그 전환은 누구의 공인가

어트리뷰션의 본질적 문제와 모델의 역사

어트리뷰션(attribution)은 하나의 전환을 만들어 내는 데 기여한 여러 마케팅 접점 가운데 어떤 접점에 얼마의 공헌을 부여할 것인지를 결정하는 분석 방법론이다. 디지털 광고 환경에서 사용자는 하나의 구매 전환에 이르기까지 통상 여러 채널과 광고를 접촉하는데, 예를 들어 월요일에 인스타그램 광고를 보고 앱을 설치하고, 수요일에 카카오 검색광고를 클릭하고, 금요일에 네이버 쇼핑에서 검색한 뒤 구매하는 식의 복잡한 멀티 접점 여정을 거친다. 이처럼 얽힌 접점 여정 속에서 어느 채널이 이 구매에 실질적으로 기여했는가를 규명하는 것이 어트리뷰션의 근본 문제이며, 이 문제에 어떻게 답하느냐에 따라 채널별 예산 배분 전략이 근본적으로 달라진다.

어트리뷰션 문제가 중요한 이유는 어느 채널에 기여도를 부여하느냐에 따라 채널별 ROAS 계산이 달라지고, 결과적으로 예산 배분 결정이 달라지기 때문이다. 라스트 클릭만 기여를 인정하면 구매 직전 접점인 검색광고에 예산이 집중되고 상위 퍼널의 인지·고려 단계를 담당하는 소셜미디어 광고와 디스플레이 광고는 예산을 잃게 되며, 반대로 퍼스트 클릭만 인정하면 인지 채널이 과대평가된다. 즉 어트리뷰션 모델의 선택은 중립적인 분석 도구의 선택이 아니라 어떤 채널을 전략적으로 우선시할 것인지에 대한 판단을 내포하며, 이 점에서 어트리뷰션은 마케팅 분석의 기술적 문제인 동시에 조직의 채널 전략을 결정하는 정치적 문제이기도 하다.

어트리뷰션 모델의 역사는 단순 규칙 기반에서 데이터 기반으로의 진화 과정이다. 가장 먼저 사용된 라스트 클릭 모델은 구현이 단순하고 직관적이라는 장점 때문에 오늘날에도 일부 플랫폼에서 기본값으로 쓰이며, 이후 퍼스트 클릭·선형·시간 가치 하락·위치 기반 모델이 등장해 다양한 기여 배분 논리를 제안하였다. 그러나 이 모든 규칙 기반 모델은 배분 규칙이 실제 데이터가 아니라 사람이 설정한 가정에 근거하며 채널 간 상호작용과 고객 여정의 복잡성을 온전히 반영하지 못한다는 공통의 약점을 지닌다.

<표 4-4-2> 어트리뷰션 모델 유형별 특성 비교

규칙 기반 어트리뷰션의 실무적 문제는 각 채널의 광고 대행사와 마케터가 자신의 채널에 유리한 모델을 선택하려는 유인을 갖게 된다는 데 있다. 검색광고팀은 라스트 클릭 모델을, 소셜미디어팀은 퍼스트 클릭 또는 선형 모델을 선호하는 식이며, 결과적으로 어떤 모델을 쓰느냐에 따라 동일한 전환 데이터에서 완전히 다른 채널 성과 보고서가 만들어진다. 이 문제는 광고 플랫폼들이 각자 자체 어트리뷰션 로직으로 전환을 집계하기 때문에 발생하는 '어트리뷰션 중복 계산'을 심화시키며, 채널별로 보고된 전환 합계가 실제 전환 수를 크게 초과하는 현상으로 이어진다.

데이터 기반 어트리뷰션(DDA)과 Shapley Value

어트리뷰션의 근본 문제는 기여의 공정한 배분이다. 고객이 구매 전에 인스타그램 피드, 유튜브 광고, 구글 검색광고, 리타게팅 광고를 순서대로 접촉했다면 어느 접점에 얼마의 기여를 인정해야 하는지가 문제가 되는데, 이를 수학적으로 해결하기 위해 게임 이론의 샤플리 값(Shapley value)이 마케팅에 차용되었다(Shapley, 1953).

