정의
어트리뷰션 모델은 고객이 전환(구매, 가입, 앱 설치 등)에 이르기까지 거쳐간 여러 채널과 접점에 전환의 공로를 어떤 규칙으로 배분할 것인지를 정의한 프레임워크입니다. 예를 들어 고객이 인스타그램 광고 → 네이버 검색 → 카카오톡 친구 추천 → 구매 순서로 움직였다면, 이 구매 1건의 성과를 인스타그램에 100% 돌릴지, 네 채널에 25%씩 나눌지, 혹은 첫 접점과 마지막 접점에만 가중치를 줄지를 결정하는 것이 바로 어트리뷰션 모델입니다.
DTC 브랜드에서 이 개념이 중요한 이유는 명확합니다. 같은 광고비를 집행해도 어떤 모델을 쓰느냐에 따라 채널별 ROAS가 최대 3~5배까지 달라지기 때문입니다. 실제로 국내 DTC 브랜드 A사는 Last Click 기준으로 메타 ROAS 4.2, 네이버 검색 ROAS 8.1로 판단해 메타 예산을 30% 삭감했습니다. 그러나 데이터 기반(Data-Driven) 모델로 재분석한 결과 메타의 실제 기여 ROAS는 6.7로 나타났고, 삭감 이후 전체 신규 고객 획득이 22% 감소했습니다. 어트리뷰션 모델은 단순한 리포트 지표가 아니라 예산 배분 의사결정의 근간입니다.
비유로 이해하기
어트리뷰션 모델은 축구 경기의 골 공로 배분과 같습니다. 골을 넣은 공격수에게만 공을 돌릴 것인지(Last Click), 어시스트한 미드필더에게도 절반을 줄 것인지(Linear), 혹은 골을 만들어낸 첫 패스에 더 큰 가치를 둘 것인지(First Click)에 따라 "누가 이 경기의 MVP인가"가 달라집니다.
또는 회식비 더치페이에 비유할 수도 있습니다. 5명이 함께 식사했을 때 총액을 5로 나눌지(Linear), 가장 많이 먹은 사람이 더 내는지(Position-Based), 마지막에 계산서를 잡은 사람이 전부 내는지(Last Click)의 규칙 차이입니다.
주요 어트리뷰션 모델과 공식
1. Last Click (라스트 클릭)
전환 기여도 = 100% → 마지막 접점
가장 단순하고 GA4 기본 설정에 가깝습니다. 하단 퍼널 채널(브랜드 검색, 리타겟팅)에 과대 기여합니다.
2. First Click (퍼스트 클릭)
전환 기여도 = 100% → 최초 접점
신규 고객 획득 채널(브랜디드 콘텐츠, 인플루언서) 평가에 유리합니다.
3. Linear (선형)
각 접점 기여도 = 1 / N (N = 총 접점 수)
4개 접점이면 각 25%. 공정하지만 인사이트가 약합니다.
4. Time Decay (시간 가중)
기여도 = 2^(-t / 반감기)
전환 시점에 가까운 접점에 지수적으로 높은 가중치를 부여합니다. 반감기 7일 설정 시, 7일 전 접점은 50%, 14일 전은 25% 기여로 계산됩니다.
5. Position-Based (U자형, 40-20-40)
첫 접점 40% + 중간 접점 합계 20% + 마지막 접점 40%
퍼널 상단과 하단을 동시에 중시하는 DTC 브랜드에서 많이 채택합니다.
6. Data-Driven (데이터 기반)
기여도 = Shapley Value 기반 마르코프 체인 확률 계산
각 채널의 한계 기여도를 게임이론으로 산출합니다. 최소 전환 400건 이상, 채널 5개 이상 확보되어야 통계적 유의성이 나옵니다.
모델 비교표
| 모델 | 가중치 규칙 | 강점 | 약점 | 적합한 상황 |
|---|---|---|---|---|
| Last Click | 마지막 100% | 구현 간단, GA4 기본 | 상단 퍼널 과소평가 | 리타겟팅 중심 소규모 |
| First Click | 최초 100% | 신규 유입 평가 | 하단 퍼널 무시 | 브랜드 인지 캠페인 |
| Linear | 1/N 균등 | 공정, 단순 | 인사이트 부족 | 접점 2~3개 짧은 여정 |
| Time Decay | 최근일수록 가중 | 단기 전환 반영 | 상단 퍼널 저평가 | 임펄스 구매 카테고리 |
| Position-Based | 40-20-40 | 퍼널 양끝 균형 | 중간 채널 저평가 | 풀퍼널 DTC 브랜드 |
| Data-Driven | Shapley/Markov | 실제 기여도 반영 | 데이터 요건 높음 | 월 전환 1,000건 이상 |
DTC 실무 적용 시나리오
시나리오 1: 신규 브랜드 런칭 (월 전환 200건)
데이터 기반 모델은 무리입니다. Position-Based(40-20-40) 로 시작해 인지 캠페인과 전환 캠페인을 동시에 평가하세요. 실제로 뷰티 DTC B사는 이 모델 도입 후 인플루언서 콘텐츠 예산을 15% 증액, 3개월 뒤 신규 고객 CAC가 18,500원 → 14,200원으로 23% 개선되었습니다.
시나리오 2: 스케일업 브랜드 (월 전환 3,000건)
Data-Driven + 증분 실험(Incrementality Test) 병행이 정석입니다. GA4의 데이터 기반 모델과 메타의 Geo-Lift 테스트를 교차 검증하세요.
시나리오 3: 리텐션 중심 (재구매율 40% 이상)
첫 구매와 재구매 여정을 분리해 어트리뷰션을 적용해야 합니다. 재구매에는 CRM 채널(카카오 알림톡, 이메일)이 주 기여자이므로 별도 모델이 필요합니다.
흔히 하는 실수
1. 모델을 하나만 쓰는 것 — Last Click과 Data-Driven을 병기해 차이를 모니터링해야 합니다. 차이가 30% 이상이면 채널 믹스 재검토 신호입니다.
2. 어트리뷰션 = 인과관계로 착각 — 어트리뷰션은 상관관계 기반 배분일 뿐입니다. 진짜 증분 효과는 홀드아웃 실험으로만 측정됩니다.
3. 쿠키 소실 무시 — iOS ATT 이후 서드파티 쿠키 기반 추적 정확도가 30~40% 하락했습니다. 서버사이드 트래킹과 UTM 규칙 표준화가 선행되어야 합니다.
4. 채널명 제각각 — meta, facebook, fb_ads가 혼재하면 어트리뷰션 리포트가 조용히 망가집니다. UTM 네이밍 컨벤션 문서를 반드시 운영하세요.
5. 루프백 무시 — 동일 채널이 여러 번 접촉하면 중복 집계됩니다. 디듀플리케이션 규칙(동일 채널 24시간 내 1회 카운트 등)을 정의하세요.
관련 용어
- MTA (Multi-Touch Attribution) — 멀티터치 어트리뷰션, 본 문서의 상위 개념
- Incrementality Test — 증분 실험, 어트리뷰션의 인과 보완재
- MMM (Marketing Mix Modeling) — 마케팅 믹스 모델링, 쿠키리스 시대 대안
- ROAS / CAC / LTV — 어트리뷰션 결과로 산출되는 핵심 KPI
- Lookback Window — 룩백 윈도우, 기여 인정 기간(GA4 기본 30~90일)
- Shapley Value — 게임이론 기반 공정 배분 알고리즘
- Conversion Path — 전환 경로, 어트리뷰션의 분석 단위