GoodBelly 사례 — 마케팅 비용을 정당화하라

PROLOGUE

사례 한 줄

"Marketing department의 예산을 지키려면, 시연(demo)·진열대(endcap) 활동이 매출에 통계적으로 유의한 영향을 미친다는 증거를 댄다."

10주간 126개 Whole Foods 매장에서 모은 1,386개 관측치로 다중회귀를 돌리면 답이 나옵니다. 어떤 변수를 넣고, 어떤 계수를 보고, 어떻게 해석할지가 이 사례의 핵심.

학습 목표

다중회귀 모형을 비즈니스 의사결정에 활용하는 전체 흐름을 익힌다 — 변수 선택 → 모형 추정 → 계수 검정 → 권고안 작성.

CHAPTER 01

회사 소개 · NextFoods

Steve Demos · WhiteWave 출신 · 2008.1 출시

GoodBelly는 콜로라도에 본사를 둔 NextFoods Inc.가 만든 프로바이오틱 음료 브랜드. Steve Demos (WhiteWave Inc. 창업자, Silk 두유)와 Todd Beckman (WhiteWave 전 부사장)이 함께 설립.

2008년 1월 첫 출시 이후 Whole Foods Market·Safeway 같은 전국 체인에 입점.

시장 규모 (2008)

전 세계 프로바이오틱·프리바이오틱 식음료 시장: $15.4B, 여전히 성장 중.

프로바이오틱 부문 성장률: 5~30% (전체 식품 시장 1~2% 대비 압도적).

경쟁 브랜드: Dannon의 Activia 요거트 라인 — Bifidobacterium animalis DN 173 010 균주로 미국 프로바이오틱 인지도 견인.

CHAPTER 02

제품 차별점

Juice-based · dairy-free · vegan / Lp299v

기존 프로바이오틱 제품

대부분 유제품 기반 (요거트)
균주: 다양 (브랜드마다 다름)
채식·유당불내증 소비자 배제

GoodBelly

유기농 주스 기반
Dairy-free · Soy-free · Vegan
균주: Lactobacillus plantarum 299v (Lp299v) — 유럽에서 15년 이상 사용, 17건 임상 검증

포지셔닝 한 줄

"채식주의자와 유당불내증을 위한, 임상 검증된 프로바이오틱 주스."

CHAPTER 03

프로모션 1 · In-Store Demo

2009.11 시작 / Whole Foods 75% 매출 집중

초기 GoodBelly의 도전 — "인지도가 낮다". 전국 광고를 할 예산이 없으니, 작은 마케팅 예산 대부분을 매장 시연에 투입.

왜 시연인가

"제품을 팔려면 고객이 직접 맛봐야 한다"는 가설. 시연은 (1) 만남, (2) 프로바이오틱 교육, (3) 시음 — 세 효과를 한 번에.

운영 진화

2009.11 — 모든 GoodBelly 취급 매장 대상
몇 달 후 — 소형 매장에선 효과 미미 / 큰 매장에서만 효과 확인
이후 — Whole Foods 매장만 시연 (전체 매출의 75% 차지)

시연 표준 절차

외주 인력 (시간제) — 사전 교육 (Lp299v·제품 지식) — 매장 도착 후 테이블 셋업 (제품 진열대 근처) — 3시간 시연 (샘플 배포 + 설명 + 쿠폰 제공) — 보고서 작성 (매장·일시·판매·샘플 사용량·고객 질문) — GoodBelly 본사 fax 송부.

CHAPTER 04

프로모션 2 · Endcap 경쟁

매장 통로 끝 황금 진열대 차지 게임

Endcap = 매장 통로 끝 진열대 (the hub at the end of an aisle) — 트래픽이 가장 많은 매장 명당.

영업 담당자 경쟁

5명 sales rep이 경쟁
가장 많은 매장의 endcap을 따낸 사람
상품: 대형 TV

매장 간 경쟁

Whole Foods 매장끼리 best-decorated endcap 경쟁
상품: GoodBelly 후드티 + 직원용 제품 박스 + 기프트카드

관리진의 의심

"Endcap이 매출에 영향은 주는 것 같지만 — sales rep의 사기 진작 효과를 빼고도 그 정도 비용을 정당화할 만큼인가?"

