멀티 터치 어트리뷰션(MTA)의 복잡성: 유저가 구매 전 마주치는 수많은 터치포인트(SA, DA, 바이럴, 유튜브)의 기여도 배분 난제

고관여 상품일수록 사용자는 광고를 한 번 보고 바로 결제하지 않습니다. 유튜브 영상 광고로 브랜드를 처음 인지하고, 며칠 뒤 인스타그램 피드에서 디스플레이(DA) 광고를 다시 보고, 친구의 공유 게시물(바이럴)로 후기를 확인한 뒤, 마지막에 검색창에 브랜드명을 쳐서(SA) 들어와 결제하는 식의 경로가 흔합니다. 이 경로에서 라스트클릭 모델은 마지막 검색광고에만 전환 100%를 배분합니다. 그러면 리포트만 보고 판단하는 담당자는 "검색광고가 제일 잘 팔린다"고 결론 내리기 쉽지만, 실제로는 유튜브와 디스플레이가 없었다면 애초에 브랜드명을 검색할 이유 자체가 없었을 수 있습니다. 문제는 이 인과관계가 표준 리포트 화면에는 드러나지 않는다는 점입니다.

채널마다 여정에서 맡는 역할이 다릅니다. 유튜브·디스플레이는 브랜드를 처음 알리는 인지(awareness) 역할을 하는 경우가 많고, 검색광고는 이미 구매 의사가 생긴 사용자를 마지막에 붙잡는 수확(harvest) 역할을 하는 경우가 많습니다. 바이럴(자연 공유·후기)은 신뢰를 보강하는 중간 단계로 작동합니다. 이렇게 역할이 다른 채널을 동일한 기준(마지막 클릭인지 아닌지)으로만 평가하면, 인지 역할을 하는 채널은 항상 저평가되고 수확 역할을 하는 채널은 항상 고평가되는 구조적 왜곡이 생깁니다.

경로에 터치포인트가 2개면 배분 방식의 경우의 수가 적지만, 4~5개로 늘어나면 조합이 기하급수적으로 늘어납니다. 각 터치포인트가 서로 다른 순서·타이밍·조합으로 등장할 때마다 전환 확률에 미치는 영향이 달라지기 때문에, "이 전환의 30%는 유튜브, 20%는 디스플레이" 같은 배분값은 어떤 계산 방식을 쓰느냐에 따라 달라지는 추정치이지, 관찰로 확인할 수 있는 절대적 사실이 아닙니다. 뒤에서 다룰 데이터 기반 어트리뷰션(DDA)도 이 난제를 게임이론 기반 통계 모델로 근사할 뿐, 매체 하나하나의 "진짜 기여도"를 물리적으로 측정하는 도구는 아닙니다.

각 광고 매체(구글 애즈, 메타, 틱톡 등)는 자사 픽셀·SDK 기준으로 자신이 관여한 전환을 각자 보고합니다. 같은 사용자의 같은 전환이 검색광고 리포트에도, 디스플레이 리포트에도, 유튜브 리포트에도 동시에 "내 전환"으로 잡히는 경우가 흔합니다. 이 상태에서 매체별 리포트 전환수를 그냥 더하면 실제 전체 전환수보다 훨씬 큰 숫자가 나옵니다. GA4 같은 크로스플랫폼 분석 도구가 필요한 이유가 여기에 있습니다 — 한 곳에서 전체 사용자 여정을 통합해 보고 하나의 일관된 기준으로 기여도를 나눠야, 매체 간 중복 집계를 피할 수 있습니다. 다만 GA4가 모든 것을 다 잡아주는 것도 아닙니다. 매체별 리포트와 GA4 통합 리포트를 함께 대조해 어느 쪽이 과대 집계됐는지 확인하는 습관이 미디어믹스 판단의 출발점입니다.

기여도 배분 이전에, 애초에 터치포인트 경로 데이터 자체가 온전히 수집되지 않는 경우도 많습니다. 사용자가 시크릿 모드로 광고를 보거나, 기기를 바꿔서(PC로 보고 모바일로 결제) 여정을 이어가거나, 쿠키·ID 유효기간이 만료되면 같은 사람의 여러 접촉이 서로 다른 사용자로 잡혀 경로 자체가 끊깁니다. 이 경우 어떤 정교한 배분 알고리즘을 쓰더라도 애초에 입력값(경로 데이터)이 불완전하기 때문에 결과도 불완전할 수밖에 없습니다. 즉 어트리뷰션 모델링의 정확도는 알고리즘의 정교함뿐 아니라 그 이전 단계인 크로스디바이스 식별의 신뢰도에 크게 좌우됩니다 — 이 주제는 6강에서 별도로 다룹니다.

완벽한 정답이 없다는 것을 인정하되, 방치하지는 않는 게 이번 과목 전체의 핵심 전제입니다. 다음 레슨부터는 규칙 기반 모델이 구체적으로 어떻게 왜곡을 만드는지, GA4의 데이터 기반 모델이 이 문제를 어떤 방식으로 완화하는지, 그리고 모델이 알려주지 못하는 부분을 인크리멘털리티(증분) 실험으로 어떻게 보완하는지 순서대로 다룹니다.