업종별 광고 교과서 › 개인회생·파산 › 측정
개인회생·파산 어트리뷰션과 중복 집계 보정
매체마다 다른 답을 내는 이유부터 정리합니다
개인회생·파산 광고는 검색광고와 메타 광고를 함께 운영하는 경우가 많은데, GA4는 데이터 기반 어트리뷰션을 쓰지만 실무에서는 라스트클릭처럼 해석되는 경우가 많고 메타는 별도의 자체 기여 모델(클릭·참여·조회 기준)로 집계하기 때문에 관측 범위와 기여 기간, 쿠키·기기 식별 방식이 서로 달라 같은 상담 신청 1건이라도 두 매체가 각자 자기 전환으로 잡는 것이 정상입니다. 이 업종의 전환 이벤트는 전화 버튼 클릭, 상담 신청 완료, 메신저 상담 클릭, 견적 요청 제출처럼 여러 갈래로 나뉘어 있습니다. 게다가 이 업종은 여러 법사무소를 비교하고 상담부터 계약까지 걸리는 시간이 길어서, 검색과 메타가 각각 다른 시점에 같은 잠재고객과 접촉하는 구간이 넓어지고 그만큼 중복 집계 폭도 커집니다. 그러니 매체 리포트의 전환수를 그대로 더해서 총 리드로 보고하지 말고, 먼저 어느 접점에서 겹치는지부터 그려본 다음 다음 절차로 넘어가세요.
리타게팅 착시를 인크리멘털리티·MMM으로 보정합니다
리타게팅은 이미 상담을 저울질하고 있는 사람을 다시 잡는 광고라서 라스트클릭 기준 전환 지표가 구조적으로 높게 나옵니다. 검색 1위를 해도 방문자가 그 자리에서 바로 상담을 신청할 수 없으면 다른 법사무소를 비교하러 이탈해 버리는 것이 이 업종의 특징입니다. 그렇다면 리타게팅은 한 번 이탈했던 잠재고객을 다시 불러오는 역할을 하고 있을 가능성이 있는데, 문제는 이 지표만 보고 검색광고나 신규 도달 캠페인의 예산을 리타게팅 쪽으로 옮기면 애초에 리타게팅 대상이 될 신규 유입 자체가 줄어들어 전체 리드 파이프라인이 말라버린다는 점입니다. 이 착시를 검증하는 도구가 인크리멘털리티(증분 분석)입니다. 광고에 노출된 집단과 노출되지 않은 집단의 전환을 비교해서 광고가 없었어도 어차피 상담을 신청했을 사람을 걷어내고, 순수하게 광고 때문에 늘어난 신청만 분리하는 방법인데, 리타게팅이라면 캠페인을 일정 기간 꺼 보고 전화 문의와 상담 신청이 실제로 줄어드는지 홀드아웃으로 확인하는 방식으로 씁니다. 예산 배분처럼 더 큰 단위의 결정에는 마케팅 믹스 모델(MMM)이 낫습니다. 개인 식별자 없이 매출과 광고비 같은 집계 데이터로 채널별 기여도를 통계적으로 추정하는 방법이라 추적 제한이나 쿠키 이슈와 무관하게 돌아가지만, 개인화된 세밀한 인사이트는 주지 못하고 채널 단위의 큰 그림만 보여줍니다. 그래서 검색·메타·기타 매체에 예산을 얼마씩 배분할지는 MMM으로, 리타게팅처럼 특정 캠페인을 끄고 켤지는 인크리멘털 테스트로 나눠 판단하는 것이 원칙입니다. 검증 없이 지표 숫자만 근거로 예산을 재배분하는 결정은 보류하고, 먼저 이 두 도구 중 상황에 맞는 쪽의 결과부터 확보하세요.