CHAPTER 05

의사결정 상황

2010.7 — 마케팅 예산 삭감 압박

2010년 7월 senior 회의. 마케팅 매니저 Marty Wellbeing은 CFO Maggie Mathedoittir로부터 강한 압박을 받음 — "Demo와 endcap 같은 활동이 정말 매출에 기여하는지 통계적으로 증명해라. 아니면 예산 삭감이다."

Wellbeing은 자신의 부서가 통계 분석에 강하지 않다고 자평하던 차, 인턴 Caroline Dickerson이 통계 코스를 들었음을 기억함. 그녀에게 데이터 분석과 권고안 작성을 위임.

Dickerson의 도전 과제

Demo가 매출에 미친 영향 — 즉시 효과? 지연 효과?
Endcap이 매출에 미친 영향 — 비용 대비 가치?
Sales rep 직접 방문이 미친 영향
외생 요인 (가격·주변 경쟁·트래픽) 통제 후에도 위 효과가 유의한가?

CHAPTER 06

데이터셋 (Exhibit 1)

126 stores × 10 weeks = 1,386 obs / 9 variables

기간: 2010.5.4 ~ 7.13 (10주)
매장: 126개 Whole Foods
관측치: 1,386개 (= 126 × 10주 + 결측 보정)

변수 정의

#	변수명	유형	의미
1	Weekly Sales (Volume)	연속 — 종속변수	매장당 주당 판매량 (단위 수)
2	Average Retail Price	연속 — 통제변수	매장당 주당 평균 소매가
3	Sales Rep	더미 0/1	1 = 지역 영업담당 face-to-face 방문, 0 = 전국 담당만
4	Endcap	더미 0/1	1 = endcap 프로모션 참여 매장
5	Demo	더미 0/1	1 = 해당 주에 시연 진행
6	Demo1-3	더미 0/1	1 = 시연이 1~3주 전 진행 (이월 효과)
7	Demo4-5	더미 0/1	1 = 시연이 4~5주 전 진행 (장기 효과)
8	Natural Retailers	연속	매장 5마일 반경 내 자연식품 소매점 수 (경쟁)
9	Fitness Centers	연속	매장 5마일 반경 내 피트니스 센터 수 (수요 대리지표)

변수 디자인의 영리한 점

Demo의 시간 분해 — 시연을 단일 더미가 아니라 "당주" / "1~3주 전" / "4~5주 전" 세 더미로 쪼갰음. 이렇게 하면 즉시·이월·장기 효과를 각각 분리해 측정 가능.

매장 환경 통제 — Natural Retailers와 Fitness Centers는 매장 특성을 잡아내 demo 효과를 정확히 분리.

CHAPTER 07

분석 접근법 · 다중회귀

Multiple linear regression with dummy variables

모형 설정

\[ \begin{aligned} \text{Sales}_i = \beta_0 &+ \beta_1 \text{Price}_i + \beta_2 \text{SalesRep}_i + \beta_3 \text{Endcap}_i \\ &+ \beta_4 \text{Demo}_i + \beta_5 \text{Demo1\text{-}3}_i + \beta_6 \text{Demo4\text{-}5}_i \\ &+ \beta_7 \text{NaturalRetailers}_i + \beta_8 \text{FitnessCenters}_i + \varepsilon_i \end{aligned} \]

각 변수의 비즈니스 의미

각 β의 해석

$\beta_0$ (절편) — 모든 변수가 0일 때 평균 매출. 실무에선 큰 의미 없음.
$\beta_1$ Price — 가격이 $1$원 오를 때 매출 변화. 음수 예상. 가격 효과 통제용.
$\beta_2$ SalesRep — 지역 영업담당이 다녀가면 매출이 얼마나 변하나. 양수 기대.
$\beta_3$ Endcap — endcap 진열 시 매출 증가량. 양수 기대. 클수록 endcap 프로그램 정당화 강함.
$\beta_4$ Demo — 시연 당주의 즉시 효과. 양수 기대.
$\beta_5$ Demo1-3 — 시연 후 1~3주 잔존 효과. 0보다 크면 "지속 효과" 증명.
$\beta_6$ Demo4-5 — 시연 후 4~5주 잔존 효과. 0과 가까우면 효과 사라짐.
$\beta_7$ NaturalRetailers — 주변 경쟁점 수. 음수 예상.
$\beta_8$ FitnessCenters — 건강 의식 소비자 밀도. 양수 예상.

