다. cross-encoder 재순위가 그 50개를 다시 정렬해 Top 5만 LLM에 넘기면 답변 품질이 한 단계 올라갑니다.
통계·ML causal-inference · rdd
Regression Discontinuity — 정책 cutoff 주변에서 인과 효과 잡기
쿠폰을 일정 점수 이상에게만 발급하면 그 cutoff 바로 위·아래 사용자들은 비슷한데 처리만 다릅니다. RDD가 그 자연 실험을 활용해 인과 효과를 추정합니다. 마케팅 자리의 적용과 함정.
AI·LLM llm · structured-output
Structured output 운영 — JSON Schema와 강제 형식이 LLM 사고를 줄이는 법
LLM이 자유 텍스트로 답하면 파서가 깨집니다. JSON Schema·strict mode로 출력 형식을 강제하면 자유도는 줄지만 운영 안정성은 폭증. 마케팅 자동화에서 자주 만나는 자리와 함정.
AI·LLM vector-db · rag
Vector DB 비교 — pgvector·Pinecone·Qdrant·Weaviate를 마케터 시선에서
RAG 챗봇에 검색이 들어가면 vector DB 선택이 운영 비용·속도를 결정합니다. pgvector·Pinecone·Qdrant·Weaviate 4개를 비용·운영 부담·확장성·기능 차원에서 비교.
앱 마케팅 aem · meta
AEM 9개 슬롯 우선순위 — 무엇을 측정하고 무엇을 버릴까
Meta AEM(Aggregated Event Measurement)은 한 도메인에서 9개 이벤트만 우선순위로 등록할 수 있습니다. 풀퍼널 측정을 9개로 압축하는 룰과 우선순위가 캠페인 ROAS에 미치는 영향을 정리합니다.
매체 데이터 알아보기 ios · att
ATT 프롬프트 최적화 — 동의율을 끌어올리는 카피·타이밍·맥락
iOS App Tracking Transparency 동의율은 카피 한 줄과 띄우는 타이밍에 따라 두 배 차이가 납니다. 마케터가 측정 가능한 데이터를 늘리려면 무엇을 점검해야 하는지 정리.
퍼포먼스 마케팅 auction · second-price
Second-price·VCG — 진실 신고가 최선이 되는 경매 디자인
Vickrey의 second-price 경매와 VCG 메커니즘은 입찰자에게 자기 가치를 그대로 부르는 게 최선이 되도록 디자인됐습니다. 광고 시장이 first-price로 옮겼지만 검색·multi-slot 시장에 여전히 살아있는 이 디자인의 직관과 함의를 정리합니다.
매체 데이터 알아보기 mmm · bayesian
PyMC-Marketing으로 채널 기여도 직접 모델링 — Bayesian MMM 실전
MMM이 비싸고 느린 분석가용 도구라는 인식은 이제 옛말입니다. PyMC-Marketing으로 마케터가 직접 adstock·saturation·prior를 조정하며 채널 기여도를 추정합니다. 모델 fit·posterior 해석·예산 시나리오까지 한 번에 정리.
퍼포먼스 마케팅 bidding · machine-learning
입찰가를 머신러닝으로 — bid = f(predicted value)의 모든 것
pCTR·pCVR·pLTV 예측 모델이 광고 입찰가를 어떻게 결정하는지, value-based bidding과 bid shading·pacing이 어떻게 한 파이프라인에 묶이는지를 마케터가 이해할 수 있게 정리합니다.
퍼포먼스 마케팅 bid-shading · first-price
Bid shading — first-price 경매에서 안 비싸게 이기는 법
광고 시장이 second-price에서 first-price로 옮겨오면서, 입찰가를 그대로 부르면 너무 비싸게 사는 winner's curse가 생겼습니다. bid shading은 입찰가를 적정 수준으로 깎아 효율을 회복하는 ML 기반 기술입니다.
프라이버시·컴플라이언스 clean-room · first-party-data
데이터 클린룸 — Meta·Google과 안전하게 데이터 매칭하는 법
쿠키·IDFA가 끊긴 시대에 자사 1st-party 데이터와 광고 플랫폼 데이터를 매칭하는 표준 방식이 데이터 클린룸입니다. AWS Clean Rooms·Google Ads Data Hub·Meta Advanced Analytics의 차이와 마케터가 매칭으로 얻을 수 있는 정보를 정리합니다.
그로스해킹 frequency-capping · rtb
Frequency capping — 같은 사람한테 광고를 몇 번 보여줄까
광고를 너무 자주 보이면 피로(fatigue), 너무 드물게 보이면 노출 부족. 두 함정 사이에서 최적 빈도를 잡는 frequency capping의 표준 룰과 시간창 설계를 마케터 시선에서 정리합니다.
