규칙 기반 모델은 첫 클릭·라스트 클릭·선형·시간 가치 하락 4종이며, 각각 고정된 비율로 기여도를 나눈다. 이 방식으로 기여도를 나눈다는 것은 실제 사용자 행동과 무관하게 이미 답을 정해두고 숫자만 채워 넣는다는 뜻이기도 하다. 어느 규칙을 고르느냐가 곧 어느 매체를 편애할지를 미리 정하는 것과 다르지 않다.
첫 클릭(First Click) 모델은 전환 경로의 가장 처음 접촉에 100% 기여도를 몰아준다. 브랜드를 처음 알린 채널의 공을 인정한다는 점에서 직관적이지만, 실제로는 문제가 크다. 사용자가 우연히 유튜브 광고를 한 번 보고 이후 전혀 관여하지 않았어도, 몇 주 뒤 다른 경로로 재유입돼 전환했다면 그 전환의 기여는 최초 노출이었던 유튜브 광고가 전부 가져간다. 정작 전환 직전 결정적인 역할을 한 채널(라스트 리타겟팅, 검색광고)의 기여는 0으로 잡힌다. 첫 클릭 모델을 쓰면 예산이 상단 퍼널 채널에 쏠리기 쉽고, 조회기간(룩백 윈도우)을 30일로 잡아둔 계정이라면 30일 전에 스치듯 본 광고 하나가 그 사이 있었던 모든 검색·재방문·리마인드 이메일의 역할을 통째로 가져가는 셈이다.
라스트 클릭(Last Click)은 정반대 방향의 왜곡을 만든다. 전환 직전 마지막 접촉에만 100%를 배분하기 때문에, 브랜드 검색광고나 리타겟팅처럼 "이미 살 마음이 있던 사람을 마지막에 붙잡는" 채널이 항상 과대평가된다. 반대로 애초에 그 관심을 만들어낸 유튜브·디스플레이 같은 상단 퍼널 채널은 성과가 없는 것처럼 보인다. 라스트 클릭만 보고 상단 퍼널 채널의 예산을 줄이면, 처음에는 검색광고 효율이 유지되는 것처럼 보이다가 시간이 지나며 검색량 자체가 줄어드는 지연된 부작용이 나타날 수 있다: 이 실제 실패 사례는 5강에서 구체적으로 다룬다.
선형(Linear) 모델은 경로상의 모든 터치포인트에 동일한 비율로 기여도를 나눈다. 첫 클릭·라스트 클릭의 극단적인 편향을 피할 수 있다는 장점은 있지만, 대가도 있다. 실제로는 어떤 터치포인트는 전환에 결정적이고 어떤 터치포인트는 거의 영향이 없는데, 선형 모델은 이 차이를 무시하고 모두 똑같이 취급한다. 터치포인트가 5개인 경로든 2개인 경로든 각 터치포인트가 20~50%씩 균등하게 나뉘기 때문에, 결과적으로 "모든 채널이 비슷하게 기여했다"는 밋밋한 결론만 나오고 어느 채널에 예산을 더 태워야 하는지에 대한 실질적인 의사결정 정보는 얻기 어렵다.
시간 가치 하락(Time Decay)은 전환 시점에 가까운 접촉일수록 더 많은 가치를 배분한다. 라스트 클릭보다는 완화된 방식이지만 방향성은 같다: 전환 직전 하단 퍼널 채널이 여전히 유리하고, 며칠 또는 몇 주 전에 있었던 상단 퍼널 인지 활동은 구조적으로 낮은 점수를 받는다. 구매 주기가 긴 고관여 상품(가전, 자동차, 교육 서비스)일수록 인지 단계의 역할이 실제로는 더 중요한데, 시간 가치 하락 모델은 이런 업종 특성과 정확히 반대 방향으로 점수를 매기는 셈이다.
위치 기반 모델은 첫 접촉과 마지막 접촉에 각각 일정 비율(흔히 40%씩)을 배분하고 나머지를 중간 접촉에 나눠주는 방식으로, 첫 클릭·라스트 클릭 모델의 절충안 성격을 갖는다. 다만 이 모델도 결국 "위치"라는 시점 하나만 기준으로 삼는다는 점에서 앞선 세 모델과 근본적인 한계를 공유한다. 첫 클릭·라스트 클릭·시간 가치 하락·위치 기반 4개 모델은 모두 "언제 접촉했느냐"라는 시점 하나만 기준으로 삼는다는 공통점이 있고, 그 시점 기준을 어느 쪽으로 잡느냐에 따라 유리해지는 채널이 정반대로 뒤바뀔 뿐이다.
이런 구조적 한계 때문에 GA4는 2023년 11월부로 첫 클릭·선형·시간 가치 하락·위치 기반 모델의 지원을 종료했다. 고정된 규칙으로는 매체별 실제 기여도를 신뢰성 있게 반영할 수 없다는 판단이 반영된 정책 변화로 볼 수 있다. 이 4개 모델을 쓰던 기존 전환 액션은 별도 조치 없이 데이터 기반 어트리뷰션으로 자동 전환됐고, 신규로는 더 이상 선택할 수 없다. 이 정책 변화의 구체적인 내용과 지금 계정에서 확인해야 할 세팅은 9강에서 별도로 다룬다.
지금 계정이 신규로 4개 모델 중 하나를 다시 선택할 수는 없지만, 과거에 이 모델들로 작성된 리포트가 팀 내에 남아있는 경우는 많다. "작년에는 디스플레이가 이만큼 기여했었는데 요즘은 왜 이렇게 낮게 나오냐"는 질문을 받았을 때, 모델 자체가 달라졌다는 사실을 모르면 매체 성과가 실제로 나빠진 것으로 오판하기 쉽다. 지금 쓰는 리포팅 도구가 과거 4개 모델 중 하나를 기본값으로 썼던 이력이 있다면, 그 모델에서 어떤 채널이 구조적으로 유리·불리했는지부터 표로 정리해두는 것이 다음 강의(DDA)와 비교할 기준선이 된다.
[4개 모델 적용 시 채널별 기여도 변화 비교표]
| 채널 | 첫클릭 기여(%) | 라스트클릭 기여(%) | 선형 기여(%) | 시간가치하락 기여(%) | 어느 모델에서 가장 유리한가 |
|---|---|---|---|---|---|
| 유튜브(상단) | | | | | |
| 디스플레이(상단) | | | | | |
| 바이럴/오가닉(중단) | | | | | |
| 검색광고(하단) | | | | | |
| 리타겟팅(하단) | | | | | |
작성 방법:
1. GA4 경로 리포트 또는 매체 리포트에서 동일 기간 데이터를 4개 모델로 각각 조회(단, GA4는 신규 선택 불가하므로 과거 데이터나 스프레드시트 재계산으로 대체 가능)
2. 채널별로 어느 모델에서 가장 유리/불리한지 마지막 칸에 표시
3. 이 표를 1강에서 만든 격차 진단표와 겹쳐 보면, 어느 채널이 "역할 대비 저평가"되고 있는지 드러난다
3강. 데이터기반 어트리뷰션(DDA)의 작동 원리와 한계에서 규칙이 아니라 실제 데이터를 학습하는 GA4의 샤플리 가치 알고리즘을 다룹니다.