기여도 분석은(는) 무엇을 하나요?
마케팅에서 가장 어려운 질문, "이 전환과 수익을 실제로 발생시킨 나의 노력은 무엇인가?" 에 대한 답을 제공합니다. 기여도 분석은 마케터가 가장 큰 비용을 낭비하는 영역입니다. 한 대시보드에서는 우수해 보이지만 다른 대시보드에서는 형편없는 채널, 실제 원천을 숨기는 "직접" 및 "브랜드 검색", 그리고 의견을 사실인 양 조용히 주입하는 모델들 때문입니다.
이 스킬은 두 가지 축으로 구성됩니다. 사용자가 무엇을 필요로 하는지 파악한 후에 깊이 들어가십시오:
- (A) 해석 — 기여도 모델 선택, 측정 접근 방식 선택, 그리고 도구들이 보고하는 상충되는 수치 조정. 이는 엔지니어링 기술이 전혀 없더라도 모든 사람에게 적용됩니다.
- (B) 자체 기여도 구축 (퍼스트파티) — 사용자가 사이트/앱을 통제할 때 직접 기여도를 계측하고 연결합니다. 이는 구축 트랙입니다. 사용자가 "직접 추적하고 싶다"고 말하거나 자신이 소유하지 않은 도메인에서 발생하는 전환을 처리할 때 사용하세요.
대부분의 요청은 (A)부터 시작합니다. 사용자가 표면을 통제하고 구축하려는 경우에만 (B)를 사용하세요.
제품 컨텍스트: .agents/product-marketing.md 파일이 있는지 확인하고, 있으면 읽으십시오. 비즈니스 유형, 판매 주기, 주요 전환이 여기서 제시되는 거의 모든 권장 사항을 좌우합니다.
경계 — 이 스킬이 다루지 않는 영역
이웃 스킬을 중복 구축하지 않도록 먼저 명확히 하십시오:
- 일반 이벤트 추적, 추적 계획, UTM 설정, GA4/GTM → analytics 스킬. 기여도 분석은 추적이 이미 존재한다고 가정합니다. 경계: analytics = "어떤 이벤트와 어떻게 실행할지"; 기여도 분석 = "터치가 어떻게 전환에 연결되고 수익으로 이어지는지".
- 광고 플랫폼 픽셀, CAPI, 서버 측 전환 추적 → ads 스킬 (
references/conversion-tracking.md). 기여도 분석은 플랫폼이 보고한 수치를 소비하고 편향을 교정하며, 픽셀을 설정하지 않습니다. - 파이프라인 단계, 리드 생애주기, CRM 수익 대시보드 → revops 스킬. 기여도 분석은 파이프라인에 데이터를 제공하며, 단계를 정의하지 않습니다.
- AI 검색에서의 노출/측정 → ai-seo 스킬. 기여도 분석은 AI 트래픽을 사각지대(blind spot)로 명명합니다.
축 A — 해석
1. 기여도 분석이 알 수 있는 것과 없는 것
숫자를 다루기 전에 기대치를 설정하십시오:
- 기여도 분석은 방향성을 제시할 뿐, 진실이 아닙니다. 불완전한 데이터(쿠키 만료, 세션 단편화, 오프라인 터치 소멸, 한 기기에서 조사하고 다른 기기에서 구매하는 사용자)로 구축된 인과 모델입니다. 강력한 힌트로 취급하고, 절대적인 판결로 보지 마십시오.
- 모든 모델은 하나의 의견입니다. "퍼스트 터치"는 첫 번째 광고가 모든 공로를 인정받는다고 말하고, "라스트 터치"는 마지막 클릭이 그렇다고 말합니다. 둘 다 반대 방향으로 틀렸습니다. 모델을 선택하는 것은 누구의 이야기를 믿을지 선택하는 것입니다. 이를 명확히 말하십시오.
