어트리뷰션 비교 · TELSQUON
서울 강남 · 평일 09–18시
같은 캠페인 데이터를 놓고도 어떤 어트리뷰션 모델을 고르느냐에 따라 채널 순위가 달라집니다. 이 페이지는 라스트 클릭, 멀티터치, 인크리멘털리티 실험이 각각 무엇을 다르게 보여주는지 비교하고, 팀 상황에 맞는 측정 기준을 고르는 데 필요한 판단 재료를 정리합니다.
한 장의 비교 원장
세 모델은 서로 경쟁하는 정답이 아니라 서로 다른 질문에 답합니다. 어느 채널의 성과 기여를 정밀하게 나눠야 하는지, 어느 채널이 정말 증분을 만들었는지 — 이 두 질문을 분리해 두는 것이 측정 기준을 세우는 첫 단계입니다.
비교가 흔들리지 않게 하려면 배분 규칙을 하나로 고정하고, 기준선을 바꿀 때는 변경 전후를 병기하는 편이 안전합니다. 이 원칙은 아래 각 방법론 섹션에서 다시 확인할 수 있습니다.
방법론을 하나씩 열어보면
라스트 클릭이 보여주는 것과 감추는 것
라스트 클릭은 전환 직전에 눌린 접점 하나에 모든 공을 돌립니다. 계산이 단순하고 설명하기 쉬워서 많은 팀이 기본값으로 씁니다. 문제는 구매 전에 여러 채널을 거치는 사용자에게 있습니다. 검색으로 알게 되고 숏폼에서 다시 만난 뒤 구매했다면, 라스트 클릭은 그 앞의 모든 접점을 0으로 만듭니다. 이 단순함은 빠른 의사결정에 강점이지만, 채널 순위를 그대로 예산 배분에 옮기면 상단 채널의 기여가 사라집니다.
멀티터치 어트리뷰션이 필요한 순간
멀티터치 어트리뷰션은 전환까지의 여러 접점에 기여를 나눠 배분합니다. 채널이 두 개 이상 섞여 있고, 사용자가 여러 기기나 앱과 웹을 오가는 환경이라면 이 모델이 실제 여정에 더 가깝습니다. 대신 배분 규칙을 정해야 하고, 그 규칙이 결과를 좌우한다는 점을 분명히 알고 써야 합니다. 규칙은 팀이 매주 바뀔 만한 것이 아니므로, 한 번 정하면 최소 분기 단위로 유지하는 편이 안전합니다.
기여 배분 방식의 차이
멀티터치 안에서도 배분 방식은 갈립니다. 모든 접점에 같은 가중치를 주는 방식, 첫 접점과 마지막 접점을 강조하는 방식, 시간 감쇠를 적용하는 방식이 있습니다. 어느 방식을 택하든 채널 간 비교의 기준선이 하나로 고정되어야 리포트가 흔들리지 않습니다. 방식을 자주 바꾸면 과거 데이터와 비교가 불가능해집니다.
배분 방식 비교
인크리멘털리티 실험이 답하는 질문
어트리뷰션은 이미 일어난 전환을 어떻게 나눌지 다루고, 인크리멘털리티는 그 채널이 없었다면 전환이 일어났을지를 다룹니다. 광고를 보지 않은 대조군과 본 실험군을 비교하면 증분 효과를 추정할 수 있습니다. 전환율이 높아도 원래 살 사람이었을 가능성이 크다면, 그 채널의 실제 기여는 작을 수 있습니다. 이 질문은 어트리뷰션 모델이 대신 답해줄 수 없기 때문에 실험 설계가 필요합니다.
노출 규모가 큰 채널이나 오가닉 유입이 강한 채널에서 우선 검토하는 편이 현실적입니다. 모든 채널에 실험을 붙일 필요는 없습니다.
코호트 분석으로 시간 축을 붙이기
전환은 특정 시점의 사건이지만 가치는 시간에 걸쳐 나타납니다. 같은 시점에 유입된 사용자를 하나의 코호트로 묶으면 재구매와 이탈을 시간 순으로 볼 수 있습니다. 채널별 코호트를 나란히 놓으면 어떤 채널이 데려온 사용자가 오래 남는지 비교할 수 있습니다. 이 비교 없이 초기 전환율만 보면 판단이 짧아집니다.
재구매가 반복되는 업종일수록 코호트 비교가 실제 가치와 가까운 결론을 만듭니다. 첫 구매 시점의 채널이 전부가 아니라는 것을 코호트가 보여줍니다.