퍼포먼스 마케팅 header-bidding · rtb
Header bidding 심화 — 광고주가 인벤토리에 동시 입찰하는 구조
Publisher가 여러 SSP·DSP에 광고 인벤토리를 동시에 보여주고 가장 높은 입찰가를 받는 header bidding의 작동 원리, waterfall과의 차이, 마케터가 봐야 할 함의를 정리합니다.
매체 데이터 알아보기 ios · att
iOS ATT·SKAdNetwork·AEM — 프라이버시 시대의 모바일 광고 측정
IDFA가 사라진 뒤 모바일 광고 측정은 SKAdNetwork·Aggregated Event Measurement·CAPI로 흩어졌습니다. 마케터가 봐야 하는 수치의 한계와 운영 가이드를 한 글에서 정리합니다.
퍼포먼스 마케팅 mmm · adstock
Adstock 심화 — 광고 효과의 잔향을 모델링하는 법
MMM의 절반은 adstock 함수를 잘 잡는 일입니다. Geometric·Delayed·Weibull 세 가지 형태와 채널별 추천 파라미터, 그리고 잘못 잡았을 때 채널 기여도가 휘는 방식을 마케터 시선에서 정리합니다.
퍼포먼스 마케팅 mmm · budget-optimization
MMM 결과로 예산 재배분 — 파레토 프론티어와 한계 ROAS
MMM이 끝났다고 일이 끝나지 않습니다. 채널별 한계 ROAS를 균등하게 만드는 재배분 알고리즘, 시뮬레이션 범위 제약, 회의에서 의사결정으로 끌고 가는 슬라이드 디자인까지 정리합니다.
퍼포먼스 마케팅 mmm · bayesian
MMM의 prior 잡기 — 사전 지식을 데이터에 어떻게 녹이나
Bayesian MMM의 절반은 prior를 잘 잡는 일입니다. Lift 결과·매체 통념·작년 데이터를 prior 분포로 변환하는 룰, 너무 좁거나 너무 넓을 때 일어나는 일, 분기마다 prior를 업데이트하는 흐름을 정리합니다.
퍼포먼스 마케팅 mmm · validation
MMM 모델은 어떻게 검증하나 — backtest·holdout·robustness
MMM 결과를 회의에 띄우기 전에 모델이 진짜로 데이터를 잘 잡고 있는지 확인하는 단계입니다. backtest·holdout·prior 민감도·lift 결과 비교 4가지 검증법과 실패 시 대응을 정리합니다.
퍼포먼스 마케팅 mmm · saturation
Saturation curve — 광고비를 더 부어도 안 늘어나는 지점 찾기
같은 채널에 광고비를 두 배로 써도 매출은 두 배가 안 됩니다. Hill·Logistic·Michaelis-Menten 같은 saturation 곡선이 그 한계를 모델링하는 법, 그리고 절반 포화 지점 L과 한계 ROAS의 관계를 마케터 시선에서 풀어쓴 글.
매체 데이터 알아보기 mmp · attribution
MMP 어트리뷰션 스택 — Adjust·AppsFlyer가 SKAN과 어떻게 합쳐지나
iOS 광고 측정의 표준 운영자인 MMP는 SKAN·확률 매칭·결정론 매칭을 한 보고서로 합칩니다. 어떤 신호가 어디서 와서 어떻게 dedup되는지, 마케터가 보는 한 줄짜리 ROAS의 안쪽을 정리합니다.
퍼포먼스 마케팅 attribution · mmm
세 가지 측정이 서로 다른 숫자를 내는 이유 — MTA·MMM·Lift 비교
Multi-Touch Attribution은 Meta가 1.8x ROAS라고 말하고, MMM은 0.9x라고 답하며, Geo-Lift는 1.3x를 보고합니다. 같은 캠페인인데 왜 숫자가 다 다를까. 세 측정의 가정·강점·한계와 의사결정에 합치는 triangulation 프레임을 정리합니다.
그로스해킹 pacing · rtb
Pacing — 광고 예산을 하루에 고르게 쓰는 알고리즘
하루 예산이 오전 11시에 다 떨어지는 캠페인과 자정 직전까지 부드럽게 소진되는 캠페인의 차이는 pacing 알고리즘입니다. throttling·bid 조정·예측 기반 pacing 세 방식을 마케터 시선에서 정리합니다.