- 기여도 분석의 격차는 정상입니다. 채널별 보고된 전환의 합계는 거의 항상 실제 전환을 초과합니다. 모든 플랫폼이 동일한 판매에 대해 공로를 주장하기 때문입니다. 당신의 임무는 이 격차를 줄이고 설명하는 것이지, 숫자를 완벽하게 맞추는 것이 아닙니다. 맞출 수 없습니다.
사용자가 하나의 진정한 숫자를 요구할 때, 관점을 바꾸십시오: "방어 가능하고 일관된 숫자와 어떤 채널이 상승 추세인지에 대한 판단을 제공할 수 있습니다. 단일한 객관적 진실은 존재하지 않습니다. 그 이유와 결정을 내리는 데 사용하는 방법을 설명드리겠습니다."
2. 기여도 분석 모델
6가지 표준 모델과 각 모델이 언제, 어떻게 왜곡되는지:
| 모델 | 공로 부여 규칙 | 가장 적합한 경우 | 어떻게 왜곡되는가 |
|---|---|---|---|
| 퍼스트 터치 (First-touch) | 처음 알려진 터치에 100% | 퍼널 최상단/수요 창출 평가; 짧은 주기 | 거래를 성사시킨 모든 것을 무시; 인지 채널에 과도한 공로 부여 |
| 라스트 터치 (Last-touch) | 전환 직전 마지막 터치에 100% | 직접 반응, 빠른 전자상거래 | 퍼널 최하단, 브랜드 검색/직접에 과도한 공로 부여; 수요 창출을 무시 |
| 마지막 비직접 (Last non-direct) | "직접"을 제외한 마지막 터치에 100% | 직접 트래픽 오염에 대한 간편한 수정 | 여전히 단일 터치; 사각지대를 옮길 뿐 |
| 선형 (Linear) | 모든 터치에 동일한 공로 | 모든 단계가 중요한 긴 멀티 터치 여정 | 중요하지 않은 방문과 데모를 동일하게 취급; 고빈도 채널을 미화 |
| 시간 감쇠 (Time-decay) | 전환에 가까운 터치에 더 많은 공로 | 최근성이 중요한 긴 주기 | 퍼널 최상단을 과소평가; 여전히 가정일 뿐 측정이 아님 |
| 위치 기반 (Position-based, U자형) | 처음 40%, 마지막 40%, 중간 20% | "생성" + "마감" 순간이 명확한 B2B | 40/40/20 분할은 임의적; 중간 터치가 과소평가됨 |
| 데이터 기반 (Data-driven, 알고리즘/Shapley) | 모델링된 한계 기여도에 따른 공로 | 충분한 전환이 있는 대량 계정 | 블랙박스; 볼륨 필요; 제공되지 않은 오프라인/다크 터치를 볼 수 없음 |
경험 법칙:
- 긴 영업 주기에 대해 단일 모델을 단독으로 보고하지 마십시오. 퍼스트 터치와 라스트 터치를 나란히 보여주십시오. 진실은 그 사이에 있으며, 두 값 사이의 격차 자체가 통찰력입니다.
- 데이터 기반 기여도 분석은 볼륨이 필요합니다(Google Ads는 과거 30일 동안 약 3,000회의 광고 상호작용과 약 300회의 전환을 요구했으며, 이후 최소 기준을 완화하고 DDA를 기본값으로 삼았지만, 낮은 볼륨은 여전히 과학인 척하는 노이즈에 불과합니다). 볼륨이 부족할 때는 위치 기반 모델을 대신 사용하십시오.
- 모델 자체보다 일관성과 모델 외부의 건전성 확인(축 A §4, 자체 보고)을 짝짓는 것이 훨씬 더 중요합니다.
모델 수학, 하나의 여정을 6가지 방식으로 평가한 실제 예시, 그리고 Shapley에 대한 명확한 설명은 references/attribution-models.md를 참조하십시오.