퍼널 분석으로 새는 지점 찾기
퍼널 분석은 유입부터 전환까지의 단계별 이탈을 보여줍니다. 채널마다 어느 단계에서 사람이 빠져나가는지가 다르기 때문에, 전체 전환율 하나로는 원인이 보이지 않습니다. 검색 채널은 중간 단계에서 강하고 숏폼 채널은 초반 도달에서 강한 식의 차이가 여기서 드러납니다. 단계별로 나눠 보면 개선할 지점이 구체적으로 좁혀집니다.
퍼널은 채널 비교가 아니라 채널 진단 도구로 쓰는 편이 유용합니다. 같은 채널 안에서도 단계별 성과가 다르기 때문입니다.
퍼널 진단이 확인하는 순서
01
유입 단계 도달
채널별 신규 사용자 유입량과 첫 세션 도달을 본다
02
관심 단계 이탈
상세 페이지나 앱 내 주요 화면까지 이어지는 비율
03
결제 직전 단계
장바구니·결제 진입 등 전환 직전 구간의 잔존
04
전환 완료
결제 또는 신청이 실제로 완료된 비율
앱과 웹을 잇는 전환 경로 설계
사용자가 웹에서 광고를 보고 앱에서 구매하는 경우, 두 환경의 데이터가 따로 기록되면 경로가 끊깁니다. 딥링크와 앱 트래킹 도구는 설치 전후를 연결해 이 끊긴 고리를 메웁니다. 경로가 이어져야 어트리뷰션 모델이 의미 있는 배분을 할 수 있습니다. 측정 설계는 모델을 고르기 전에 경로부터 정리하는 것에서 시작합니다.
경로가 끊겨 있으면 멀티터치 결과도 절반만 나옵니다. 웹 유입과 앱 전환이 하나의 사용자 ID로 이어져야 배분 규칙이 실제 여정을 반영합니다.
우리 팀에 맞는 모델 고르기
모델은 한 번 정하고 끝나는 선택이 아니라, 기준선을 함께 관리하는 약속입니다. 아래 두 갈래 중 팀의 실험 속도에 가까운 쪽에서 시작하는 편이 안전합니다.
빠르게 실험하고 자주 옮기는 팀
채널을 빠르게 실험하고 예산을 자주 옮기는 팀이라면 단순한 모델로 기준선을 잡고 실험으로 보완하는 편이 낫습니다. 라스트 클릭을 기준선으로 두고, 인크리멘털리티 실험을 분기마다 한두 개 채널에 붙이는 방식이 여기에 맞습니다. 대신 기준선이 바뀌는 순간을 리포트에 남겨야 팀이 숫자를 다시 읽을 수 있습니다.
기여를 정밀하게 나눠야 하는 조직
반대로 채널 간 기여를 정밀하게 나눠야 하는 조직이라면 멀티터치와 인크리멘털리티를 함께 운영할 기반이 필요합니다. 이 경우에는 배분 규칙을 문서로 남기고, 앱과 웹의 전환 경로를 하나로 이어둔 다음 모델을 확장합니다. 순서를 건너뛰면 정밀한 모델이 오히려 해석 비용을 키웁니다.
모델을 바꿀 때 생기는 비교 단절
어트리뷰션 모델을 바꾸면 과거 리포트와 숫자가 맞지 않게 됩니다. 그래서 모델 변경은 기준선을 다시 세우는 작업으로 취급해야 합니다. 변경 전후를 병기하거나, 전환 정의와 기간을 함께 조정해야 비교가 유지됩니다. 이 과정을 건너뛰면 팀 안에서 숫자 신뢰가 빠르게 무너집니다.
실무에서는 변경 시점과 변경 이유를 리포트에 명시하고, 새 기준선으로 최소 한 사이클을 돌린 뒤 이전 기간과 비교하는 편이 안전합니다. 팀 외부에 보고하는 자리라면 두 숫자를 같은 표에 병기하는 것을 권합니다.
자주 묻는 질문
단순한 의사결정에는 여전히 유용합니다. 다만 여러 채널을 거치는 여정이 많은 환경이라면 멀티터치 결과와 나란히 비교해 두는 편이 안전합니다.
측정 기준을 세우는 팀이 정합니다. 중요한 것은 규칙을 자주 바꾸지 않고 하나로 고정해 비교 가능성을 유지하는 것입니다.
모든 채널에 항상 필요한 것은 아닙니다. 이미 광고를 봤을 가능성이 높은 채널이나 오가닉 유입이 강한 채널에서 우선 검토합니다.
이어서 확인할 것
