리서치 연구
생성형 AI 시대의 마케팅 효과 측정 프레임워크 개발
Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact
arXiv생성형 AI 시대에 기업의 마케팅 효과를 측정하기 위해 '생성형 마케팅 믹스 모델링(GMMM)'이라는 새로운 인과 추론 프레임워크가 개발되었습니다.
세 줄 요약
- 이 모델은 생성 엔진 최적화(GEO)와 마케팅(GEM) 활동이 비즈니스에 미치는 인과 효과를 추정하며, AI 답변 내 노출 빈도 등을 핵심 지표로 활용합니다.
- 기존 광고 데이터로는 파악하기 어려웠던 'AI가 생성한 답변을 통한 브랜드 노출'의 실제 비즈니스 영향을 측정하여 마케팅 전략 수립에 도움을 줍니다.
- 이 방법론은 단순 상관관계를 넘어 인과적 효과를 추정하며, 다양한 마케팅 활동 조합에 따른 예상 비즈니스 반응까지 예측할 수 있습니다.
기존의 표준 마케팅 데이터로는 사용자가 생성된 답변 내에서 기업 이름을 얼마나 자주 보고 인지하는지를 기록하기 어렵습니다. 이에 연구진은 '생성형 마케팅 믹스 모델링(GMMM)'이라는 새로운 인과 추론 프레임워크를 개발했습니다. 이 모델은 생성 엔진 최적화(GEO)와 생성 엔진 마케팅(GEM) 활동이 비즈니스에 미치는 인과 효과를 측정하는 것을 목표로 합니다.
GMMM을 통해 GEO의 인과 효과는 반복된 생성 답변, 질문 수, 생성 시스템 전반의 사용 점유율 및 노출 확률 등을 결합하여 추정합니다. GEM의 경우에도 스폰서 배치 기록과 노출 확률 데이터를 활용하여 분석이 이루어집니다.
본 방법론은 대안적인 처리 순서 하에서의 예상 비즈니스 반응을 비교하고, 그 결과로 발생하는 효과를 식별하기 위한 충분 조건을 확립할 수 있습니다. 연구진은 이 모델의 실증적 성능을 검증하기 위해 영어와 일본어로 된 제품 추천에 대한 시뮬레이션 답변을 사용했습니다.