마르코프 체인 어트리뷰션은 사용자의 경로 데이터를 "상태(state)"와 "전이 확률(transition probability)"로 이뤄진 그래프로 재구성해, 각 채널이 전체 전환에 얼마나 기여했는지를 확률 계산으로 뽑아내는 통계 기법이다. 여기서 상태는 Start(여정 시작), 각 채널(검색광고·디스플레이·바이럴 등), 그리고 Conversion(전환)·Null(이탈) 같은 흡수 상태(absorbing state)로 구성된다. 사용자가 실제로 지나간 경로들을 모아 "Start에서 A로 갈 확률", "A에서 B로 갈 확률" 같은 전이 확률표를 만들면, 이 표를 따라 전체 전환 확률을 계산할 수 있다.
이 기법은 1강에서 다룬 MTA의 한 가지 구현 방식이자, 3강에서 다룬 DDA의 섀플리 가치 접근과 마찬가지로 "이 터치포인트가 없었다면 어땠을까"라는 반사실적 질문에 답하려는 시도라는 점에서 원리를 공유한다. 다만 GA4의 DDA처럼 자동으로 제공되는 기본 기능이 아니라, 별도의 통계 도구(R의 ChannelAttribution 패키지, Python의 마르코프 체인 라이브러리 등)로 직접 계산해야 하는 커스텀 분석 기법이라는 점이 다르다.
제거 효과는 특정 채널을 전이 그래프에서 완전히 제거했을 때(그 채널로 향하던 경로가 대신 Null로 빠진다고 가정했을 때), 전체 전환 확률이 얼마나 떨어지는지를 계산하는 방법이다. 떨어지는 폭이 클수록 그 채널이 전체 전환에 기여하는 비중이 크다고 해석한다. 이 값을 채널별로 계산한 뒤, 전체 채널의 제거 효과 합으로 각 채널의 제거 효과를 나누면 채널별 기여 비율이 나온다.
아래 계산은 원리를 보여주기 위한 가상의 예시 숫자다. 실제 채널명·전환수는 회사마다 다르며, 채널이 3개를 넘거나 경로가 복잡해지면 손계산이 아니라 반드시 소프트웨어로 계산해야 한다.
가상의 200명 사용자 경로를 다음과 같이 집계했다고 하자(A=검색광고, B=디스플레이, C=바이럴).
경로 인원 결과
Start → A → 전환 60 전환
Start → A → Null 20 Null
Start → A → B → 전환 20 전환
Start → B → 전환 40 전환
Start → B → Null 10 Null
Start → C → 전환 30 전환
Start → C → Null 20 Null
총 200명 = 전환 150명(75%) + Null 50명(25%)
Start에서 각 채널로 가는 확률과, 각 채널에서 다음 상태로 가는 확률을 위 데이터로 계산한다.
Start → A: 100/200 = 50% (60+20+20=100명이 A를 거침)
Start → B: 50/200 = 25% (40+10=50명이 B로 직행)
Start → C: 50/200 = 25% (30+20=50명이 C로 직행)
A → 전환: 60/100 = 60%
A → B: 20/100 = 20%
A → Null: 20/100 = 20%
B(직행+A경유 합산, 총 유입 70명) → 전환: 60/70 = 85.7%
B → Null: 10/70 = 14.3%
C → 전환: 30/50 = 60%
C → Null: 20/50 = 40%
전이 확률표를 따라 Start에서 전환까지 가는 모든 경로의 확률을 더한다.
Start→A→전환: 0.50 × 0.60 = 0.300
Start→A→B→전환: 0.50 × 0.20 × 0.857 = 0.0857
Start→B→전환: 0.25 × 0.857 = 0.2143
Start→C→전환: 0.25 × 0.60 = 0.150
─────────────────────────────────────────────
기준 전체 전환확률 = 0.750 (75%)
실제 관측 전환율(150/200=75%)과 정확히 일치한다: 전이 확률표가 원본 데이터를 제대로 반영하고 있다는 검증이다.
채널 하나씩 제거하고(그 채널로 가는 경로를 Null로 리다이렉트) 전체 전환 확률을 다시 계산한다.
[A 제거] Start→A 경로가 사라지므로 B·C 경로만 남는다.
Start→B→전환 0.2143 + Start→C→전환 0.150 = 0.3643
제거효과(A) = (0.750-0.3643)/0.750 = 51.4%
[B 제거] Start→B 경로와, A에서 B로 가던 경로가 모두 Null로 처리된다.
Start→A→전환 0.300 + Start→C→전환 0.150 = 0.450
제거효과(B) = (0.750-0.450)/0.750 = 40.0%
[C 제거] Start→C 경로만 사라진다.
Start→A→전환 0.300 + Start→A→B→전환 0.0857 + Start→B→전환 0.2143 = 0.600
제거효과(C) = (0.750-0.600)/0.750 = 20.0%
세 채널의 제거 효과를 합산한 값을 기준으로 각 채널의 비중을 계산하고, 이 비중을 전체 전환수(150명)에 곱해 채널별 기여 전환수를 뽑는다.
제거효과 합계 = 51.4% + 40.0% + 20.0% = 111.4%
A 기여 비율 = 51.4/111.4 = 46.1% → 150명 × 46.1% ≈ 69명
B 기여 비율 = 40.0/111.4 = 35.9% → 150명 × 35.9% ≈ 54명
C 기여 비율 = 20.0/111.4 = 18.0% → 150명 × 18.0% ≈ 27명
(합계 69+54+27 = 150명, 반올림 오차 범위 내 일치)
이 계산 결과에서 A(검색광고)가 가장 높은 기여를 가져갔지만, 라스트클릭 모델처럼 100%를 몰아받지는 않았다는 점에 주목해야 한다. B와 C도 각각 상당한 기여를 인정받았는데, 이는 이 두 채널이 없었을 때 A 단독으로는 만들 수 없었던 전환 경로(Start→A→B→전환, Start→C→전환)가 실제로 존재했기 때문이다.
채널이 3개뿐인 이 예시는 손으로 계산 가능하지만, 실제 계정은 채널 수가 많고 경로 조합도 훨씬 복잡해 반드시 소프트웨어로 계산해야 한다. 이 계산 결과는 4강에서 만든 커스텀 MTA 가중치안, 3강에서 다룬 DDA 결과와 나란히 놓고 비교하는 용도로 쓰는 것이 안전하다: 세 방법이 비슷한 방향을 가리키면 확신을 갖고 예산을 조정하고, 크게 어긋나는 채널이 있다면 6강에서 다룰 판단 기준으로 추가 검증한다.
6강. Shapley Value 어트리뷰션에서 게임이론 기반의 또 다른 배분 기법을 다루고, 언제 이 방식을 도입할 가치가 있는지 판단 기준을 정리합니다.