3. 세 가지 측정 패러다임
모델은 추적된 데이터 내에서 공로를 분할합니다. 패러다임은 인과관계에 접근하는 방법입니다. 점점 더 엄격해지고 점점 더 비용이 많이 듭니다:
| 패러다임 | 설명 | 답변 | 필요 사항 | 주의사항 |
|---|---|---|---|---|
| MTA (멀티 터치 기여도 분석) | 사용자 수준 터치 연결, 모델 적용 | "전환 여정에 어떤 터치포인트가 나타나는가?" | 깨끗한 교차 기기 사용자 수준 추적 | 쿠키 손실 + 개인정보 보호로 사용자 수준 데이터가 크게 감소; 소리 없이 과소 측정 |
| MMM (미디어/마케팅 믹스 모델링) | 시간에 따른 지출과 결과의 최상향 회귀 분석 | "오프라인/브랜드를 포함한 각 채널의 총 기여도는 얼마인가?" | 2-3년치 주간 데이터, 지출 변동성 | 상관 관계 기반; 반응 느림; 학습에 실제 예산 변동 필요 |
| 점진성 (Incrementality, 지리적 홀드아웃, PSA, 고스트 광고, on/off) | 통제된 실험: 노출 vs. 미노출 | "이 채널이 실제로 내가 다른 방식으로는 얻지 못했을 상승을 유발했는가?" | 보류 능력; 유의성을 위한 충분한 볼륨 | 금본위제이지만 한 번에 몇 가지만 테스트 가능 |
선택 방법: 예산이 적거나 주기가 짧은 경우 → 좋은 UTM + 마지막 비직접 + 자체 보고 설문조사가 복잡한 모델보다 낫습니다. 중간 예산, 여러 채널 → 일상적인 MTA + 주요 라인 항목에 대한 정기적인 점진성 테스트. 대규모 예산, 오프라인 + 브랜드 지출 → 포트폴리오를 위한 MMM + MMM 계수 검증을 위한 점진성 테스트. 두 채널이 동일한 전환을 주장할 때마다 점진성 테스트가 결정적인 판단 기준입니다.
예산 x 판매 주기 x 채널 수에 따른 의사 결정 테이블과 지리적 홀드아웃/PSA 테스트 읽는 방법(통계 튜토리얼 아님)은 references/measurement-paradigms.md를 참조하십시오.
4. 자체 보고 기여도 분석
가장 과소평가된 신호이며, 긴 주기와 다크 소셜의 경우 종종 가장 정직합니다. 전환 후 "우리에 대해 어떻게 알게 되셨나요?" 설문조사는 추적이 구조적으로 포착할 수 없는 것(팟캐스트, 입소문, Slack 커뮤니티, 창업자의 트윗, "친구가 알려줬어요")을 잡아냅니다.
- 추적보다 나은 경우: 긴 고려 주기, 높은 입소문, 브랜드/커뮤니티 주도, 또는 다크 소셜이 많은 경우(§5 참조). 여정의 상당 부분이 "직접"이라면, 자체 보고가 필요한 상황입니다.
- 전환 순간에 질문하십시오(가입, 첫 구매, 데모 요청) — 기억이 희미해지기 전 가장 높은 회상률을 보장합니다.
- 질문 구성: 개방형("저희를 어떻게 처음 알게 되셨나요?")은 다크 소셜을 포착합니다. 짧은 선택지는 정량화하기 쉽지만 답변을 편향시킬 수 있습니다. 모범 사례: 알려진 채널 목록의 선택지 + 자유 텍스트 "기타/자세히 알려주세요" .
- 삼각 측량 입력값으로 취급하십시오. 절대적인 진리는 아닙니다. — 회상은 불완전하며 사람들은 기억에 남는 터치에 공로를 돌리고 첫 번째 터치에는 돌리지 않습니다. 추적 모델의 정직성을 유지하는 모델 외부 점검 역할을 합니다.
- 구축 측면에서, 이것은 CRM/분석 도구에 사람 속성(person property)으로 기록되는 양식 필드입니다. 축 B 및
references/first-party-tracking.md를 참조하십시오.
5. 상충되는 소스 조정
대부분의 기여도 분석 작업 뒤에 숨은 요청: "Google은 50, Meta는 40, GA는 60, 내 CRM은 35라고 합니다. 누가 맞나요?" 아무도 맞지 않습니다. 여기 프레임워크가 있습니다.
