한 줄로
회귀분석에 넣은 여러 독립변수(예: 채널별 광고비)가 늘 같이 오르고 같이 내리면, 모델은 "이 성과가 어느 채널 덕분인가"를 안정적으로 나누지 못합니다. 이 상태가 다중공선성(Multicollinearity)이에요.
왜 중요한가
마케팅 데이터에서 흔한 함정이에요. 예를 들어 SNS 광고와 검색 리타겟팅 광고를 항상 같은 시기에 같이 늘렸다 줄였다 했다면, 매출이 올랐을 때 그게 SNS 덕인지 검색 덕인지 통계적으로 가르기 어려워져요. 계수(coefficient)가 불안정해지고, 때로는 상식과 반대되는 부호(마이너스)가 나오기도 해요.
마케팅 믹스 모델링(MMM)처럼 채널별 기여도를 회귀로 추정하는 분석에서 특히 자주 마주치는 문제예요.
어떻게 알아채나
- 개별 채널의 상관관계를 미리 확인해요. 늘 같이 움직이는 채널쌍이 있는지 보는 단계예요.
- VIF(분산팽창계수)를 봐요. 보통 5 이상이면 주의, 10 이상이면 심각한 공선성 신호로 봅니다. VIF가 낮다고 인과가 증명되는 것은 아니지만, 높다면 채널별 계수를 해석할 근거가 약해져요.
- 계수의 부호가 상식과 반대이거나, 표준오차가 비정상적으로 크면 의심해봐야 해요.
- 근본적인 해결은 통계 기법보다 데이터 설계예요 — 채널을 따로 움직여본 기간(한쪽만 켜거나 끈 시기)이 있어야 모델이 구분할 수 있어요.
MMM 전에 무엇을 해야 하나
VIF가 높다면 MMM 옵션을 바꿔서 억지로 기여도를 만들기보다, 같이 움직인 채널을 분리해 변동시킨 기간을 먼저 확보하세요. 한 채널만 증액·감액한 기간, 지역을 나눈 실험, 홀드아웃이 그 근거가 됩니다. VIF 다중공선성 점검 도구에서 채널별 지출 CSV를 먼저 확인할 수 있어요.
더 깊게 보려면
MMM에서 다중공선성이 실제로 어떻게 결과를 왜곡하는지는 MMM이란 글의 "어디까지 믿어야 하나" 섹션에서 다룹니다.