1강에서 다룬 멀티터치어트리뷰션(MTA)은 전환 전 사용자가 거친 여러 터치포인트 각각에 전환 기여도를 나눠 배분하는 접근 방식을 가리키는 업계 통용어이지, 특정 제품명이 아니다. GA4가 이 접근을 구현한 실제 기능은 데이터 기반 어트리뷰션(DDA)이지만, DDA는 계정 전체에 하나의 알고리즘을 적용하는 방식이라 "우리 회사는 인지 채널의 역할을 조금 더 인정해주고 싶다"처럼 사업 특성을 반영한 조정이 어렵다. 이럴 때 실무에서는 규칙 기반 모델의 단순함과 DDA의 데이터 기반 원리를 절충한 커스텀 가중치 모델을 별도로 설계해 참고용으로 병행하는 방법을 쓴다.
커스텀 MTA 설계는 다음 순서로 진행하는 것이 안전하다. 먼저 2강에서 만든 채널별 퍼널 역할(인지·고려·수확) 분류표를 가져온다. 그다음 각 역할군에 기본 가중치 구간을 부여한다: 예를 들어 인지 역할 채널에는 낮지만 0은 아닌 가중치를, 수확 역할 채널에는 상대적으로 높은 가중치를 배정하되 라스트클릭처럼 100%를 몰아주지는 않는 식이다. 마지막으로 이 커스텀 가중치를 실제 경로 데이터에 적용해봤을 때 나오는 채널별 배분 결과가, DDA 결과나 상식적인 여정 이해와 크게 어긋나지 않는지 검증한다.
가중치 구간을 정할 때는 임의로 숫자를 찍기보다, 3강에서 다룬 DDA의 입력 요인(전환까지 걸린 시간, 노출 순서, 상호작용 횟수)을 참고 삼아 구조화하는 것이 합리적이다. 예를 들어 "전환까지 남은 일수가 많을수록(초반 접촉일수록) 가중치를 조금 낮게, 하지만 0으로 만들지는 않는다"는 식으로 시간 가치 하락 모델의 원리를 완화된 형태로 가져오되, 라스트클릭 채널에만 몰아주지 않도록 상한선을 두는 방식이다. 이 상한선이 없으면 결국 라스트클릭과 다를 바 없는 결과가 나온다는 점을 설계 단계에서 항상 점검해야 한다.
커스텀 가중치 모델을 만든다고 해서 DDA를 대체하라는 뜻은 아니다. DDA는 실제 전환·비전환 데이터를 학습한 결과이므로 여전히 가장 근거가 탄탄한 참고치이고, 커스텀 모델은 여기에 "우리 회사만 아는 사업적 맥락"(예: 특정 채널이 계약서상 최소 집행 의무가 있어 당장 끌 수 없는 상황, 혹은 브랜드 인지 캠페인이 이제 막 시작된 시점이라 단기 전환 기여를 낮게 잡아도 되는 상황)을 반영하는 보조 렌즈로 쓰는 것이 실무적으로 안전하다. 두 결과가 크게 다르면 6강에서 다룰 샤플리 가치 적용 여부 판단, 7강의 모델 선택 보고서에서 어느 쪽을 의사결정 기준으로 삼을지 정리한다.
가장 흔한 실수는 가중치를 한 번 정해두고 다시 검증하지 않는 것이다. 캠페인 구조나 채널 믹스가 바뀌면 기존에 정해둔 가중치 구간이 더 이상 맞지 않을 수 있다. 또 다른 실수는 너무 많은 채널·터치포인트 구간을 세분화해 가중치 표 자체가 복잡해지는 것인데, 이러면 팀 내에서 왜 이 채널에 이 가중치를 줬는지 설명하기 어려워지고 결국 아무도 쓰지 않는 표로 남는다. 처음에는 인지·고려·수확 3단계 정도의 큰 구간으로 시작해, 실제로 쓰면서 필요할 때만 세분화하는 편이 지속 가능하다.
[커스텀 MTA 가중치안]
1. 채널별 퍼널 역할 분류(2강 표 재사용)
| 채널 | 역할(인지/고려/수확) | DDA 기준 평균 기여율(%) |
|---|---|---|
| 유튜브 | 인지 | |
| 디스플레이 | 인지 | |
| 바이럴/오가닉 | 고려 | |
| 검색광고(브랜드) | 수확 | |
| 리타겟팅 | 수확 | |
2. 커스텀 가중치 배정(합계 100% 기준, 예시 구간)
| 역할 | 가중치 하한 | 가중치 상한 | 설정 근거 |
|---|---|---|---|
| 인지 | | | (예: 신규 캠페인 초기라 낮게 시작) |
| 고려 | | | |
| 수확 | | | (예: 상한선을 둬 라스트클릭화 방지) |
3. 검증
- 최근 1개월 경로 데이터에 이 가중치를 적용해 채널별 배분 결과 산출
- DDA 결과와 나란히 비교해 차이가 20%포인트 이상 나는 채널 표시
- 차이가 큰 채널은 6강·7강에서 재검토
5강. 마르코프 체인 어트리뷰션에서 제거 효과(Removal Effect)라는 계산 방식으로 채널 기여를 수치로 뽑아내는 방법을 다룹니다.