섀플리 가치가 원래 무엇을 풀던 개념인가

섀플리 가치는 여러 참여자가 협업해 만든 전체 성과를, 각 참여자가 팀에 들어왔을 때와 들어오지 않았을 때의 성과 차이를 기준으로 공정하게 나누는 방법입니다. 예를 들어 세 사람이 함께 프로젝트를 완성했다면, 한 사람씩 빼봤을 때 전체 성과가 얼마나 줄어드는지를 모든 가능한 조합에 대해 계산하고 평균 내서 각자의 몫을 정합니다. 광고 기여도 문제에 이 개념을 적용하면 "이 채널이 경로에 있었을 때와 없었을 때 전환 확률이 얼마나 달라지는가"라는 질문으로 바뀝니다. 원래는 팀 스포츠나 공동 프로젝트의 성과 배분처럼 사람 사이의 문제를 풀던 수학적 도구가, 사용자 여정이라는 "팀"에 참여한 여러 광고 터치포인트의 몫을 나누는 문제로 옮겨온 셈입니다.

반사실적(counterfactual) 접근이 규칙 기반 모델과 다른 지점

규칙 기반 모델은 실제로 일어난 경로 하나만 보고 정해진 비율로 나눕니다. 반면 DDA는 "만약 이 터치포인트가 없었다면 이 사용자는 전환했을까"라는 가상의 시나리오까지 함께 비교합니다. 이 계산을 위해 DDA는 전환까지 이어진 경로뿐 아니라 전환에 이르지 못한 경로 데이터까지 함께 사용합니다. 전환하지 않은 사용자의 행동 패턴을 알아야 "이 터치포인트가 전환 확률을 실제로 얼마나 끌어올렸는가"를 추정할 수 있기 때문입니다. 규칙 기반 모델에는 없던 이 비교 대상(반사실 데이터)이 DDA를 데이터 기반이라고 부르는 핵심 근거입니다. 규칙 기반 모델은 계정마다 똑같은 공식을 적용하지만, DDA는 계정별로 쌓인 실제 전환·비전환 경로 데이터를 학습해 계산하기 때문에 같은 업종이라도 계정마다 결과가 다르게 나올 수 있습니다.

알고리즘이 함께 고려하는 입력 요인들

GA4 공식 문서는 DDA가 전환까지 걸린 시간, 기기 유형, 광고 상호작용 횟수, 노출 순서, 소재(크리에이티브) 유형 같은 요인을 함께 고려한다고 밝히고 있습니다. 즉 같은 채널이라도 언제, 어떤 기기에서, 몇 번째 순서로, 어떤 소재로 노출됐는지에 따라 계산되는 기여도가 서로 다르게 나올 수 있습니다. 다만 각 요인이 최종 점수에 얼마나 반영되는지, 정확한 수식이 어떤 형태인지는 구글이 공개하지 않습니다 — 실무자가 알 수 있는 것은 "이런 요인을 본다"는 사실까지이지, 그 요인들의 가중치를 역산해낼 수는 없습니다. 그래서 "왜 이번 달 유튜브 기여도가 지난달보다 낮게 나왔는가"를 수식으로 완벽히 설명하는 것은 불가능하고, 대신 경로 데이터·전환 볼륨·소재 구성이 어떻게 바뀌었는지를 정황적으로 추적하는 방식으로 접근해야 합니다.

전환 이후에도 계산이 다시 이뤄진다

DDA는 전환 발생 후에도 최대 7일까지 재기여(reattribution)가 이뤄질 수 있습니다. 새로운 경로 데이터가 계속 쌓이면서 모델이 갱신되기 때문에, 전환 직후 확인한 채널별 기여도와 며칠 뒤 다시 확인한 수치가 달라지는 경우가 있습니다. 이는 오류가 아니라 더 많은 데이터를 반영해 추정치를 갱신하는 정상적인 동작입니다. 리포트 수치가 매일 바뀌는 것을 이상 신호로 오해하지 않는 것이 중요합니다. 특히 전환 직후 며칠 사이에 캠페인 성과를 판단해 예산을 재배분하는 실무자라면, 이 재기여 기간을 감안해 최종 확정치가 안정되는 시점까지 기다렸다가 판단하는 편이 안전합니다.

왜 "정답"이 아니라 "가장 정교한 추정치"인가

1강에서 다룬 것처럼 멀티터치 경로의 기여도에는 관찰로 확인 가능한 절대적 정답이 없습니다. DDA는 규칙 기반 모델보다 훨씬 더 많은 데이터와 통계적 근거를 쓰지만, 여전히 확률 모델의 추정치라는 본질은 바뀌지 않습니다. 다음 레슨에서 다룰 최소 데이터 요건이 중요한 이유도 여기에 있습니다 — 입력 데이터(경로·전환 볼륨)가 부족하면 아무리 정교한 알고리즘이라도 신뢰할 수 있는 추정을 만들어내지 못합니다. 트래픽이 적은 소규모 사이트일수록 DDA의 이론적 우수성과 실제 사용 가능 여부는 별개의 문제라는 점을 미리 염두에 두어야 합니다.