광고비 책정, 어떻게 할 것인가 > 광고활용법

광고예산 모델을 위한 접근

 

광고의 예산을 책정한다는 것은 광고를 위해 들어가는 돈이 얼마나, 언제, 어디에, 그리고 어떤 목적으로 사용되는가를 결정하는 일련의 체계적인 플래닝이다. 만족스러운 광고의 집행을 위해서는 무한한 자금으로 무한한 매체를 확보하여 광고를 내면 되겠지만 이는 현실적으로 불가능한 일이다. 한정된 광고비만을 사용해야 하는 광고주(Advertisers)들은 광고비 관리에 있어서 두 가지 커다란 문제점에 봉착하게 된다.  하나는 어느 정도의 광고비가 적당하냐는 문제이고, 다른 하나는 책정된 광고비가 계획에 맞게 사용되고 있는가를 확인하는 관리의 문제가 그것이다. 

앞으로 광고주에 보다 양질의 서비스를 제공하기 위해서는 광고 집행의 기본이 되는 광고 예산 책정 및 관리에 대한 과학적이고 효율적인 모델의 개발이 필요하다고 보며, 이는 광고대행사가 서둘러 개발해야 할 분야라고 생각된다. 이에 필자는 효율적인 광고 예산 책정에 관한 하나의 계략적 접근 방법을 모색해 보기로 한다. 

Traditional Budgeting Approach

먼저 본격적인 계량적 Budgeting Modeling 작업에 들어가기에 앞서 고전적으로 해봤던 Budgeting접근 방법 몇 가지를 간략히 알아보기로 한다.

1. The Percentage-of-sales approach

이 방법은 기업이 어느 퍼센테지를 정해서 작년도 혹은 내년도 매출액에 곱하여 광고 예산을 책정하는 것이다. 이 방법의 단점은 분석적이지 못하다는 것이다. 광고의 목적은 기업 제품에 대한 수요를 증가시키는데 있으므로 매출의 결과로서 보아질 것이 아니라 매출의 원인(Cause)의 관점에서 보아져야 한다.

2. The all-you-can-offord Approachh

이 방법은 다른 모든 투자 비용이나 지출액을 할당한 후 광고 비용을 정하는 방법이다. 이 방법은 다른 모든 비용이 정해진 후 광고비가 정해지기 때문에 광고를 융통성있게 집행할 수 있는 여러 기회를 상실할 우려가 있다는 것이 큰 단점이다. 

3. The objective-and-task Approach

이 방법은 어느 브랜드에 대한 광고의 장·단기 목표에 의하여 광고비를 정하는 방법이다.  대부분의 경우 미래에 대한 목표 달성을 위해서 수단으로의 Media Objective-and-task Approach와 같은 관계를 갖게 된다. 즉 Media Vehicles(혹은 Media Schedule)의 믹스에 따라 광고비를 결정하게 되는데 그러다보면 광고목표의 결과를 측정하는데 그리고 그 목표를 달성하는데 그만한 비용이 들어야 하는지에 대한 의문점을 해결할 수 없다는 데에 문제점이 있다. 

4. The Competitive-Parity Approach

이 방법은 주요 경쟁자들의 광고비 사용 내역을 분석하여 비슷한 형태로 광고비를 책정하는 것이다. 또는 때때로 참여하는 산업 분야의 평균 광고비를 기준으로 정하는 때도 있다. 여기에서 고려할 만한 것이 Peckham의 법칙이다.  Peckham의 법칙이란 획득하고자 하는 Sales, Share를 얻으려면 그 계획된 Sales-Share의 1.5배 정도의 Advertising Share가 있어야 한다는 것이다. 예를 들어 K사가 쵸콜렛 시장에서 10%의 Sales Share를 얻으려 한다면 쵸콜렛 시장의 모든 회사가 사용하는 총 광고비의 15%정도를 Share해야 한다는 내용이다.  이 방법은 경쟁사에 의해 사용되는 광고비 자체가 우리 회사의 적정한 광고비 책정의 척도로서 유효한가(Valid)에 대해 의문점을 남기고 있다. 

Advertising Budgeting Model의 전개

앞에서 고전적인 광고 예산 책정에 관한 몇가지 방법에 대하여 얘기해 보았다. 지금부터는 광고 예산 책정의 모델링을 위한 계량적 접근 방법에 대하여 논의해 보기로 하겠다.  이제 논할 Advertising Budgeting Approach는 다음의 4가지 요소를 갖고 있다. 