Analytics Ops (GA4·GTM) capi · server-side-tagging
Server-side Tagging과 Conversion API — 1st-party 데이터를 직접 운영하는 법
브라우저에서 보내는 픽셀이 30~50% 차단되는 시대에, 서버에서 광고 플랫폼으로 직접 이벤트를 보내는 server-side tagging과 Meta CAPI·GA4 Measurement Protocol·TikTok Events API의 핵심을 마케터 시선에서 정리합니다.
매체 데이터 알아보기 skan · conversion-value
SKAN postback 디코딩 — conversion value 6bit 설계의 모든 것
SKAdNetwork postback의 6비트 conversion value 안에 마케팅 KPI를 어떻게 인코딩하는지가 iOS 캠페인 측정의 절반입니다. 비트 분배·인코딩 함수·CV 변경 비용을 정리합니다.
매체 데이터 알아보기 data-pipeline · bi
광고 측정 데이터 흐름 — impression부터 BI 대시보드까지
광고 임프레션이 일어난 순간부터 BI 대시보드의 ROAS 한 숫자가 되기까지, 데이터는 5개 레이어를 거칩니다. 각 레이어의 역할·자주 깨지는 자리·운영 표준을 한 글로. 시리즈 4 마지막, 매체 기초의 마무리.
매체 데이터 알아보기 ad-tech · dsp
광고 생태계 지도 — 광고주·매체·DSP·SSP·DMP·CDP가 어떻게 연결되는가
광고 운영의 약어들 — DSP·SSP·DMP·CDP·Ad Exchange — 가 매번 헷갈립니다. 광고주에서 매체까지 한 임프레션이 어떻게 흘러가는지 한 그림으로 정리하면 그 다음 모든 광고 글이 다르게 읽힙니다. 매체 기초 체력의 첫 자리.
AI·LLM ai-agent · evaluation
AI 에이전트 평가 — pass@k와 trajectory eval로 다단계 추론을 검증하는 법
단일 응답 LLM은 정확도 한 숫자로 평가하면 됩니다. 도구를 쓰고·여러 단계를 거치는 에이전트는 그게 안 통합니다. pass@k·trajectory eval·tool-use 정확도까지 합쳐 다단계 추론을 검증하는 법, 마케팅 에이전트 운영에 그대로 가져갈 평가 도구.
매체 데이터 알아보기 attribution · history
어트리뷰션의 역사 — 쿠키 last-click부터 클린룸까지의 변화
광고 어트리뷰션은 1990년대 last-click에서 시작해 multi-touch·MMM·incrementality·클린룸까지 진화했습니다. 한 도구가 다른 도구로 대체된 게 아니라 층층이 쌓인 도구상자. 그 변화의 흐름을 한 줄로 따라가는 매체 기초.
퍼포먼스 마케팅 bayesian-optimization · budget-allocation
Bayesian Optimization으로 광고 예산 분배 — 채널별 ROAS 곡선을 데이터로 찾아내기
채널 5개에 예산 1억을 어떻게 분배할까요. 채널별 ROAS는 예산 크기에 따라 달라집니다(saturation·diminishing returns). Bayesian Optimization은 적은 시도로 예산-ROAS 곡선을 추정해 최적 분배를 찾아냅니다. MMM·Marketing Mix와 결합하는 운영 도구.
그로스해킹 ltv · bgnbd
BG/NBD로 광고 LTV 예측 — 비계약 고객의 재구매·이탈을 한 모델로
이커머스 LTV는 "산다 vs 안 산다"가 아니라 "조용해진 게 잠깐인가, 떠난 건가"의 문제입니다. BG/NBD는 비계약 고객의 재구매와 이탈을 한 모델로 푸는 고전적 표준. 광고 단가 한도·코호트 LTV 예측에 어떻게 쓰는지, lifetimes 한 줄로 시작하는 운영 가이드.
통계·ML cace · late
CACE와 LATE — 쿠폰 받았지만 안 쓴 사람이 섞인 실험에서 진짜 효과 분리하기
쿠폰을 받은 유저 중 절반만 실제로 썼습니다. 효과 비교를 누구 기준으로 하나요. ITT는 받은 사람 전체로 보수적, CACE/LATE는 진짜 쓴 사람의 효과를 분리합니다. 부분 준수(non-compliance) 환경에서 인과 효과를 다루는 표준 도구.
통계·ML cold-start · thompson-sampling
Cold start 문제 — 신규 유저·신규 상품·신규 캠페인에 Thompson Sampling으로 답하는 법
신규 유저는 행동 이력이 없고, 신규 상품은 노출 이력이 없고, 신규 캠페인은 성과 이력이 없습니다. 정보 없이 추천·입찰·예산 분배를 어떻게 할까요. Thompson Sampling은 "탐색·활용 균형"의 베이지안 답을 가장 단순하게 줍니다. 마케팅 cold start 문제의 표준 도구.