각 소스가 체계적으로 거짓말하는 이유:
| 소스 | 편향 | 이유 |
|---|---|---|
| 광고 플랫폼 (Google/Meta/LinkedIn) | 자체를 과대계상 | 자체 창에서 뷰스루 + 클릭 전환을 주장; 모든 플랫폼이 동일한 판매를 집계; 좋아 보이도록 동기부여됨 |
| GA / 웹 분석 | 마지막 비직접 클릭 | 교차 기기 손실, 쿠키 차단 사용자 손실, 미확인을 직접으로 전환 |
| CRM | 영업 담당자가 입력한 내용 / 양식에 캡처된 내용 | 사람 입력, 리드 소스 덮어쓰기, 디지털 추적이 없는 오프라인 거래 |
| 자체 보고 설문조사 | 기억에 남는 터치 | 회상 편향; 리타겟팅과 같은 지루하지만 실제 터치를 과소계상 |
삼각 측량 방법:
- 전환 수에 대한 하나의 진실 공급원(Source of Truth)을 선택하십시오 — 일반적으로 CRM 또는 백엔드(실제 돈이 오가는 시스템). 다른 모든 것은 그것들이 어디서 왔는지 설명할 뿐, 얼마나 많은지를 재정의할 수 없습니다.
- 플랫폼 간 합계를 절대 구하지 마십시오. Google과 Meta가 모두 하나의 전환을 주장한다면, 두 개의 전환이 아니라 하나의 전환에 두 명의 주장자가 있는 것입니다. 진실 공급원 총계를 기준으로 중복을 제거하십시오.
- 절대적 일치가 아닌 방향성 합의를 읽으십시오. 모든 소스가 이번 분기에 유료 검색은 증가하고 오가닉은 감소했다고 말한다면, 두 숫자가 일치하지 않더라도 그 추세는 신뢰할 수 있습니다.
- 플랫폼이 동일한 전환을 두고 다툴 때는 자체 보고를 중재자로 사용하고, 위험 부담이 테스트를 정당화할 때는 점진성 테스트를 사용하십시오.
- 격차를 예상하고 예산에 반영하십시오. "플랫폼은 N을 주장합니다. M을 확인할 수 있습니다. 차이는 과대주장 + 뷰스루 + 추적되지 않음입니다. 최선의 배분은 다음과 같습니다."라고 보고하십시오.
결과는 잘못된 소수점 이하 자리수 조정이 아닌, 신뢰 수준이 포함된 정직한 배분입니다.
6. 사각지대 (Blind spots)
전환이 숨는 곳, 실제 채널이 약해 보이게 만드는 곳:
- 직접 (Direct) — 잡동사니 서랍입니다. 북마크와 URL 입력, 또한 제거된 리퍼러, 앱-투-웹, 다크 소셜, 추적이 놓친 모든 터치. 큰 직접 점유율은 채널 문제가 아니라 측정 문제입니다.
- 브랜드 검색 (Branded Search) — 다른 곳에서 당신을 발견하고 당신의 이름을 검색한 사람들. 라스트 터치는 유료/오가닉 브랜드 검색에 공로를 줍니다. 실제 동인은 그들이 검색하게 만든 것입니다. 브랜드 vs. 비브랜드를 분류하지 않으면 퍼널 최상단 자금을 줄이게 됩니다.
- 다크 소셜 (Dark Social) — 리퍼러를 전달하지 않는 공유: DM, Slack/Discord, 팟캐스트, 뉴스레터, 스크린샷. 추적으로는 구조적으로 보이지 않으며, 자체 보고만이 이를 볼 수 있는 유일한 방법입니다(§4).
- AI 트래픽 — 어시스턴트와 AI 검색이 점점 더 구매자에게 영향을 미친 후 브랜드 검색이나 직접을 통해 보내므로 AI 터치는 분석에서 보이지 않습니다. 이를 명명하고 심층 작업은 ai-seo 스킬로 넘기십시오.
