Case Study · 풀퍼널 · CRM · MMM · Marketing AX

athler — 60배 성장의 다음 단계.
AI-Native CRM + Meridian MMM.

300만 3050 남성 패션 플랫폼 athler의 풀퍼널 그로스 파트너로서 두 가지를 했습니다. Claude Code로 마케터가 직접 코딩하는 AI-Native CRM 파이프라인을 깔고, Meridian MMM으로 last-touch 대시보드의 착시를 깨뜨렸습니다.

Client · athler Period · 2024–2025 Stack · Airbridge · BigQuery · Amplitude · Braze · Claude Code · Meridian
1,900%iROAS · 고효율 캠페인
+134%AI personalization CVR
12.1 → 14%결제 이탈 회복 CVR
며칠 → 5분분석 시간 단축
Source · AB180 webinar recap · PDF 소개서 (CASE1 Performance Marketing)
챕터 01 · AI-Native CRM 파이프라인

문제 — raw data가 보여도 의사결정이 못 따라간다.

60배 매출 성장에도 athler 팀은 "이 매출이 진짜 우리가 의도한 브랜드 포지셔닝에서 온 게 맞는가?"에 답하지 못했습니다. 대시보드 숫자는 좋았는데 인과 관계가 흐릿했고, 결제 단계 이탈은 측정조차 안 됐습니다.

3-축 동시 작업.

Axis 01
Raw Data Pipeline
Airbridge events → BigQuery 실시간 인입 → Amplitude 분석. 대시보드 의존을 끊고 raw 레벨에서 의사결정.
Axis 02
AI-Native CRM
Braze 카탈로그 + Braze AI 추천 모델로 유저별 구매 확률 ranking. Meta 카탈로그 광고에 GCP로 빌드한 이미지 오버레이 파이프라인을 붙여 채널별 동적 소재 자동 생성. 개발자 의존성 0.
Axis 03
Incrementality Framework
Braze 글로벌 control group + MCP dueling workflow로 캠페인의 진짜 incrementality(iROAS) 측정. 표면 메트릭에 속지 않게.

파이프라인.

User behavior
→
Airbridge
→
BigQuery
→
Braze Catalog + AI rec
→
GCP 이미지 오버레이 (Meta 카탈로그 광고)
→
Multi-channel

Amplitude는 raw 행동 데이터 분석 도구로 별도 트랙. 파이프라인 흐름의 인입 단계와는 분리됩니다.

측정 가능한 결과.

결제 이탈 회복
12.1 → 14%
Amplitude 결제-앱 이탈 실시간 감지 → 1시간 내 카카오톡 알림 자동화. relative lift +16%.
AI personalization
+134% CVR
CTR +35% 동반. Braze AI 추천 + Meta 카탈로그 광고에 GCP 이미지 오버레이 파이프라인 결합. 정확한 브랜드 선호 예측 + 채널별 소재 최적화.
Incrementality
1,900%
고효율 캠페인 iROAS. Braze MCP + Amplitude 통제군 비교에서 표면 지표가 가렸던 hidden-ROI 캠페인 발견.
분석 시간
며칠 → 5분
리포트당 소요 시간 단축. 의사결정 사이클이 주 단위에서 시간 단위로 압축.

우리가 들은 것.

"

반복 업무는 자동화하고 사람은 판단과 기획에 집중한다.

한승윤 · athler Growth Lead
"

AI를 잘 쓰는 사람이 그렇지 못한 사람의 일을 대체하게 된다.

심규섭 · Retention CEO
챕터 02 · Meridian MMM Cautionary

발견 — last-touch는 좋아 보였습니다. MMM은 그 반대를 말했습니다.

Last-touch attribution 기준으로는 캠페인 성과가 좋아 보였습니다. 그러나 Meridian MMM(Bayesian)으로 재측정하니 거의 모든 지표가 좋지 않았습니다. Adstock·saturation·contribution share — 어느 것도 last-touch 수치를 뒷받침하지 못했습니다. 이 발견이 athler의 매체 mix와 예산 우선순위를 다시 짜게 만들었습니다.

📖 마케터 용어 풀이 — 4개 용어를 알면 챕터 2가 모두 이해됩니다
Last-touch attribution
마지막으로 클릭한 매체에 100% 공을 주는 어트리뷰션. 직관적이지만 함정이 큽니다. 유저가 1주일 전 Meta 광고를 보고 어제 브랜드 검색으로 들어와 구매했다면, last-touch는 "검색 광고가 100% 기여했다"고 봅니다. Meta 광고의 진짜 기여(view-through halo)는 안 보입니다.
Adstock (광고 잔존 효과)
광고가 한 번 노출되고 사라지지 않고 며칠~몇 주 동안 효과가 천천히 감쇠하며 남는 현상. TV 광고를 본 후 3일 뒤 구매하는 사람도 광고에 영향받았습니다. Adstock 모델은 "오늘 본 광고의 효과가 며칠에 걸쳐 어떻게 분산되는지"를 수식으로 표현합니다. MMM에서 이 곡선이 깨끗하지 않으면 = "이 채널이 실제로 행동을 유발하고 있지 않다"는 신호.
Saturation curve (포화 곡선)
광고비를 늘리면 어느 지점부터 추가 효과가 줄어드는지 곡선. MMM은 채널마다 이 곡선을 추정합니다. 곡선이 너무 빨리 평평해지면 = "이 채널은 이미 saturated, 더 태워도 안 늘어남". 곡선이 거의 직선이면 = "아직 여유 있음, 더 태워도 됨". 예산 재배분 의사결정의 가장 결정적인 신호입니다.
Incrementality (증분성)
이 광고가 없었다면 안 일어났을 매출의 비율. last-touch는 incrementality를 측정 못 합니다 — 광고 없이도 살 사람도 광고에 100% 기여 라벨이 붙기 때문. MMM이나 통제군 실험으로만 잡힙니다. "iROAS 1900%"의 i가 바로 incremental의 i입니다.

처방.

  • — Meridian MMM(Bayesian) 도입 → adstock + saturation 동시 추정
  • — Meta · Google · ASA 채널별 marginal ROI(mROI) 비교 → 진짜 우위 채널 식별
  • — SKAN 4.0 + Airbridge 어트리뷰션 정합성 개선 (last-touch의 한계 데이터로 보완)
  • — 타겟팅·소재·예산 구조 A/B 실험 체계로 MMM 권고 검증

결과.

Google App ROAS
+92%
App Campaign 효율화. MMM 권고 기반 구조 재설계 후.
Meta CPI
+128%
Meta Catalog 광고 효율화로 CPI 기존 대비 +128% 개선.
예산 재배분
mROI
MMM 분석 기준 mROI 우위 채널 재식별 → 확장 우선순위 재정의.
"대시보드가 좋아 보이는 캠페인이 진짜 incrementality를 만들고 있는지는 별도 측정해야 합니다. athler 케이스는 그 착시를 MMM이 어떻게 깨뜨리는지를 보여주는 교과서적 예입니다."
다음 단계

우리도 athler처럼 last-touch 대시보드 너머를 보고 싶다면.

30분 무료 진단 콜에서 현재 어트리뷰션 정합성과 incrementality 측정 가능성을 함께 점검합니다. MMM 도입은 데이터 2년치가 있으면 시작 가능합니다.

심슨과 30분 자비스앤빌런즈 MMM 워크샵 Performance Marketing 레인