어트리뷰션(Attribution) 모델의 딜레마: 라스트 클릭의 종말과 데이터 기반 기여(DDA)의 부상

Attribution Models Comparison

1. 100%의 거짓말: 싱글 터치(Single-Touch) 어트리뷰션의 함정

사용자가 우리 제품을 구매하기까지 거치는 여정은 결코 단순하지 않습니다. 출근길에 인스타그램 광고(Social)를 보고, 점심시간에 구글 검색(Search)으로 가격을 비교하며, 퇴근 후 이메일(Email) 프로모션 링크를 클릭해 최종 결제를 합니다.

이처럼 다변화된 '멀티 채널 시대'에 특정 매체가 전환(Conversion)에 얼마나 기여했는지 가려내는 작업을 어트리뷰션(Attribution, 기여도 평가)이라고 합니다. 하지만 오랫동안 디지털 마케팅 업계는 가장 게으르고 위험한 방식을 표준으로 삼아왔습니다. 바로 '싱글 터치(Single-Touch)' 모델입니다.

🚫 퍼스트 클릭(First-Click)과 라스트 클릭(Last-Click)

• 퍼스트 클릭: 고객과 처음 만난 채널에 100%의 공로를 줍니다. 브랜딩(TOFU, Top of Funnel)에 유리하지만, 결제로 이끈 리타겟팅이나 검색의 공로를 무시합니다.
• 라스트 클릭: 구글 애널리틱스(GA)의 오랜 기본값이었습니다. 결제 직전의 마지막 클릭에 100%의 공로를 줍니다.

라스트 클릭의 치명적 문제(The Demand Capture Trap): 라스트 클릭 모델은 '브랜드 키워드 검색'이나 '리타겟팅 배너'처럼 이미 살 마음이 있는 사람의 수요를 획득(Demand Capture)하는 채널의 성과를 과대평가합니다. 반면, 고객의 마음을 처음 열어준 유튜브나 인스타그램 영상 같은 수요 창출(Demand Creation) 채널의 ROAS는 바닥으로 표시됩니다. 그 결과, 마케터는 브랜드 인지도 예산을 깎아 리타겟팅에 몰빵하는 '밑 빠진 독' 전략에 빠지게 됩니다.

---

2. 규칙 기반 멀티 터치 어트리뷰션(MTA)의 등장

라스트 클릭의 맹점을 극복하기 위해, 전환에 관여한 모든 채널에 기여도를 나누어주는 규칙 기반(Rule-based) 모델들이 등장했습니다.

1. 선형(Linear) 모델: 여정에 포함된 모든 채널에 1/n로 공평하게 기여도를 나눕니다. (예: 4개 채널이 관여했다면 각각 25%). B2B처럼 긴 세일즈 주기에 적합하지만, 중요도가 덜한 채널의 기여가 과대평가될 수 있습니다.
2. 위치 기반(Position-based / U-Shape) 모델: 고객을 처음 데려온 퍼스트 클릭(40%)과 결제를 이끌어낸 라스트 클릭(40%)에 큰 점수를 주고, 중간 단계의 채널들이 나머지 20%를 나누어 갖습니다.
3. 시간 가치 하락(Time-Decay) 모델: 결제 시점과 가까운 상호작용일수록 더 높은 기여도를 부여합니다. 짧은 프로모션에 유용하지만, 초기 인지도를 쌓은 채널을 저평가합니다.

이 모델들은 라스트 클릭보다는 합리적이지만, 여전히 치명적인 한계가 있습니다. "과연 퍼스트 클릭이 정확히 40%만큼의 가치가 있는가?"라는 질문에 답할 수 없기 때문입니다. 결국 마케터의 주관적이고 임의적인 '규칙'에 불과합니다.

---

3. 데이터 기반 기여(DDA): 머신러닝이 분배하는 공로

임의의 규칙을 버리고, 알고리즘과 확률을 통해 채널의 '실제 기여도'를 수학적으로 계산하는 방식이 바로 데이터 기반 기여(DDA, Data-Driven Attribution)입니다. GA4의 기본 어트리뷰션 모델이기도 한 DDA는 주로 두 가지 강력한 수학적/경제학적 프레임워크를 차용합니다.

