AI agent 시대의 마케팅 측정과 데이터 인프라, 무엇이 바뀌고 있나

무슨 일이 일어나고 있나

최근 마케팅·데이터 업계의 뉴스들을 따로 보면 제각각이지만, 한 발 물러서 보면 같은 방향을 가리키고 있어요. 측정, 데이터 인프라, 실험이라는 세 축이 동시에 재편되고 있거든요.

첫째는 측정의 변화예요. 서드파티 쿠키 폐지와 B2B 구매 여정의 복잡화로 기존의 MTA(멀티터치 어트리뷰션)만으로는 마케팅 성과를 정확히 잡아내기 어려워졌어요. 그래서 통계 분석으로 전체 마케팅 지출과 수익의 상관관계를 보는 MMM(마케팅 믹스 모델링)이 다시 주목받고 있는데요, 가장 정교한 조직들은 MMM이 전략(예산 배분)을 정하고 MTA가 전술(일주일 단위 캠페인 개선)을 담당하도록 '삼각측량'으로 두 방식을 결합하고 있어요.

둘째는 데이터 인프라의 통합이에요. Twilio가 Databricks의 CustomerLake와 통합해 '컨버세이션 레이어(Conversations layer)'를 제공하면서, 고객 데이터 플랫폼의 인사이트를 이메일·SMS·채팅 같은 실시간 engagement 채널로 직결하는 구조를 만들었어요. 데이터에서 얻은 예측 인사이트를 AI agent가 실제 커뮤니케이션으로 곧장 바꿔주는 흐름이죠. 같은 맥락에서 Snowflake는 AIM이라는 AI 기반 통합 플랫폼을 내놓아 레거시 데이터베이스를 클라우드로 옮기는 마이그레이션의 복잡성을 크게 낮췄어요. 평가부터 코드 변환, 테스트, 데이터 검증, 오케스트레이션까지 한 플랫폼에서 처리하니까요.

셋째는 실험 체계의 성숙이에요. VWO 사례에서 보듯, A/B 테스팅을 소규모 실험에서 조직 전체의 성장 인프라로 키우려면 표준화된 메트릭 정의, 통계 거버넌스, 중앙집중식 가설 저장소, ICE 스코어링 기반 우선순위, feature flag 기반 점진적 롤아웃, CUPED 같은 분산 감소 기법이 필요해요.

왜 중요한가

이 세 가지는 따로 노는 트렌드가 아니라 하나의 인과 사슬로 연결돼요. 측정이 정밀해지려면 데이터가 한곳에 모여야 하고, 데이터가 모이려면 인프라가 통합돼야 하며, 그렇게 모인 데이터로 빠르게 의사결정을 내리려면 실험 체계가 거버넌스를 갖춰야 하거든요.

쿠키가 사라진다는 건 단순히 추적 수단 하나가 없어지는 게 아니에요. MTA가 의존하던 개인 단위 추적이 흔들리면서, 자사 데이터(first-party data)를 통합·정제해 MMM 같은 모델에 태우는 능력이 경쟁력의 핵심으로 올라온 거예요. Snowflake AIM의 마이그레이션이나 Twilio·Databricks 통합이 바로 이 자사 데이터 통합 기반을 닦는 작업이고요.

여기에 AI agent라는 변수가 더해져요. CustomerLake가 고객 맥락과 예측 인사이트를 만들면 Twilio의 컨버세이션 레이어가 모든 채널에 일관되게 전달하는 구조처럼, '인사이트 생성'과 '실행'의 거리가 점점 좁아지고 있어요. WPP Media 예측에서 올해 전 세계 광고 수익이 8.9% 성장(이전 7.1% 예측 상향)할 거라 본 것도 결국 대형 광고 플랫폼들의 AI 기반 광고 최적화와 생성형 검색 같은 새 채널 때문이거든요. 생성형 검색은 아직 전체 광고 수익의 0.4%(약 51억 달러)에 불과하지만 2030년경 1000억 달러 규모로 전망되니, 데이터·측정·실행 인프라를 지금 정비해두는 조직이 이 성장의 수혜를 가져갈 거예요.

실무에 주는 함의

실무자가 챙겨야 할 핵심은 세 가지로 정리돼요.

첫째, 측정은 단일 도구에 의존하지 마세요. MMM과 MTA는 경쟁 관계가 아니라 역할 분담이에요. 분기·연 단위 예산 배분은 MMM으로, 주 단위 캠페인 최적화는 MTA로 가져가고, 둘의 결과가 어긋날 때 어느 쪽을 신뢰할지 사전에 규칙을 정해두면 의사결정 속도가 빨라져요.

둘째, 데이터 인프라 현대화는 측정·실행 전략의 전제 조건이에요. 레거시에 묶인 데이터로는 실시간 engagement도, 정교한 모델링도 불가능하거든요. Snowflake AIM 같은 마이그레이션 자동화 도구는 현대화(네이티브 전환)와 가상화(레거시를 그대로 클라우드 위에서 실행) 중 선택지를 주는데, 무리한 빅뱅 전환보다 단계적 접근이 위험을 낮춰요.

셋째, 실험을 조직의 근육으로 만드세요. 마케팅·엔지니어링 등 각 팀이 공통 거버넌스 틀 안에서 자율적으로 실험을 주도하도록 권한을 분산하면 조직 전체의 학습 속도가 빨라져요. AI agent가 실행을 자동화할수록, 그 실행이 옳은지 검증하는 실험 체계의 중요성은 오히려 커지고요.

리스크·한계

다만 이 흐름을 무비판적으로 받아들이면 곤란해요. MMM은 통계 모델인 만큼 데이터 품질과 외부 변수 통제가 부실하면 잘못된 결론을 낼 수 있고, 결과 해석에 전문성이 필요해요. 데이터 통합도 마찬가지로 '모든 데이터를 한곳에' 모으는 만큼 거버넌스와 프라이버시 책임이 무거워져요.

프라이버시 리스크는 점점 더 민감한 화두인데요, Meta의 AI 안경(Ray-Ban Meta) 사례처럼 카메라 내장 기기가 동의 없는 촬영 우려를 낳는 것에서 보듯, 기술의 편의가 곧 신뢰의 비용으로 이어질 수 있어요. 데이터를 다루는 조직일수록 '수집할 수 있다'와 '수집해도 된다'를 구분하는 윤리 기준이 필요해요.

마지막으로 도구와 기술만으로는 조직이 굴러가지 않아요. Salesforce 장기근속 직원들이 기술 혁신보다 신뢰·성장·공동체 문화를 떠나지 않은 이유로 꼽았듯, AI·데이터·에이전트 기술이 빠르게 바뀌어도 결국 그것을 운용하는 건 학습 의지와 신뢰 기반의 팀이거든요. 측정 정교화, 인프라 통합, 실험 거버넌스라는 어려운 변화를 끝까지 밀고 가는 힘은 도구가 아니라 사람과 문화에서 나온다는 점, 잊지 마세요.