통계·ML conformal-prediction · uncertainty
Conformal Prediction — 광고 예측에 "90% 확실" 보증을 분포 가정 없이 붙이기
CTR 0.034, LTV 12만원. 점추정 한 숫자만 던져진 예측은 위험합니다. Conformal Prediction은 분포 가정 없이 "이 예측이 90% 확률로 맞는 구간"을 붙여줍니다. 마케팅 예산 배분·소재 선별·LTV 추정에 그대로 쓸 수 있는 distribution-free 신뢰구간.
그로스해킹 creative-testing · mab
Creative testing scaling — 광고 소재 100개 평가의 운영 룰
LLM이 광고 소재를 100개 만드는 시대에 운영자는 100개를 다 임프레션 태울 수 없습니다. 사전 필터·예산 분배·중도 cut의 3단계 룰로 100개를 5개로 추리는 자리. Multi-armed bandit·Thompson Sampling을 운영 캘린더에 박는 표준 패턴.
통계·ML cross-validation · k-fold
Cross-validation 기초 — 진짜 모델 성능을 측정하는 자리
학습 정확도 95% / 운영 정확도 60%의 함정은 검증 분할이 잘못됐기 때문입니다. cross-validation은 같은 데이터를 여러 번 쪼개 학습·평가해 진짜 일반화 능력을 측정합니다. K-fold·시계열 CV·운영 적용까지, ML 기초의 마지막 자리.
CRM·라이프사이클 segmentation · gmm
Customer segmentation 너머 — k-means 아닌 mixture model로 세그먼트 다루기
k-means는 모든 유저를 한 세그먼트에 강제로 박습니다. 실제 유저는 여러 세그먼트의 혼합 — 평일엔 직장인, 주말엔 부모. Gaussian Mixture Model이 같은 데이터에 확률적 세그먼트 멤버십을 줍니다. 마케터가 운영에 가져갈 또 다른 세그멘테이션 도구.
통계·ML did · causal-inference
Diff-in-Diff 인과추론 — 가격 인상·프로모션 종료의 진짜 효과를 분리하는 법
A/B 못 돌리는 마케팅 개입(가격 인상·프로모션 종료·UI 변경)의 진짜 효과를 어떻게 측정할까. 이중차분법(DiD)이 처리·대조군과 사전·사후 두 축을 동시에 빼주는 원리, 그리고 평행 추세 가정이 깨지면 무엇이 망가지는지.
AI·LLM embedding · fundamentals
임베딩이란 뭔가 — 단어가 숫자가 되는 자리, 마케터를 위한 직관
"임베딩"이라는 단어가 자주 나오는데 정확히 뭔지 한 번도 안 들여다보면 RAG·추천·검색이 늘 신비로 남습니다. 단어·문장·이미지가 어떻게 숫자 벡터가 되고 그 벡터로 무엇을 할 수 있는지 — 마케터가 LLM·추천·검색을 이해하는 두 번째 기초 체력.
AI·LLM embedding · drift
임베딩 운영 — drift·차원·cosine vs dot, 마케팅 임베딩이 흔들리는 자리
광고 카피·상품·유저를 임베딩으로 다루기 시작하면 첫 달은 잘 되다가 셋째 달부터 어긋납니다. 모델 버전이 바뀌고 도메인이 흔들리고 차원·거리 metric이 안 맞아서. 운영자가 임베딩을 안전하게 굴릴 때 챙겨야 할 자리들을 정리합니다.
통계·ML evaluation · metrics
평가 지표 도구상자 — accuracy·precision·recall·AUC·MAPE 어디 쓸지
같은 모델·같은 데이터에 어떤 지표를 보느냐가 결론을 통째로 바꿉니다. accuracy 95%면 좋은 거? 클래스 불균형이면 의미 없을 수 있어요. 회귀·분류 평가 지표를 자리별로 정리한 운영 도구상자.
AI·LLM fine-tuning · rag
fine-tuning vs RAG vs prompting — 같은 LLM을 다르게 쓰는 세 도구의 분기
같은 LLM을 우리 자리에 맞게 쓰는 길이 세 갈래입니다 — prompting(지시), RAG(외부 검색), fine-tuning(모델 자체 변경). 비용·속도·정확도가 모두 다릅니다. 마케터·운영자가 어느 자리에 어느 도구를 골라야 하는지의 결정 트리.