① 마르코프 체인 (Markov Chain)

마르코프 모델은 고객 여정을 '상태(State)의 전환 확률'로 봅니다. 이 알고리즘의 핵심은 '제거 효과(Removal Effect)'입니다. 수만 명의 전환/비전환 데이터를 학습한 뒤, 특정 채널(예: 디스플레이 광고)을 전체 여정 그래프에서 수학적으로 제거해 봅니다. 해당 채널을 없앴을 때 전체 전환 확률이 얼마나 폭락하는지를 계산하여, 그 낙폭만큼을 해당 채널의 기여도로 산정합니다.

② 섀플리 밸류 (Shapley Value)

노벨 경제학상을 받은 '협조적 게임 이론(Cooperative Game Theory)'에서 유래했습니다. 마케팅 채널들을 하나의 '팀'으로 간주하고, 각 채널이 다양한 조합(Coalition) 속에서 만들어내는 '한계 기여도(Marginal Contribution)'의 평균을 계산합니다. 섀플리 밸류는 현재까지 개발된 가장 공정하고 수학적으로 결함이 없는 이익 분배 방식으로 평가받습니다.

---

4. 블랙박스 딜레마와 증분(Incrementality)의 진실

DDA는 현존하는 최고의 어트리뷰션 모델이지만, 완벽하지 않습니다.

첫째, 블랙박스(Black Box)의 한계입니다. 머신러닝 알고리즘은 극도로 복잡하여, 왜 페이스북의 기여도를 낮추고 구글 검색의 기여도를 올렸는지 인간 마케터에게 명확하게 설명(Explainability)해 주지 못합니다. 또한, 애플의 ATT 정책 이후 서드파티 쿠키 추적이 끊어지는 '신호 손실(Signal Loss)' 환경에서는 알고리즘에 들어가는 원천 데이터 자체가 왜곡될 위험이 큽니다.

둘째, '어트리뷰션'은 '증분(Incrementality)'이 아닙니다. 어트리뷰션은 결국 "이미 일어난 전환을 누가 데려왔는가?"를 상관관계(Correlation) 기반으로 쪼개는 작업입니다. 반면, 마케팅의 진정한 목표는 "이 광고를 안 했어도 이 사람이 물건을 샀을까?"라는 인과관계(Causation)를 증명하는 것입니다.

• 어트리뷰션의 질문: 결제한 고객 100명 중 40명이 페이스북 광고를 눌렀네? 페이스북 성과 좋네!
• 증분(Incrementality)의 질문: 페이스북 광고를 껐더니 결제가 100명에서 80명으로 줄었네? 페이스북의 진짜 성과(증분)는 40명이 아니라 20명이구나!

💡 베스트 프랙티스: 삼각 측량 (Triangulation)

현대적인 마케팅 조직은 단일 모델에 의존하지 않습니다.

1. 전술적 운영(GPS): 매일매일의 캠페인 최적화와 매체별 소재 효율 비교는 DDA(Data-Driven Attribution)를 활용합니다.
2. 인과성 검증(Compass): 정기적인 타겟 오디언스 홀드아웃(Holdout) 테스트나 지역 기반(Geo) A/B 테스트를 통해 증분(Incrementality)을 측정하여, DDA가 블랙박스 속에서 착각하고 있는 거품을 걷어냅니다.
3. 전략적 예산 분배(Map): 마케팅 믹스 모델링(MMM)을 통해 온/오프라인을 포괄하는 거시적인 예산을 기획합니다.

어트리뷰션 모델은 완벽한 정답지가 아닙니다. 라스트 클릭의 편향에서 벗어나 DDA를 적극 수용하되, 끊임없는 '실험(Testing)'을 통해 데이터의 인과관계를 검증하는 조직만이 쿠키리스(Cookieless) 시대에 살아남을 수 있습니다.

📚 참고자료

• NotebookLM 딥리서치 리포트: The Strategic Evolution of Marketing Measurement (2026)
• Measured, Incrementality vs Attribution vs MMM: Decision Tree
• Growth Method, Everything you need to know about GA4 data-driven attribution
• Haus.io, Incrementality vs. Attribution: What's The Difference?
• BooleanMaths (Medium), A Deep dive into Attribution Maths — Part 2
• OWOX, Exploring Marketing Attribution Model: A Detailed 2025 Guide