크로스 디바이스(Cross-device) 기여도 매칭 기술: PC에서 보고 모바일에서 결제한 유저를 유실 없이 하나로 묶기 위한 User-ID 연동 신뢰성 검증

PC로 상품을 둘러보고 며칠 뒤 모바일로 결제하는 여정은 이제 흔한 패턴입니다. 이 두 세션이 서로 다른 사용자로 인식되면, GA4는 PC 세션을 "이탈한 방문"으로, 모바일 세션을 "새로운 방문자의 즉시 전환"으로 각각 따로 기록합니다. 실제로는 하나의 연속된 여정인데 둘로 쪼개져 기록되면, 앞 단계에서 다룬 모든 어트리뷰션 모델(규칙 기반이든 DDA든)이 애초에 잘못된 입력값으로 계산을 시작하게 됩니다. 즉 크로스디바이스 매칭은 어트리뷰션 모델을 고르는 문제 이전에, 그 모델이 볼 데이터 자체를 온전하게 만드는 전제 조건입니다. 아무리 정교한 샤플리 가치 계산이라도, 입력되는 경로 데이터 자체가 한 사람의 여정을 두세 명으로 쪼개놓은 상태라면 결과 역시 왜곡될 수밖에 없습니다.

User-ID는 광고주가 자체적으로 부여한 식별자(회원번호, 로그인 계정 등)를 GA4로 전송해, 같은 사용자의 행동을 여러 세션·여러 기기·여러 플랫폼에 걸쳐 하나로 연결하는 기능입니다. 사용자가 PC에서 로그인한 상태로 상품을 보고, 나중에 모바일 앱에서 같은 계정으로 로그인해 결제하면, 두 행동 모두 같은 User-ID로 GA4에 전송돼 하나의 여정으로 재구성됩니다. 다만 이 방식은 사용자가 실제로 로그인해야만 작동한다는 한계가 있습니다 — 로그인 전 익명 상태의 탐색 행동까지 자동으로 소급 연결되는 것은 아닙니다.

User-ID가 광고주 쪽에서 직접 통제하는 식별자라면, Google 신호는 구글 쪽 데이터에 의존하는 별도 경로입니다. 광고 개인 맞춤설정을 켠 상태로 구글 계정에 로그인한 사용자의 세션 데이터를 구글이 연결해주는 기능으로, 이를 활성화하면 로그인 트리거를 따로 심지 않아도 어느 정도의 크로스디바이스 리마케팅·기여 측정이 가능해집니다. 다만 이 신호는 사용자가 개인 맞춤설정을 켜뒀을 때만 작동하기 때문에, 커버리지가 계정마다, 사용자층마다 다르게 나타날 수 있습니다.

GA4의 보고 ID 설정 중 블렌드(Blended) 옵션은 User-ID가 수집되면 그것을 최우선으로 쓰고, 없으면 기기 ID로, 그마저 없으면 모델링으로 사용자를 추정하는 우선순위 구조로 작동합니다. 이 구조는 가장 신뢰도 높은 신호(로그인 식별자)를 우선하되, 로그인 안 한 사용자까지 완전히 포기하지 않고 최대한 근사치로 채우려는 절충안입니다. 문제는 User-ID 연동이 부실할수록 실제로는 하위 단계(기기 ID·모델링)에 의존하는 비중이 커진다는 점이고, 이는 곧 크로스디바이스 매칭 정확도가 떨어진다는 뜻입니다.

가장 흔한 실패 지점은 로그인 트리거 커버리지입니다. 회원제 서비스인데도 로그인하지 않고 둘러보다 결제하는 사용자 비중이 크면, User-ID가 전송되는 세션 자체가 적어 블렌드 모델이 대부분 기기 ID·모델링에 의존하게 됩니다. 또 하나 흔한 문제는 ID 발급 방식의 불일치입니다 — 웹과 앱에서 서로 다른 형식의 식별자를 쓰거나, 로그아웃 후 재로그인 시 ID가 바뀌는 구조라면 같은 사람이 여러 명으로 중복 집계됩니다. 이런 구조적 허점이 있으면, 겉보기에는 PC 탐색 채널의 기여가 낮고 모바일 결제 채널의 기여가 높은 것처럼 보이지만, 실제로는 매칭 실패로 인한 착시일 수 있습니다. 5강에서 다룬 "기여도 착시로 채널을 잘못 끄는" 실패 패턴 상당수가, 사실은 어트리뷰션 모델 자체의 문제가 아니라 이런 크로스디바이스 매칭 단계의 허점에서 시작되는 경우가 많습니다.