통계·ML synthetic-did · causal-inference
Geo·시간 혼합 인과추론 — Synthetic DiD로 채널 incrementality 보정
DiD는 시간축, Geo-lift는 공간축. 둘 다 단축이라 가정이 종종 무너집니다. Synthetic DiD는 두 축을 한 추정량으로 묶어 평행 추세 가정의 부담을 덜어줍니다. TV+디지털 동시 변경 같은 다중 처리에서도 채널 incrementality를 안정적으로 잡는 도구.
퍼포먼스 마케팅 incrementality · test-design
Incrementality test 설계 — 어떤 도구를 어디에 쓸지 정하는 결정 트리
광고가 진짜 효과를 만들었는지 묻는 incrementality test는 한 도구가 아닙니다. user holdout·geo holdout·ghost ads·DiD·MMM 5가지가 각자 다른 자리에 답합니다. 어떤 도구를 어떤 자리에 써야 하는지 결정 트리로 정리.
퍼포먼스 마케팅 kpi · cpm
광고 KPI 한 그림 — CPM·CPC·CTR·CVR·ROAS·CAC·LTV의 관계
광고 운영의 약어들이 매번 헷갈립니다. 사실 7개 KPI는 단순한 곱셈·나눗셈 관계로 한 그림에 모두 들어갑니다. 임프레션부터 매출까지의 funnel을 KPI로 따라가는 매체 기초 체력.
AI·LLM llm-as-judge · evaluation
LLM-as-judge — 모델이 모델을 평가할 때 무엇이 깨지고 무엇이 살아남는가
광고 카피 자동 생성·RAG 답변 품질·챗봇 응답 평가는 사람이 다 못 봅니다. LLM에게 "이 출력이 좋은가"를 물어 점수를 받는 LLM-as-judge가 표준이 되어가지만, 그 자체가 깨지는 자리도 많습니다. position bias·verbosity bias를 알고 보정하는 운영법.
AI·LLM llm · tokenization
LLM이 어떻게 답을 만드는가 — 토큰·다음 단어 예측·temperature 기초 체력
GPT·Claude·Gemini가 답을 어떻게 만드는지 한 번도 안 들여다보면 LLM 활용이 늘 신비로 남습니다. 토큰화·다음 단어 예측·temperature·top-p의 4가지 핵심만 잡으면 LLM이 왜 그렇게 답하는지 보입니다. 마케터가 LLM을 다룰 때의 첫 기초 체력.
AI·LLM hallucination · llm
LLM 환각이 일어나는 이유 — 자신 있게 틀린 답을 하는 자리의 이해
LLM은 모르는 자리에서 "모릅니다" 대신 그럴듯한 거짓을 만들어냅니다. 이 환각(hallucination)의 원인은 LLM이 통계적 토큰 예측기라는 본질에 있습니다. 왜 일어나는지·언제 가장 자주 발생하는지·어떻게 줄이는지를 마케터 시각으로 정리.
통계·ML loss-function · gradient-descent
손실 함수와 학습 — 모델이 데이터에서 배우는 방식의 직관
"모델이 학습한다"의 안에서 무엇이 일어나는지 한 번도 안 들여다보면 머신러닝이 신비로 남습니다. 손실 함수·gradient descent의 한 줄 직관 — "오차를 어떻게 줄이나" — 만 잡으면 회귀·분류·딥러닝이 같은 원리로 보입니다.
통계·ML multiple-testing · fdr
Multiple testing 보정 — 메트릭 10개 동시에 보면 거짓 양성을 어떻게 통제하나
A/B 결과 페이지에서 메트릭을 10개 보면 적어도 1개는 우연히 p ≤ 0.05가 됩니다. 그 1개를 효과 있다고 보고하면 거짓 양성. Bonferroni·Benjamini-Hochberg(BH) 보정으로 거짓 양성률을 통제하는 두 가지 표준 도구를 마케터 시각으로.
통계·ML overfitting · regularization
Overfitting과 정규화 — 외운 모델 vs 일반화하는 모델
학습 데이터에서 99% 정확도, 새 데이터에서 60% — 가장 흔한 ML 함정 overfitting입니다. 모델이 데이터를 외운 자리. L1·L2·Dropout·Early Stopping 같은 정규화로 일반화하는 모델로 만드는 방법, 마케터·운영자가 알아야 할 핵심 직관.
퍼포먼스 마케팅 price-elasticity · iv
가격 탄력성 추정 — log-log 회귀와 instrumental variable로 가격 효과 분리
가격을 5% 올리면 매출이 어떻게 바뀌나. 단순 회귀로 가격을 매출에 회귀하면 동시 인과(simultaneity) 함정에 빠집니다. log-log 회귀 + instrumental variable로 진짜 가격 탄력성을 분리하는 방법, 마케터·운영자가 가격 의사결정에 같이 가져갈 도구.