핵심 검정 — 마케팅 변수의 유의성

Wellbeing이 정당화해야 하는 변수는 SalesRep·Endcap·Demo·Demo1-3·Demo4-5. 각각에 대해:

\[ H_0 : \beta_j = 0 \quad \text{vs} \quad H_1 : \beta_j \ne 0 \]

회귀 산출물에서 각 계수의 t-stat과 p-value를 본다 (회귀에서는 z-stat 대신 t-stat 사용, 큰 표본에선 거의 같음).

\[ t\text{-stat} = \frac{\hat{\beta}_j - 0}{\text{SE of } \hat{\beta}_j} \]

p-value < 0.05 → $\beta_j$ 유의함 → 그 활동은 매출에 영향 있음을 통계적으로 증명.

CHAPTER 08

회귀 결과 해석 가이드

계수 부호·크기·유의성 3박자

회귀 산출물을 받으면 각 변수에 대해 세 가지를 동시에 검토:

변수별 점검 3단계

부호: 예상과 일치하는가? (Price 음수, Demo 양수 등) — 어긋나면 모형 점검.
크기: 비즈니스적으로 의미 있는가? Demo 계수가 +50이라면 시연 1회당 매장당 50단위 증가. 비용 대비 큰가?
유의성: p-value < 0.05? p-value < 0.10? — 5%는 강한 증거, 10%는 약한 증거.

의사결정 매트릭스

p-value	계수 크기	판단
< 0.05	크다	유지 (효과 입증 + 가치 있음)
< 0.05	작다	유지 단, 비용 대비 ROI 재검토
0.05 ~ 0.10	크다	유지 권고 단, 표본 더 확보해 재검정
0.05 ~ 0.10	작다	중단 또는 축소 검토
> 0.10	관계없음	중단 — 통계적 증거 없음

시연 효과의 시간 분해 해석

Demo 3개 더미를 같이 보는 이유

Demo만 유의 + 나머지 안 유의 → 시연은 당주에만 즉시 효과, 곧 사라짐. → 매주 새로 시연해야 함.
Demo + Demo1-3 둘 다 유의 → 시연 효과가 4주까지 지속. → 시연 빈도를 줄여도 됨.
Demo4-5도 유의 → 6주 가까이 지속 (장기 효과). → 한 번 시연이 매우 가치 있음.

이런 시간 분해 덕에 단순히 "시연이 효과 있다/없다"가 아니라 "얼마나 자주 해야 효율적인가"까지 답할 수 있음.

CHAPTER 09

R² 해석

모형 적합도 — 마케팅 비용 정당화의 근거

변동의 분해

\[ \text{SST} = \text{SSR} + \text{SSE} \]

Weekly Sales의 전체 변동(SST)은 모형이 설명하는 부분(SSR)과 설명 못 하는 잔차(SSE)로 분해됩니다.

\[ R^2 = \frac{\text{SSR}}{\text{SST}} = 1 - \frac{\text{SSE}}{\text{SST}} \]

이 사례에서 $R^2$ 해석

$R^2$ 범위	의미	마케팅 의사결정에 미치는 영향
< 0.20	모형 설명력 낮음	다른 외생 요인 존재 — 변수 추가 필요. 단정 어려움.
0.20 ~ 0.40	중간	마케팅 변수 영향은 보이나 큰 그림의 일부일 뿐. 결론에 유의.
0.40 ~ 0.60	꽤 높음	모형이 매출 변동의 절반쯤 설명. 마케팅 계수에 어느 정도 신뢰 가능.
> 0.60	매우 높음	예측 모형으로도 활용 가능. 권고안에 강한 근거.

주의 — $R^2$ 함정

변수를 많이 넣을수록 $R^2$는 자동으로 올라감. 그래서 Adjusted $R^2$를 함께 보는 게 정석.

\[ \bar{R}^2 = 1 - \frac{\text{SSE}/(n - k - 1)}{\text{SST}/(n - 1)} \]

변수 수 $k$에 페널티. 의미 없는 변수를 추가하면 $\bar{R}^2$는 오히려 떨어짐.

