답변
어트리뷰션은 '어느 모델이 맞느냐'보다 '각 모델이 무엇을 부풀리고 무엇을 깎느냐'를 알고 쓰는 문제입니다. 라스트클릭은 전환 직전 접점만 인정하므로 브랜드 검색과 리타겟팅을 크게 과대평가하고, 처음 알게 만든 디스플레이·영상·비브랜드 검색을 과소평가합니다. 선형은 모든 접점에 같은 값을 나눠 스쳐 지나간 저품질 노출까지 동등하게 인정해버려 결정적이었던 접점을 희석합니다. 시간감쇠는 전환에 가까운 접점에 가중치를 더 주므로 라스트클릭보다는 완만하지만 여전히 상단 채널에 불리하고, 고려 기간이 긴 고가 상품에서는 초기 접점을 과하게 깎습니다. 데이터기반 모델은 전환한 경로와 전환하지 않은 경로의 차이로 기여도를 계산해 이론적으로는 낫지만, 산출 근거를 광고주에게 설명하기 어렵고 전환 건수가 적으면 결과가 흔들리며, 무엇보다 그 플랫폼이 관측할 수 있는 범위 안에서만 계산됩니다. 더 큰 문제는 모델 선택이 아니라 합산입니다. 각 매체의 자체 리포트는 자기 접점을 자기 전환으로 잡기 때문에, 한 건의 주문이 구글·메타·네이버 리포트에 동시에 기록됩니다. 여기에 클릭이 아니라 조회만으로도 기여를 인정하는 설정과, 매체마다 다른 기여 인정 기간(룩백 윈도우)이 겹치면 매체 리포트 전환 수의 합계가 실제 주문 수를 넘어서는 일이 흔합니다. 이 상태로 매체별 ROAS를 나란히 놓고 예산을 옮기면, 사실은 중복 계산이 심한 채널로 예산이 몰립니다. 그래서 실무에서는 모델 하나를 고르는 대신 세 층으로 나눠 씁니다. 첫째, 의사결정 기준이 되는 단일 플랫폼을 정합니다 — 대개 GA4 같은 자사 측정 도구나 자사 주문 DB이고, 예산 증감과 채널 판단은 이 숫자로만 합니다. 둘째, 매체 자체 리포트는 그 매체 안에서의 최적화 용도로만 씁니다. 소재 간 비교, 캠페인 구조 조정, 입찰 학습 상태 확인에는 매체 데이터가 필요하지만 채널 간 비교에는 쓰지 않는다는 선을 긋습니다. 셋째, 어떤 모델도 인과를 증명하지는 못하므로 증분성 검증을 주기적으로 넣습니다. 특정 사용자군에 노출을 끊는 홀드아웃이나 지역을 나눠 한쪽만 집행하는 지역 실험으로 '그 채널을 껐을 때 매출이 실제로 얼마나 빠지는가'를 분기 1회 정도 확인합니다. 광고주 합의는 리포트를 처음 만들 때 받아두는 게 가장 쉽습니다. 계약 초기나 첫 월간 보고에서 '판단 기준 숫자는 A, 매체 숫자는 참고용'이라고 문서로 못박고, 두 숫자가 왜 다른지를 그 자리에서 한 번 설명합니다. 이때 매체 리포트 전환 수의 합계와 실제 주문 수를 나란히 놓은 대조표를 한 번 보여주면 설득이 빠릅니다 — 합계가 실주문을 넘는 걸 눈으로 보면 '중복 계산'이라는 말이 추상적으로 들리지 않습니다. 반대로 성과가 나빠진 달에 기준을 바꾸자는 이야기가 나오면 그 문서가 방패가 됩니다. 증분 실험은 매출이 일시적으로 줄어드는 구간을 일부러 만드는 일이라 반드시 사전 승인이 필요합니다. 대상 채널, 기간, 중단 범위, 예상 손실 규모, 그리고 이 실험 결과로 무엇을 결정할지를 미리 적어 승인받고, 성수기·프로모션과 겹치지 않는 기간을 고릅니다. 결과는 다음 분기 예산 배분에 그대로 반영하겠다고 명시해야 실험이 '해보고 끝'으로 남지 않습니다.