프라이버시·컴플라이언스 privacy-sandbox · cookie-deprecation
Privacy Sandbox — 쿠키 종료 이후 브라우저단 광고 타깃팅, 마케터가 알아야 할 5가지
서드파티 쿠키 종료 이후, 광고 타깃팅은 어디로 가나. Privacy Sandbox는 광고 식별을 광고주 서버에서 브라우저 안으로 옮기는 구글의 답입니다. Topics·Protected Audience·Attribution Reporting 3축이 무엇이고, 마케터가 캠페인·KPI를 어떻게 다시 설계해야 하는지.
AI·LLM prompt-engineering · dspy
프롬프트 자동 최적화 — DSPy·OPRO로 사람이 안 만지는 프롬프트 만들기
프롬프트는 사람이 매번 손으로 튜닝합니다. 모델이 바뀌면 다시 처음부터. DSPy·OPRO 같은 프레임은 프롬프트를 자동으로 최적화합니다 — 골든셋과 메트릭만 주면 도구가 가장 좋은 프롬프트를 찾아옵니다. 마케터가 알아야 할 자동 프롬프트 엔지니어링.
AI·LLM rag · latency
RAG 운영 비용·latency — 검색·생성·임베딩의 비용을 분리하고 깎는 법
RAG 챗봇이 잘 굴러갈수록 쿼리당 0.05달러·1.5초가 누적됩니다. 월 100만 쿼리면 5만 달러. 비용·latency를 검색·생성·임베딩 3축으로 분리해 어디서 깎을지 정리합니다. 정확도를 거의 안 깎고 비용을 1/3로 줄이는 운영 패턴.
통계·ML regression · classification
회귀와 분류 — 마케터가 가장 자주 만나는 두 머신러닝 모델 가족
"이 유저의 LTV는 얼마?" "이 유저가 이탈할까?" 두 질문이 머신러닝의 두 가족 — 회귀와 분류 — 의 출발점입니다. 무엇이 다르고 어디 쓰는지·어떻게 평가하는지를 한 글로 정리. ML 기초 체력의 첫 자리.
그로스해킹 retention · cohort-analysis
코호트 retention curve의 운영 해석 — 같은 곡선에서 5가지 질문 빼내기
D1·D7·D30 retention 한 줄 같이 보지만 그 곡선에는 5가지 다른 질문이 숨어 있습니다. 곡선의 모양이 안정화되는가·기울기가 어디서 꺾이는가·코호트 간 폭이 좁혀지는가. 운영자가 같은 그래프에서 다른 의사결정을 빼내는 법을 정리합니다.
퍼포먼스 마케팅 rtb · bidding
RTB와 입찰 — 0.1초에 일어나는 광고 경매의 모든 것
디지털 광고는 매 임프레션마다 0.1초 안에 경매가 일어납니다. RTB(Real-Time Bidding)의 흐름·입찰가가 결정되는 메커니즘·마케터가 운영에서 만지는 자리를 한 글로 정리. 매체 기초 체력의 두 번째.
통계·ML sequential-testing · ab-testing
Sequential testing — A/B 결과를 매일 들여다봐도 되는 통계 프레임
A/B 결과를 매일 보고 싶은 욕구는 본능에 가깝습니다. 그런데 매일 p-value 보고 멈추면 거짓 양성이 5%가 아니라 30%까지 부풀어요. Sequential testing은 "들여다봐도 되는" 통계 프레임을 만들어 줍니다. mSPRT·always-valid p-value의 직관과 마케팅 적용.
퍼포먼스 마케팅 shapley-value · attribution
Shapley value 어트리뷰션 — 채널 기여도를 공정하게 나누는 게임이론
한 전환에 채널 5개가 모두 닿았을 때 누구 공인가요. last-click은 마지막만, first-click은 처음만 봅니다. Shapley value는 모든 순서를 평균내 채널 기여도를 공정하게 나눕니다. 게임이론에서 빌려온 어트리뷰션 표준 도구의 직관과 마케팅 적용.
통계·ML stratified-ab · post-stratification
Stratified A/B와 post-stratification — 세그먼트로 분산을 깎는 또 다른 길
CUPED는 사전 데이터로 분산을 깎습니다. 그런데 사전 데이터가 없을 때는? Stratified A/B는 세그먼트로 표본을 나눠 비교하고, post-stratification은 사후에 세그먼트별로 보정합니다. 같은 표본·같은 결정에 더 짧은 실험 기간으로 닿는 또 다른 분산 축소 도구.
