왜 기여 데이터만으로는 부족한가

기여(Attribution)는 "어떤 전환을, 어떤 광고에 배정할 것인가"를 정하는 규칙입니다. 반면 증분(Incrementality)은 "그 전환이 광고가 없었어도 일어났을 것인가, 광고 때문에 새로 일어난 것인가"를 구분하는 질문입니다. 이 둘은 완전히 다른 질문이라서, 기여 모델을 아무리 정교하게 다듬어도 증분 여부는 답이 나오지 않습니다.

예를 들어 이미 브랜드를 알고 재구매를 결심한 고객이 검색창에 브랜드명을 치기 직전 리타게팅 광고를 한 번 클릭했다면, 라스트클릭 기준으로는 이 구매가 통째로 리타게팅 광고 성과로 잡힙니다. 하지만 그 고객은 광고가 없었어도 같은 시점에 구매했을 가능성이 높습니다. 이 구매는 기여상으로는 "광고 성과"지만 증분상으로는 "광고 효과 0"에 가깝습니다. 인크리멘털리티는 이런 사례를 통계적으로 걸러내기 위한 방법론입니다.

자연 유입(오가닉) 매출을 걸러내야 하는 실무적 이유

브랜드가 어느 정도 인지도를 쌓으면 광고를 전혀 안 봐도 자발적으로 검색·방문해서 구매하는 오가닉 매출이 항상 일정 비율 존재합니다. 문제는 이 오가닉 매출 중 일부가 우연히 광고 노출·클릭 이후에 발생하면, 기여 모델이 이를 광고 성과로 흡수해버린다는 점입니다. 브랜드 인지도가 높을수록, 그리고 리타게팅처럼 이미 관심 있는 사람만 대상으로 하는 캠페인일수록 이 왜곡이 커집니다.

이 왜곡을 방치하면 실제로는 성과가 낮은 채널(오가닉 흡수형 리타게팅)에 예산이 계속 몰리고, 진짜 신규 수요를 만드는 채널(상단 퍼널 확장 광고)은 ROAS 지표만 보면 상대적으로 저조해 보여 예산이 깎이는 역선택이 일어납니다. 인크리멘털리티 검증이 필요한 근본 이유가 여기에 있습니다 — 지표상 좋아 보이는 캠페인과 실제로 매출을 늘리는 캠페인이 다를 수 있다는 것을 확인하는 절차입니다.

iOS 개인정보 정책이 문제를 더 키운 배경

iOS 앱 추적 투명성(ATT) 정책 이후 대부분의 iOS 사용자가 추적 동의를 거부한 상태에서, 브라우저·앱 기반 픽셀 추적만으로는 전환의 상당 부분이 아예 관측되지 않습니다. 메타는 이를 보완하기 위해 전환 API(서버사이드 추적)와 AEM(집계 이벤트 측정) 같은 대체 신호를 발전시켰지만, 이런 보정 모델은 관측되지 않은 전환을 추정해서 채워 넣는 방식이라 기여 정확도 자체에 근본적인 한계가 남습니다.

즉 기여 데이터의 신뢰도가 예전보다 떨어진 상태에서, 증분 분석처럼 기여 모델에 의존하지 않고 직접 통제집단을 만들어 비교하는 방법론의 중요성이 오히려 커졌습니다. 인크리멘털리티는 개별 유저를 추적하지 않고 집단 단위로 통계 비교를 하기 때문에 픽셀 유실 문제의 영향을 상대적으로 덜 받는다는 실무적 장점도 있습니다.

인크리멘털리티가 답하는 질문과 답하지 못하는 질문

인크리멘털리티는 "이 캠페인이 매출을 실제로 얼마나 늘렸는가"에는 답하지만, "어떤 크리에이티브가, 어떤 유저 세그먼트에서 더 잘 먹혔는가" 같은 세부 진단에는 약합니다. 세부 진단은 여전히 기여 데이터와 A/B 테스트가 담당하는 영역입니다. 실무에서는 인크리멘털리티로 예산을 배정할 채널·캠페인 단위를 정하고, 그 안에서의 최적화는 기여 데이터로 세밀하게 조정하는 이원화 접근이 일반적입니다.

이 둘의 역할 분담을 헷갈리면 흔히 두 가지 실수가 나옵니다. 하나는 인크리멘털리티 결과 하나만 보고 캠페인 내부의 크리에이티브·타겟팅까지 전부 판단하려는 경우이고, 다른 하나는 반대로 기여 데이터의 ROAS만 보고 채널 단위 예산 배분까지 결정해버리는 경우입니다. 둘 다 도구의 용도를 벗어난 사용입니다. 인크리멘털리티는 "이 예산 덩어리를 여기 쓸 가치가 있는가"라는 큰 질문에, 기여 데이터는 "이 예산 안에서 무엇을 바꿔야 하는가"라는 작은 질문에 쓰는 도구로 구분해서 접근해야 두 방법론이 서로 보완적으로 작동합니다.