핵심: "직접"과 "브랜드 검색"이 지배할 때, 당신의 퍼널 최상단은 효과가 있고 당신의 기여도 분석은 이를 숨기고 있습니다. 이것을 명시적으로 말하십시오. 마케팅에서 가장 흔한 오독입니다.
7. 비즈니스 유형별 분기
기본값은 크게 다릅니다. 요약은 여기, 전체 플레이북은 references/by-business-type.md에 있습니다.
- B2B SaaS (긴 주기, 영업 지원): 여정은 몇 주에서 몇 달, 여러 사람에 걸쳐 있으므로 단일 터치 모델은 심하게 오도됩니다. CRM을 진실 공급원으로 고정하고, 퍼스트 터치 + 위치 기반을 나란히 사용하며, 데모/가입 시 자체 보고에 크게 의존하고, 파이프라인/수익 기여도(→ revops)를 실제 점수판으로 취급하십시오. 오프라인 터치(이벤트, 영업 대화)는 MTA를 가장 약하게 만들고 자체 보고를 가장 강하게 만듭니다.
- 전자상거래 / DTC (짧은 주기, 셀프 서비스): 빠른 여정, 높은 볼륨, 지출은 유료 소셜 + 검색에 집중됩니다. 플랫폼 ROAS에 고정하되 불신하십시오(iOS/CAPI 인플레이션), 지출이 실질적이면 MMM으로, 가장 큰 채널에 대해 점진성/지리적 홀드아웃으로 검증하고, 구매 후 설문조사를 사용하여 픽셀이 놓치는 것을 잡으십시오. 빠른 회전 SKU에는 라스트 터치가 방어 가능합니다. MMM+점진성이 실제 예산을 할당하는 방법입니다.
축 B — 자체 기여도 구축 (퍼스트파티)
사용자가 사이트/앱을 통제하고 직접 기여도를 계측하려는 경우 사용하십시오. 특히 소유하지 않은 도메인(SavvyCal/Calendly/Cal.com 예약, Stripe 체크아웃 페이지)에서 발생하는 전환에 유용합니다. 이 축은 실제 프로덕션 빌드에 기반하며, 코드 패턴이 포함된 전체 실행 설명서는 references/first-party-tracking.md에 있습니다. 핵심 내용은 다음과 같습니다:
아이덴티티 그래프 (Identity Graph)
퍼스트파티 기여도 분석의 핵심 아이디어는 익명 브라우징을 최종 전환에 연결하는 것입니다.
- 방문자가 익명으로 도착하면, 분석 도구는 **익명
distinct_id**를 할당하고 이벤트에 퍼스트 터치 속성($initial_referrer,$initial_utm_*)을 기록합니다. - 전환 시점(가입, 예약, 구매)에 이메일 또는 사용자 UUID와 같은 안정적인 ID로 **
identify()**를 호출합니다. 이는 익명 기록을 알려진 사람으로 **병합(merge)**하여, 퍼스트 터치가 전환까지 살아남도록 합니다. - 모든 전환 이벤트는 이제 퍼스트 터치 채널별로 분석될 수 있습니다. 이것이 전부입니다.
identify() 격차 해소
가장 흔한 퍼스트파티 실패: identify()가 전혀 호출되지 않아 전환이 브라우징 기록과 연결되지 못하고, 모든 고객이 갑자기 나타난 것처럼 보입니다. (Tessa Kriesel의 PostHog 접근 방식에서 차용한 프레임워크입니다.) 해결책은 각 실제 전환 시점에 identify를 호출하는 것입니다. 먼저 감사(audit)하십시오. 많은 SaaS 앱이 이미 가입 시점에 identify를 호출합니다. 작동하는 것을 다시 구축하지 마십시오. 특정 계측되지 않은 전환을 찾아서 해당 전환만 해결하십시오.
타사 도메인에서 전환 연결
실제 기술이 필요한 유일한 경우: 타사 도메인에서 발생하는 전환
...
[전체 내용이 제공되지 않아 번역이 불완전합니다.]