CRM·라이프사이클 survival-analysis · churn
Survival 분석으로 이탈 예측 — 마케팅 churn에 Kaplan-Meier·Cox PH
"이 유저가 떠날까"보다 "언제 떠날까"가 더 운영적인 질문입니다. Survival 분석은 시간을 명시적으로 다뤄 이탈 시점 분포를 추정하고, 변수의 영향을 hazard ratio로 보고합니다. Kaplan-Meier 곡선·Cox PH 모델로 마케팅 churn을 다루는 표준 도구.
퍼포먼스 마케팅 pricing · survival-analysis
Survival 기반 가격 전략 — 이탈 곡선이 가격 의사결정에 어떻게 들어오나
가격 결정의 답은 탄력성·MMM뿐이 아닙니다. 이탈 곡선(survival curve)이 같은 자리의 또 다른 입력입니다. 가격 인상 후 이탈이 가파르게 빠져 첫 30일에 끝나면 즉시 대응, 60일에 걸쳐 천천히 빠지면 장기 회복 전략. 가격과 이탈을 한 모델에 묶는 운영.
통계·ML switchback · experiment-design
Switchback experiment — 같은 유저에게 ON/OFF를 번갈아 적용하는 실험 설계
두 안을 동시에 보여주면 서로 영향을 주는 시장에서는 A/B가 깨집니다. 양면 시장·물류·실시간 입찰처럼 처리·대조군이 같은 풀을 공유할 때, switchback은 시간을 잘라 ON/OFF를 번갈아 적용합니다. 마케터가 알아야 할 또 다른 실험 설계.
AI·LLM transformer · attention
트랜스포머 직관 — attention이 LLM의 핵심이 된 이유
"트랜스포머·attention"이라는 단어가 LLM 글에 늘 나옵니다. 정확히 뭐냐고 물으면 답하기 어렵죠. 마케터가 알아야 할 단 한 가지 직관 — "어느 단어가 어느 단어를 보고 있나" — 만 잡으면 LLM의 강점·약점이 보입니다. 수식 없이 풀어가는 트랜스포머 입문.
퍼포먼스 마케팅 cac · ltv
CAC·LTV를 베이지안으로 추정하기 — 신규 채널, 손익분기는 언제 넘는가
신규 채널 첫 달, 가입자 60명. CAC 35,000원, LTV는 아직 모름. 손익분기 가능한 채널일까. 베이지안 hierarchical 모델로 LTV 분포를 추정해 의사결정의 분산을 같이 보고하는 법.
통계·ML bayesian · funnel
퍼널 드롭오프를 베이지안으로 — "전환율 2.1%인데 진짜?"에 답하기
신규 캠페인 첫 주, 방문 1,200명 중 구매 25명. 전환율 2.08%라고 보고하면 다음 주에 다시 흔들립니다. Beta-Binomial로 신뢰구간을 함께 보고하는 베이지안 퍼널 분석.
Analytics Ops (GA4·GTM) cdp · id-graph
CDP 시대의 ID 그래프 — 쿠키 없이 유저를 어떻게 잇나
3rd party cookie 종말과 iOS 14.5 이후 유저 식별이 어떻게 바뀌었는지, ID 그래프가 deterministic·probabilistic 매칭으로 어떻게 동작하는지 마케터 시각으로 정리.
AI·LLM creative-fatigue · embeddings
광고 크리에이티브 피로도(creative fatigue), 임베딩으로 미리 잡기
같은 광고를 3주째 돌리는데 CTR이 슬슬 빠집니다. 언제 갈아치워야 할까. 이미지·텍스트 임베딩으로 "기존 자산과 다른 새 후보"를 자동 추천하는 운영 워크플로우.
통계·ML ab-testing · cuped
CUPED — A/B 테스트 표본을 절반으로 줄이는 분산 축소 기법
실험 기간을 줄이고 싶다면 표본을 늘리지 말고 분산을 깎아라. Microsoft·Netflix·Booking이 표준으로 쓰는 CUPED를 마케터 시각으로 풀어봅니다.
Analytics Ops (GA4·GTM) ga4 · bigquery
GA4 + BigQuery로 ROAS 파이프라인 직접 만들기 — 플랫폼 대시보드 못 믿을 때
Meta 광고 매니저 ROAS와 GA4 ROAS가 30% 차이 납니다. 둘 다 거짓말은 아닌데 어느 쪽도 믿기 어려워요. 원천 이벤트로 직접 ROAS 파이프라인을 만드는 SQL 4단계.