데이터 기반 어트리뷰션(DDA, data-driven attribution)은 사전에 설정된 배분 규칙 대신 실제 전환 데이터에서 각 접점의 기여도를 통계적으로 추정하는 방법론이다. 구글 애널리틱스 4(Google Analytics 4, GA4)와 Google Ads가 채택한 DDA 모델의 수학적 기반은 협력 게임 이론의 샤플리 값인데, 이는 경제학자 로이드 샤플리(Lloyd Shapley)가 1953년에 발표한 개념으로 여러 참여자가 연합을 이루어 공동으로 창출한 가치를 각 참여자의 한계 기여도에 따라 공정하게 배분하는 방법을 수학적으로 정의한 것이다. 샤플리는 이 업적으로 2012년 노벨 경제학상을 받았다.

마케팅 어트리뷰션에 적용된 샤플리 값은 각 채널이 '없었을 때의 전환 손실', 즉 한계 기여도를 측정함으로써 기여도를 배분한다. 구체적으로 특정 채널 i의 샤플리 값은 해당 채널이 포함될 수 있는 모든 채널 조합(연합)에서 채널 i가 추가됨으로써 발생하는 전환 증가분의 가중 평균으로 계산되며, 수식으로는 다음과 같이 표현된다

φᵢ = Σ_{S ⊆ N∖{i}}  [ |S|! · (n − |S| − 1)! / n! ] · [ v(S ∪ {i}) − v(S) ]

여기서 S는 채널 i를 제외한 채널들의 부분집합, v(S)는 부분집합 S의 전환 가치, n은 전체 채널 수이며, 이 계산은 결국 모든 채널 조합에서 채널 i가 추가될 때 전환이 얼마나 늘어나는지를 평균화한 값이다.

샤플리 값 기반 DDA의 실무적 강점은 규칙 기반 모델이 가정에 의존하는 것과 달리 실제 전환 데이터로부터 기여도를 도출한다는 데 있다. 예를 들어 소셜미디어 광고 단독으로는 전환율이 낮지만 이후 검색광고와 결합되었을 때 전환율이 크게 높아지는 패턴이 데이터에서 확인된다면 DDA는 소셜미디어 광고에도 의미 있는 기여도를 부여하는데, 이처럼 채널 간 시너지 효과를 기여도 배분에 반영할 수 있다는 점에서 DDA는 전통적인 규칙 기반 모델보다 이론적으로 우월하다.

그러나 DDA에도 한계가 있다. 첫째, 전환 수가 적거나 캠페인 초기 단계처럼 충분한 전환 데이터가 없는 경우 DDA 모델의 통계적 신뢰성이 낮아지는데, Google Ads는 DDA가 정확하게 작동하려면 최근 30일 기준 전환 200건과 광고 상호작용 2,000건 이상의 데이터를 갖출 것을 권장한다. 둘째, DDA 모델의 내부 로직이 광고 플랫폼에 의해 블랙박스로 운영되기 때문에 마케터가 기여도 배분의 근거를 투명하게 감사하기 어렵다. 셋째, GA4나 Google Ads의 DDA는 해당 플랫폼 안의 접점만을 분석 대상으로 하므로 메타·카카오 등 다른 광고 플랫폼의 접점은 포함되지 않는다.

쿠키리스 환경으로의 전환이 가속화되면서 DDA 모델의 데이터 기반도 약화되고 있다. 사용자 수준의 전환 경로 추적이 제한될 경우 개인 식별 없이도 작동하는 집계 기반 어트리뷰션이나 프라이버시 강화 기술(PET)을 활용한 접근이 대안으로 부상하고 있으며, Google의 Privacy Sandbox에 포함된 Attribution Reporting API가 이 방향의 대표적 시도이다.

참고문헌

• Shapley, L. S. (1953). A value for n-person games. In H. W. Kuhn & A. W. Tucker (Eds.), Contributions to the theory of games II (Annals of Mathematics Studies 28, pp. 307–317). Princeton University Press.