오차 분산 추정

\[ S_e^2 = \frac{\text{SSE}}{n - k - 1} = \frac{\text{SSE}}{1{,}386 - 8 - 1} = \frac{\text{SSE}}{1{,}377} \]

$\sqrt{S_e^2}$ = 잔차 표준편차. 모형이 예측하는 매출의 평균 오차 크기.

CHAPTER 10

권고안 만들기 — 5단계

Dickerson이 senior 회의에 가져갈 안

① 데이터 요약

기간·매장 수·관측치 수·변수 정의를 한 슬라이드로

② 모형 식과 $R^2$

"매출의 X%를 9개 변수로 설명함"

③ 마케팅 변수별 효과

Demo·Endcap·SalesRep 계수와 p-value를 표로 — 시간 분해 효과 강조

④ 비용 대비 효익 계산

Demo 1회 = 추정 매출 증가량 × 단위 가격 vs 시연 비용. ROI 산출.

⑤ 권고안 한 줄

"Demo 프로그램 — Whole Foods 한정으로 격주 운영 권고 / Endcap 경쟁 — 유지 권고 / 외주 시연 인력 — 사전 교육 강화"

설득의 포인트

CFO Mathedoittir는 숫자로 말한다. 단순히 "효과 있다"가 아니라 "p-value 0.02, 계수 +X, 비용 대비 Y배"처럼 정량적으로 정리해야 통과.

FIELD CHECKLIST

회귀로 마케팅 효과 검증할 때 점검 15개

이 사례에서 배운 회귀-기반 마케팅 분석 프레임을 실무에 그대로 적용할 때 빠뜨리지 말 것:

#	점검 항목	✅
1	종속변수가 매출인지 매출액인지 명확? (단가 변동 시 차이 큼)
2	가격은 통제변수로 포함했는가?
3	마케팅 활동마다 dummy 변수로 분리되어 있나?
4	지연 효과 (1-3주, 4-5주 등) 시간 분해 변수가 있나?
5	매장 특성 통제 (주변 경쟁·트래픽·소득 등) 변수가 있나?
6	표본 크기가 $n > 30 \times k$ 이상인가? (자유도 확보)
7	각 계수의 부호가 비즈니스 직관과 일치하는가?
8	각 계수의 크기가 의사결정에 영향을 줄 만한가?
9	각 계수의 p-value를 보고 5% / 10% 기준 모두 확인했나?
10	$R^2$와 Adjusted $R^2$ 모두 보고 변수 추가가 의미 있었는지 확인했나?
11	잔차 진단 (정규성·등분산성·독립성) 수행했나?
12	다중공선성 점검 (VIF) 했는가?
13	이상치·영향점 (high leverage) 확인했나?
14	비용 대비 효익 (ROI) 계산까지 가져갔나?
15	한 줄 권고안과 정량적 근거가 일치하는가?

KEY TAKEAWAY

회귀는 마케팅 비용 정당화의 가장 강력한 도구. 다만 "통계가 말하더라"로 끝내면 안 되고, 비용 대비 효익까지 정량적으로 이어 가야 경영진을 설득할 수 있음.

GoodBelly 사례 — 회귀분석으로 마케팅 비용을 정당화하라

사례 한 줄

회사 소개 · NextFoods

제품 차별점

기존 프로바이오틱 제품

GoodBelly

프로모션 1 · In-Store Demo

왜 시연인가

운영 진화

시연 표준 절차

프로모션 2 · Endcap 경쟁

영업 담당자 경쟁

매장 간 경쟁

의사결정 상황

데이터셋 (Exhibit 1)

변수 정의

분석 접근법 · 다중회귀

모형 설정

각 변수의 비즈니스 의미

핵심 검정 — 마케팅 변수의 유의성

회귀 결과 해석 가이드

의사결정 매트릭스

시연 효과의 시간 분해 해석

R² 해석

변동의 분해

이 사례에서 \(R^2\) 해석

오차 분산 추정

권고안 만들기 — 5단계

회귀로 마케팅 효과 검증할 때 점검 15개