·Development of Sales response function
·Definition of a net profit function for the firm
·Substitation of the Sales response function in place of sales in the net profit function
·Optimization method or numerical evaluation of 3 to find budget

1. Sales response function

일반적으로 매출액(S)과 광고비(advertising expenditure) 사이에는 다음과 같은 다섯 가지의 함수 관계가 있다고 한다. 그외에 Log function Gompertz function, Square root function 등이 있지만 여기에서는 언급하지 않기로 하겠다.  물론 이러한 함수 관계는 어느 회사의 매출액과 광고비 지출에 대한 누적적인 Time Series data(연도별 혹은 분기별, 월별 등)에서 도출된 것이다. 

어느 기업의 매출액과 광고비 지출에 대한 Time Series Data에서 양변수의 관차를 가장 잘 설명해주는 함수 관계를 찾아내는 것이 지금 논할 계량적 Budgeting Approach의 시작이다. 

2. Ad budgeting을 위한 계량적 Approach

위에 언급한 함수관계에서 최적의 매출액과 광고비 지출의 반응 함수(Response function)를 도출하여 최적의 광고 예산을 추천하기까지에는 i) Specification, ii) Estimation, iii) Verification 그리고 iv) Prediction의 네단계 과정을 거쳐야 한다.

· Specification

이 단계는 반응 함수관계의 일반적 속성을 규정하는 단계이다. 즉, 종속 변수가 매출액인가, 혹은 마켓 쉐어인가, 또는 the effect of creative quality가 포함될 것인가 등등에 관한 규정이 이 단계에서 있어야 한다. 광고비와 매출액과의 관계를 설명할 함수적 관계를 규정하는 단계인데 앞서 언급한 다섯 가지의 함수관계가 모두 고려의 대상이 되며 따라서 그 다섯 가지 함수 모두에 대하여 테스트를 하게 된다.  · Estimation

두번째 단계는 고려의 대상이 되는 반응 함수관계에서 각 반응 함수에 있는 Parameter를 구하는 단계이다. 예를 들어 S=a+bA의 반응 함수가 있다면 a값과 b값을 구해야 매출액과 광고비에 대한 예측을 할 수 있을 것이다. 각 반응 함수 모두 Parameter를 구해야 하는데 이에는 여러 방법이 있겠으나 그 기업의 매출과 광고비에 관한 Time Series data를 regression analysis야 하는데 이에는 여러 방법이 있겠으나 그 기업의 매출과 광고비에 관한Time Series data를 regression analysis하여 얻는 방법을 자주 사용한다.  여기에서 Logistic function과 modified exponential function의 Sales의 upper asymtote(s)를 정하는 방법은 그 기업의 Time Series data를 보고 그 기업이 올릴 수 있다고 추측되는 최상의 매출액을 가정하면 된다. Upper asymtote의 값은 가정치이기 때문에 여러가지 값을 각 함수에 넣어 최적의 regression분석 결과가 나오는 값으로 Upper asymtote을 보통 정하게 된다. 

· Verification

Parameter가 정해지면 이를 적용한 반응 함수의 분석이 시작된다. 이해를 돕기 위해 표로, Statistical Evaluation table을 보면서 설명해 보도록 하겠다. 표1을 보면 다섯 가지 반응 함수에 대한 분석이 나와 있다. 이 통계적 분석  Table은 어느 회사(A기업이라 가정하자)의 매출과 광고비에 대한 Time Series Data를 regression analysis에 의해 얻은 것이다.

표1에서 고려해야 할 중용한 통계적 Crieria의 순서는 R2->t value->F valus->auto correlation이다. 표에서 보면 Modified exponential Function과 Logistic function이 각각 .989와 .971로 다른 함수보다 높은 R2값을 갖고 있음을 알 수 있다. 따라서 이 두가지 함수가 A기업의 매출대 광고비의 관계를 다른 함수들보다 잘 설명하여 주고 있다고 짐작할 수 있다.

위와 같은 분석의 과정을 거쳐 다섯가지 반응 함수중 적합하다고 (Well-fitting)생각되는 반응함수에 대한 윤곽을 잡는다.

· Prediction

앞서의 과정을 거쳐 걸러진 반응함수가 매니지먼트에 의해 합의를 보기 위해서는 받아들여질 수 있는(acceptably accurate) Prediction의 능력이 있어야 한다. 추출된 반응함수가 미래의 매출대 광고비의 관계를 잘 예측할 수 있느냐의 문제는 추출된 반응 함수에 의하여 나온 예상된 매출액을 갖고 있는 Time Series data에 적용, 검증(Postdiction)해 보면 알 수 있다. 이 때에 기준이 되는 개념이 APE(Average Percentage Error)이다. APE는 다음과 같은 간단한 공식으로 얻어진다.

