답변
어트리뷰션 모델 비교를 새로 제안하거나 확장할 때 예산 규모와 최소 전환 신호 기준부터 잡아야 다음 단계 설계가 가능하니, 정리해서 말씀드리겠습니다. 어트리뷰션 모델을 비교하려면 리프트 테스트(실험군·대조군을 정밀 격리해 증분을 측정) 인프라가 필요한데, 여기에 최소한의 예산·전환 신호 기준이 있다. 주당 최소 100건 이상의 전환이 있어야 신뢰성 있는 리프트 결과가 나온다는 가이드가 업계에 통용되지만 정확한 계정별 최소값은 매체 공식 수치로 확인되지 않고, 테스트 시작 전 최소 2~4주간 안정적인 픽셀·CAPI 전환 데이터가 쌓여 있어야 한다는 가이드도 마찬가지로 미확인 상태다. 통계적 오류를 피하려면 광고 세트당 주간 50개 최적화 이벤트라는 학습 안정 기준을 못 채우면 학습 제한 상태가 겹쳐 리프트 결과 자체가 왜곡될 수 있고, 예산을 한 번에 20% 넘게 늘리면 알고리즘이 재학습 단계로 들어가므로 테스트 기간 중 예산 변경은 최소화해야 한다. 여기에 더해, 라스트클릭 등 전통적 기여 모델은 이미 구매 의사가 있던 고객의 전환까지 광고 성과로 잡아 과대평가하는 경향이 있다. 인크리멘털리티(증분 분석)는 이 전통 기여 모델을 완전히 대체하는 게 아니라, 기여 데이터가 놓치는 "진짜 추가된 성과"를 별도로 검증하는 보완 장치로 봐야 한다. 실제로 리타게팅은 이미 구매 의사가 형성된 유저를 대상으로 하므로 라스트클릭 기준 ROAS가 구조적으로 높게 나오는데, 이 지표만 믿고 예산을 리타게팅에 몰면 신규 유입을 만드는 상단 퍼널 캠페인 예산이 줄어 전체 매출 기반이 축소되는 실패로 이어질 수 있다. 마지막으로 실무적으로 꼭 챙기실 부분은, 신규 채널의 예산 규모를 정할 때는 처음부터 본예산을 태우지 않고, 전체 미디어 예산의 일부(통상 10~20% 수준의 테스트 예산)로 먼저 검증한 뒤 성과를 보고 스케일업하는 방식이 실무에서 널리 쓰인다. 전환 신호의 최소 기준은 플랫폼 자동 최적화가 안정적으로 학습되는 데 필요한 볼륨과 연동해서 잡아야 하는데, 구글 스마트 입찰처럼 학습 기간(Learning Phase) 개념이 있는 매체는 통상 30일 30건 전환을 최소 기준으로, 목표 ROAS 같은 정교한 최적화는 그보다 많은 50건 이상을 권장 수준으로 본다 — 이 최소 전환 볼륨을 채우지 못하면 예산을 늘려도 알고리즘이 최적화를 시작하지 못한다.