마케팅 통계 용어 사전 — 30개 핵심 개념, 한국어로

CTR·CVR·ROAS부터 표본 비율 불일치·검정력·HDI·MMM까지. 정의 + 계산식 + 흔한 오해 + huny.log 관련 글.

검색해도 한국어 자료가 부실한 30+ 개념을 정의·계산식·흔한 함정 세 가지 축으로 정리합니다. 더 깊은 글은 huny.log에 있습니다.

광고 효율

CTR (Click-Through Rate) 클릭 / 노출: 광고가 얼마나 자주 클릭되는가. 크리에이티브·타겟팅 품질의 1차 신호.; 흔한 함정 — CTR이 높다고 ROAS가 높지는 않다. 클릭 후 전환을 봐야 한다.
CVR (Conversion Rate) 전환 / 클릭 (또는 / 방문): 클릭한 사람 중 몇 명이 전환했는가.; 흔한 함정 — 분모가 클릭인지 방문인지 세션인지 항상 확인. 정의가 다르면 비교가 무의미하다.
CPC (Cost Per Click) 광고비 / 클릭: 클릭 1건 평균 비용.; 흔한 함정 — CPC가 낮다고 좋은 게 아니다. 저관여 트래픽일 수 있다.
CPM (Cost Per Mille) 광고비 × 1000 / 노출: 노출 1,000회당 비용. 인지·도달 캠페인의 효율 지표.
CPA (Cost Per Acquisition) 광고비 / 전환: 전환 1건 평균 비용. 광고 채널 효율의 가장 보편적 지표.
ROAS (Return on Ad Spend) 광고로 만든 매출 / 광고비: 광고비 1원당 매출.; 흔한 함정 — 마진율·payback 기간을 함께 봐야 한다. ROAS 300%여도 적자 가능.

CAC (Customer Acquisition Cost) 획득 비용 총합 / 신규 고객 수: 고객 1명을 얻는 평균 비용.
LTV (Lifetime Value) 유저당 누적 마진의 기댓값: 유저 1명에게서 평생 얻는 총 수익(또는 마진).; 흔한 함정 — 평균 LTV는 거짓말. 코호트별 누적 곡선으로 봐야 한다.
Payback Period: 광고비를 회수하는 데 걸리는 시간.; 흔한 함정 — LTV/CAC 3:1보다 payback이 운영 의사결정에 더 중요할 때가 많다.
Retention: 특정 시점에 다시 활동한 유저 비율. 코호트별로 본다.; 흔한 함정 — D1·D7·D30 retention은 정의가 다르다. "활동"의 기준을 정확히 정의해야 비교 가능.
Cohort: 특정 시점에 가입·구매한 유저 집단.; 흔한 함정 — 평균 지표 대신 코호트를 비교해야 시간 흐름에 따른 변화를 볼 수 있다.

MDE (Minimum Detectable Effect): 검출하고 싶은 최소 효과 크기. 표본 크기를 결정짓는 가장 큰 변수.; 흔한 함정 — MDE를 절반으로 줄이면 표본은 약 4배가 된다.
검정력 (Statistical Power, 1−β): 진짜 효과가 있을 때 그것을 검출할 확률. 보통 80%로 설정.
유의수준 (α): 효과가 없는데 있다고 잘못 판단할 확률. 보통 5%.
p-value: 귀무가설이 참이라고 가정했을 때 이만큼 또는 더 극단적인 데이터가 나올 확률.; 흔한 함정 — p = 0.03 은 "B가 A보다 클 확률 97%"가 아니다.
SRM (Sample Ratio Mismatch): 의도한 트래픽 분배 비율과 실제 비율의 차이. 0.05 이상이면 거의 항상 데이터 오류 신호.; 흔한 함정 — SRM이 의심되면 다른 지표가 유의미해도 결과를 폐기해야 한다.
Peeking: 실험 중간에 결과를 보고 종료 결정. 빈도주의에서 1종 오류율 폭증의 원인.
다중 검정 (Multiple Testing): 여러 지표·세그먼트를 동시에 검정하면 1종 오류율이 누적. Bonferroni·FDR 보정 필요.

Prior (사전 분포): 데이터를 보기 전 파라미터에 대한 믿음. 베이지안의 출발점.
Posterior (사후 분포): 데이터를 본 뒤의 믿음. prior × likelihood로 갱신.
HDI (Highest Density Interval): 사후 분포에서 확률 밀도가 가장 높은 구간. "참 값이 이 안에 있을 확률 95%"의 의미.; 흔한 함정 — 빈도주의의 신뢰구간(CI)와 다르다. HDI는 직관과 일치, CI는 그렇지 않다.
Credible Interval: 베이지안에서의 구간 추정. HDI가 그 중 하나.

Last-click Attribution: 전환 직전 마지막 채널에 100% 기여 부여. 가장 단순하지만 상류 채널을 과소평가.
Data-Driven Attribution: 데이터로 채널 가중치를 추정. Markov chain의 removal effect가 대표적.
MMM (Marketing Mix Modeling): 집계 시계열 데이터로 채널별 마케팅 효과 추정. 쿠키 의존 없음.; 흔한 함정 — 결과의 신뢰구간이 넓을 수 있다. 베이지안 MMM이 불확실성을 직접 다룬다.
Incrementality: 광고가 없었어도 일어났을 전환을 제외한, 광고로 인해 추가로 발생한 전환.; 흔한 함정 — 관찰 데이터만으로는 추정 불가. 실험(geo holdout 등)이 필요하다.

개별 개념을 깊게 다룬 글은 huny.log에서 카테고리별로 묶어두었다. 특히 ml-stats와 perf-marketing 트랙을 추천한다.