APE={(Actual Sales-Predicted Sales)/Actual Sales}×100

이것이 의미하는 것은 반응 함수에 의하여 얻어진 예상된 매출액이 A기업의 과거의 매출 경험 혹은 능력도와 consistent한가를 보는 것이다. APE의 값이 적을수록 좋은 반응 함수라는 의미이며, APE가 5%를 넘을 경우 그 반응 함수는 재고의 대상이 되어야 한다. 표1에서 보면 Logistic function과 Modified exponential function이 5% 미만의 양호한 APE값을 갖고 있음을 알 수 있다.

이상의 네 단계를 거쳐 다섯가지의 함수 중 두가지 정도의 함수를 최적 광고비 책정을 위한 매출대 광고비 함수로 고려하게 된다. 어느 함수에 의한 광고비의 책정이 적절하냐는 것은 Net Profit analysis와 Break-even analysis를 통하여 결정된다.

Net Profit analysis와 Break-even analysis

기업은 이윤을 내기 위하여 운영되는 단체이기 때문에 이윤을 무시한 광고비의 책정이란 있을 수 없다. 따라서 앞의 과정을 거쳐 나온 반응 함수에 의한 광고비가 어느 정도의 Net Profit를 올릴 수 있느냐를 분석해 보아야 한다. Net Profit의 개념은 회사마다 다를 수가 있고 산출 방법 또한 여러가지가 있을 수 있다. 여기에서는 가장 간단한 NP(Net Profit)의 산출 방법에 대해서만 언급하도록 하겠다.

NP=S-c.g.s.-Admin/Mktg-A

(S: Sales, c.g.s.: Cost of goods sold, Admin/Mktg: Administation/Other marketing cost, A: Advertising)

여기에서 S의 값은 추출된 반응 함수에 A의 액수를 넣어 얻어진다. 따라서 A기업은 허용된(혹은 임의로) 광고비의 범위를 함수에 입력, 얻어진 매출액과 그 회사의 c.g.s. Admin/Mkth 비용을 감안하며 NP의 추세를 볼 수 있다. 즉 광고비의 증가에 따라 NP가 어떻게 변화하느냐를 분석해 볼 수가 있다(numerical analysis). 한 가지 주의해야 할 사항은 최대의 NP값을 얻기 위해 무턱대고 광고비를 올려서는 안된다는 점이다. 광고비 지출의 예측은 그 회사의 Time Series data에 대하여 consistent한 범위 내에서 해야만 한다. 이를 위하여 Break-even analysis가 필요하다.

Break-even analysis는 advertising practitioner에 의하여 제시된 예상 광고비가 회계적 시각에서 Financial Feasibility가 있는가를 보는 분석이다. 이 분석의 요체도 Net Profit analysis와 마찬가지로 그 기업의 과거의 실적과 consistent한 비용의 산출에 있다. 이 분석은 그 회사의 정책적 결정 사항 즉 판매 단가의 증감, Admin/Mktg비용의 증감, 생산비의 증감 등을 advertising practitioner에 의한 예상 광고비와 함께 고려하여 재정적 타당성을 보는 것이다. A기업의 과거의 실적으로 볼 때 NP의 대매출액 비율이 5%정도이고 광고비 지출의 대매출액 비율이 10%정도라고 하면 예상된 추천광고비와 그로 인하여 발생하는 NP의 대매출액 비율도 거의 비슷한 수준에서 이루어져야 한다. 이런 consistent한 내용을 테스트하는 것이 Break-even analysis 목적이고 그 목적에 합당하면 그 예상 광고비는 적정 광고예산으로 추천된다.

이상은 어느 기업이 매출액과 광고비 지출에 관한 time Series data가 없는 경우의 광고비 책정 과정을 언급한 것이다. 그러면 만일 신제품과 같이 Time Series data가 없는 경우에는 어떻게 광고비를 추천할 수 있는가. 이러한 경우에 대하여 계량적 접근 방법을 간략히 언급하여 보기로 한다.