유사 타겟 확장이 부르는 또 다른 위험: 자격 없는 리드
여기서 반드시 짚어야 할 위험이 있습니다. 유사 타겟이나 광범위 타겟팅으로 도달을 넓히면 개인회생 신청 자격이 실제로 없는 사람까지 광고에 반응해 리드로 잡힐 수 있습니다. 실무에서는 개인회생 신청 자격을 소득이 중위소득 125% 이하이고 신규 채무가 전체 채무의 30% 미만인 경우로 안내하는 경우가 많은데, 이 기준에 못 미치는 사람을 상담 신청까지 유도해 놓고 실제로는 절차를 진행할 수 없다고 뒤늦게 안내하는 것은 리드 낭비를 넘어 소비자를 오도하는 행위이므로 반드시 피해야 합니다. 타겟을 무작정 좁히는 대신, 상담 신청 단계에 소득이나 채무 구성을 묻는 사전 스크리닝 질문을 넣어서 자격 미달 리드를 상담팀이 조기에 걸러낼 수 있게 설계하는 방향으로 접근하세요.
의사결정 기준: 무엇을 보고 예산을 옮길지
정리하면 GA4와 메타 리포트 중 어느 쪽 전환수가 맞는지를 다투는 것은 애초에 답이 없는 질문입니다. 두 시스템은 관측 범위와 기여 기간이 다른 서로 다른 질문에 답하고 있을 뿐입니다. 이 전제 위에서 예산 배분의 최종 근거는 매체 자체 리포트가 아니라 전화 클릭, 상담 신청 완료, 메신저 상담 클릭, 견적 요청 제출 같은 오프라인 전환 데이터를 통합 추적한 값으로 잡아야 합니다. 이 통합 데이터에 인크리멘털 테스트로 검증한 순수 증분과 CRM에 기록된 실제 상담·계약 전환율을 매체별로 대입해야 어느 채널이 진짜 계약까지 만들어내는지가 보입니다. 리프트가 확인된 채널로 예산을 옮기더라도 한 번에 크게 이동하면 광고 알고리즘이 다시 학습하는 구간에서 성과가 흔들릴 수 있으니, 단계적으로 나눠 옮기는 편이 안전합니다.
집행 전 체크리스트
- 전화 클릭, 상담 신청 완료, 메신저 상담 클릭, 견적 요청 제출을 오프라인 전환으로 추적 설정했는지 확인합니다
- 리타게팅 캠페인의 전환 지표만 보고 예산을 늘리기 전에 일정 기간 꺼서 전체 문의량 변화를 홀드아웃으로 확인합니다
- 예산 배분 상위 결정은 MMM 같은 채널 단위 추정으로, 캠페인 On/Off 같은 하위 결정은 인크리멘털 테스트로 구분해 판단합니다
- 유사 타겟·광범위 타겟팅을 확장할 때는 상담 신청 단계에 소득·채무 구성을 묻는 사전 스크리닝 질문을 넣어 자격 미달 리드를 걸러낼 준비를 합니다
- 매체별 리드 수가 아니라 CRM에 기록된 상담 전환율과 계약 전환율을 기준으로 채널 성과를 비교합니다
- 리프트가 확인된 채널로 예산을 옮길 때도 한 번에 크게 이동하지 않고 단계적으로 조정합니다
더 읽기
- 기여도 왜곡 보정 룰셋: GA4(라스트 클릭 모델) 데이터와 메타 광고 관리자(자체 기여 모델) 데이터 간의 크로스 채널 데이터 격차 조율 공식
- [실패 사례 분석] 라스트 클릭 기여 모델의 착시: 메타 리타게팅 광고의 높은 ROAS 지표만 믿고 예산을 몰았다가 전체 자사몰 매출이 급감한 원인 해부
- 인크리멘털리티(Incremental Lift/증분 분석)의 정의: 자연 유입 매출과 광고를 통한 '순수 추가 매출'을 발라내야 하는 거시적 배경
- 전방위 마케팅 성과 측정의 최종 단계: 디지털 쿠키 추적 없이 거시적 데이터 통계로 채널별 효율을 분석하는 마케팅 믹스 모델(MMM)의 정의
- 인크리멘털리티 기반 예산 재분배: 리프트 점수가 높게 나온 핵심 잠재오디언스(Broad/Broad Lookalike) 채널에 거시 예산 우선 배정 룰