통계·ML causal-inference · geo-lift
Geo-lift 실험으로 인과추론 — 광고 안 한 도시와 비교하기
TV·OOH·오프라인 매장처럼 A/B 테스트가 안 되는 채널의 진짜 효과를 어떻게 측정할까. 도시·지역 단위 실험과 합성 대조군(Synthetic Control)으로 인과 효과를 분리하는 법.
퍼포먼스 마케팅 programmatic · rtb
광고 입찰의 GSP → First-price 전환 — 마케터 ROAS에 어떤 영향?
2017년 이후 디스플레이 광고가 GSP에서 First-price 경매로 바뀌었습니다. 입찰 메커니즘 변화가 마케터 ROAS에 무엇을 바꿨는지, bid shading은 왜 등장했는지.
AI·LLM llm · ad-copy
LLM으로 광고 카피 100개 + CTR 예측까지 — 운영자용 4단계 워크플로우
카피라이터 한 명이 하루에 30개 만들 시간에, LLM은 100개를 5분에 만듭니다. 그런데 그 100개를 그대로 광고에 태우면 안 돼요. 임베딩으로 중복 제거하고 과거 CTR로 사전 스코어링하는 운영 파이프라인.
AI·LLM llm · agent
LLM 에이전트로 마케팅 리포트 자동화 — 실패 사례에서 본 한계
LLM 에이전트로 마케팅 리포트를 자동화할 때 어디까지가 진짜 쓸만하고 어디서 깨지는지, tool-use·환각 방지·실무 패턴을 마케터 시각으로 정리.
통계·ML ab-testing · multi-armed-bandit
Multi-Armed Bandit vs A/B — 언제 어떤 걸 써야 하나
광고 운영 플랫폼의 Auto Optimize는 사실 Multi-Armed Bandit입니다. A/B 테스트와 어떻게 다르고, 언제 어떤 걸 써야 하는지 마케터 시각으로 정리.
퍼포먼스 마케팅 mmm · attribution
MMM 입문 — 쿠키 종말 시대, 채널 기여도를 다시 측정하는 법
iOS 14.5와 서드파티 쿠키 종말 이후 MTA가 흔들립니다. 마케터가 알아야 할 Marketing Mix Modeling의 기본 개념(adstock·saturation), 그리고 보고서에서 MMM 결과를 읽는 법.
퍼포먼스 마케팅 roas · incrementality
ROAS 보고서가 늘 거짓말하는 이유 — last-click·view-through·incremental 3대장
Meta 광고 매니저는 ROAS 5를 보여주는데 BI 대시보드는 ROAS 1.4입니다. 어느 쪽이 진짜냐고요? 사실 둘 다 다른 질문에 답하고 있어요. 마케터가 ROAS 보고서를 읽는 법.
통계·ML simpsons-paradox · segmentation
Simpson's Paradox가 마케터 보고서에 숨는 법 — 전체와 세그먼트가 정반대를 말할 때
전체로는 A안이 좋아 보이는데 모든 세그먼트별로는 B안이 좋다? 이게 Simpson's Paradox입니다. 실제 광고·CRM·실험 보고서에 빈번하게 숨어있는 통계 함정과 잡아내는 법.
통계·ML uplift · causal-ml
Uplift 모델링 — "쿠폰 줘도 살 사람 vs 줘야 사는 사람" 가르기
리텐션·CRM 캠페인에서 가장 비싼 실수는 "어차피 살 사람한테 쿠폰 주는 것". Uplift 모델링은 캠페인이 정말 효과를 만든 사람만 골라냅니다. 4가지 페르소나와 T-Learner·X-Learner의 직관.
통계·ML ab-testing · experimentation
A/B 테스트에서 흔히 빠뜨리는 5가지 — Peeking부터 SRM까지
실험을 매일 돌리는 마케팅·그로스팀이 자주 빠지는 통계적 함정 5가지를 케이스와 함께 풀어봅니다. 결과를 자신 있게 보고하기 위한 체크리스트.
매체 데이터 알아보기 attribution · bayesian
광고 어트리뷰션, 왜 베이지안이 더 안정적인가 — 마케터를 위한 친절한 안내
데이터가 적을 때 last-touch가 흔들리는 이유, 그리고 베이지안 사전(prior)이 어떻게 신규 채널의 ROAS 추정을 안정시키는지 토이 코드 한 묶음으로 풀어봅니다.
AI·LLM rag · llm
RAG 시스템을 정량 평가하는 4가지 지표 — 마케팅 챗봇을 만든다면
마케팅 FAQ 챗봇·내부 위키 검색을 RAG로 만들 때, "답변이 맞다"를 어떻게 숫자로 증명할까. context relevance부터 faithfulness까지 4가지 지표를 케이스로 풀어봅니다.