4. 신제품의 광고비 책정

데이타없이 계랑적 접근 방법은 생각할 수 없다. 따라서 분석을 위한 데이타가 먼저 수집되어야 한다. 데이타 수집의 대상에는 두 가지가 있는데 하나는 경쟁 상품에 대한 것일 수도 있고, 다른 하나는 소비자들에 대한 것일 수도 있다. 이러한 데이타들은 한번의 조사에 의해 나오고 각 변수들을 상호 비교하기 때문에  Cross Sectional data라 불리운다. 이러한 데이타를 이용하여 광고비를 정하는 Approach는 미국의 광고 대행사인 N.W.Ayer에 의하여 처음 개발된 것인데 여기서는 이를 조금 단순화하여 언급해 보기로 하겠다. 

신제품의 광고비 개발을 위하여 먼저 수집되어야 할 데이타는 다음과 같은 것이다. 

AR(or DAR): 광고 기억도
AF: Average Frequency
DN: Distribution Rate
PK: Package Quality
FB: Family brand name에 대한 신제품명의 밀접도
CU: 그 제품 카테고리를 사용하는 소비자의 비율
PS: trial test에서 그 제품에 대한 소비자 만족도
PF: Purchasing Frequency
RP: 그 제품의 경쟁 제품 가격에 대한 상대 가격도

위와 같이 수집된 데이타는 다음의 함수 관계를 갖게 된다.  BA(Brand Awareness)=f(DAR, AF)
IP(Initial Purchase Rate)=f(BA, DN, PK, FB, CU)
BR(Repeat Purchase Rate)=f(IP, PS, PF, RP)
MS(Market Share)=f(RR)

· BA, IP, PR, MS의 response function 도출

BA, IP, PR, MS 네가지의 Variables에 대해 경쟁사들의(혹은 소비자 조사에서 얻은) 데이터를 분석하여 각 Variables에 최적의 반응 함수를 구해내는 것이 데이터 수집후 해야 할 일이다. 앞에서의 Time Series data의 반응 함수 도출시와 같은 반응 함수를 추출하는데 데이터가 한번의 조사에 의하여 수집되므로 Carry-over effect function은 이 경우 고려의 대상이 되질 않는다. 따라서 BA, IP, PR, MS 각 변수에 대하여 각각 나머지 네가지 함수 중 어느 반응 함수가 가장 적절한지 모두 분석해 본다. 이 과정은 앞서의 Time Series data일 경우와 마찬가지로 Specification, Estimation, Verification, Prediction의 단계를 거쳐야 한다. 그 자세한 내용은 앞에서 언급한 바 있으므로 여기서 다시 설명하는 것은 피하기로 하겠다. 다만 마지막 단계인 Prediction의 경우, 보통 2-3개 정도의 경쟁사에 대한 실제 조사 측정치와 반응 함수에 의해 도출된 각 변수의 예측치를 비교, Percentage error를 내는데 역시 Percentage error가 적을수록 그 반응 함수는 잘 골라진 것이라고 할 수 있다.

· 광고 예산의 대안(alternative)에 대한 적용

앞서의 과정을 거쳐 선택된 반응 함수에서 나온 BA, IP, PR, MS 각 변수의 예측치를 Criteria로 정하고 광고 예산을 책정하게 된다. A기업이 신제품 Z를 새로이 런칭함에 있어 최적의 BA, IP, PR, MS의 값을 얻으면서 기업의 NP를 보장하는 광고 예산의 수립 방법이다. 예를 들어 A기업이 Z의 성공적 런칭을 위해 1억에서 1억5천만원까지의 비용을 광고비로 사용할수 있다면 그 범위 내에서 여러 광고비의 대안들을 만들어 어느 안이(비용이) 가장 적절한(혹은 목표로 한) BA, IP, PR, MS의 값을 얻어 내면서 이윤을 창출할 수 있느냐를 밝혀 내는 것이다.  만일 어느 안이 양호한 BA, IP, PR, MS의 값을 얻어냈지만 이윤이 남지 않는다면 그 안은 재고의 대상이 되어야 할 것이고 그 역의 경우라도 그 안은 별로 좋은 안이 아닐 것이다. 

이상에서 Time Series data의 경우와 Cross Sectional data의 경우에 있어서 단기적인 Advertising Budgeting Modeling을 위한 하나의 계량적 접근 방법을 서술해 보았다. 그러한 Approach를 통하여 장기적 Budgeting Approach도 가능한데 장기적 Approach에는 위와 같은 Data 외에도 기업의 감가 상각, 투자에 대한 회수율(return on investment), 시장에 대한 정보, 회사의 Marketing 전략에 관한 사항들이 수집되어야 할 것이다.