Multi-Touch Attribution

정의

Multi-Touch Attribution(멀티터치 어트리뷰션) 은 고객이 최종 구매(또는 회원가입, 앱 설치 등 전환)에 이르기까지 거쳐 간 여러 마케팅 접점(touchpoint) 각각에 전환 기여도(credit)를 분배하는 데이터 분석 방법론입니다.

예를 들어 한 고객이 인스타그램 광고를 보고 → 네이버 검색으로 브랜드명을 검색하고 → 카카오톡 알림톡의 쿠폰을 클릭한 뒤 → 최종적으로 자사몰에서 결제했다면, 라스트클릭(Last-Click) 어트리뷰션은 카카오톡 알림톡에만 100% 공을 돌립니다. 반면 멀티터치 어트리뷰션은 인스타그램, 네이버 검색, 카카오톡 세 접점 모두에 기여도를 나눠서 부여합니다.

DTC(Direct-to-Consumer) 브랜드에게 이 개념이 중요한 이유는 단순합니다. 광고 채널이 5개 이상으로 늘어나는 순간, "어디에 예산을 더 넣어야 하는가"라는 질문에 라스트클릭만으로는 답할 수 없기 때문입니다.

비유로 이해하기

축구 경기의 어시스트 기록과 비슷합니다.

골을 넣은 선수(라스트클릭)만 기록에 남으면, 골 직전에 결정적인 패스를 한 미드필더(중간 접점)의 공헌은 사라집니다. 실제로 골의 70%는 마지막 슈터가 아니라 공을 만들어낸 과정에서 나옵니다. 멀티터치 어트리뷰션은 "누가 마지막에 슛을 찼는가"가 아니라 "누가 이 골에 얼마나 기여했는가" 를 기록하는 시스템입니다.

한국 DTC 실무에서는 흔히 이렇게 표현합니다.

"라스트클릭만 보면 네이버 검색광고가 다 해먹은 것처럼 보이는데, 실제로는 인스타 릴스가 수요를 만들고 검색이 회수하는 구조예요."

주요 어트리뷰션 모델과 계산 공식

전환이 발생한 시점의 접점 시퀀스를 T1 → T2 → T3 → ... → Tn 이라고 할 때, 각 모델의 기여도 배분은 다음과 같습니다.

모델	기여도 배분 공식	특징
Last-Click	Tn = 1.0, 나머지 = 0	구현 쉬움, 상단 퍼널 무시
First-Click	T1 = 1.0, 나머지 = 0	브랜드 인지 채널 과대평가
Linear	각 Ti = 1/n	공평하지만 현실성 낮음
Time-Decay	Ti ∝ 2^(ti/반감기)	최근 접점에 가중치
Position-Based (U자형)	T1 = Tn = 40%, 나머지 = 20%/(n-2)	첫·마지막 접점 중시
Data-Driven (Shapley)	Shapley Value 기반 확률 분배	머신러닝, 가장 정교

Shapley Value 공식 (데이터 기반 모델의 핵심):

φi(v) = Σ [ |S|! (n - |S| - 1)! / n! ] × ( v(S ∪ {i}) - v(S) )
        S⊆N\{i}

여기서 N은 전체 채널 집합, S는 i를 제외한 부분집합, v(S)는 해당 채널 조합의 전환 기여 함수입니다.

실무 계산 예시 (Linear 모델, 전환 1건, 전환가치 120,000원):

- 접점: 인스타그램 → 네이버 검색 → 카카오 알림톡 (n=3)

- 각 채널 기여 금액 = 120,000원 / 3 = 40,000원

- 만약 100건의 전환이 동일 경로로 발생했다면, 각 채널에 4,000,000원씩 배분

Time-Decay 예시 (반감기 7일):

- 인스타 노출 (14일 전): 가중치 = 2^(-14/7) = 0.25

- 네이버 검색 (3일 전): 가중치 = 2^(-3/7) ≈ 0.74

- 카카오 알림톡 (당일): 가중치 = 2^0 = 1.00

- 정규화 후 기여율: 인스타 12.5%, 네이버 37.2%, 카카오 50.3%

어트리뷰션 모델 비교표

항목	Last-Click	Linear	Position-Based	Data-Driven
구현 난이도	낮음	낮음	중간	높음
상단 퍼널 반영	✗	△	○	◎
필요 데이터량	적음	적음	중간	많음 (월 1,000건+)
대표 툴	GA4 기본	GA4	GA4	GA4 360, AppsFlyer
DTC 적합도	낮음	중간	높음	매우 높음
한국 브랜드 채택률	60%+	15%	10%	5~10%

DTC/이커머스 적용 시나리오

시나리오 1: 뷰티 DTC 브랜드 (월 광고비 3,000만 원)

- 채널: 메타(인스타/페이스북), 네이버 검색, 카카오 모먼트, 유튜브, 자사몰 앱푸시

- 라스트클릭 기준: 네이버 검색 ROAS 800%, 메타 ROAS 150%

- 데이터 기반 어트리뷰션 적용 후: 메타 실제 기여도 2.1배 상향, 네이버 검색 0.6배 하향

- 결과: 메타 예산 20% 증액 → 전체 신규 고객 수 +34% (3개월)

시나리오 2: 식품 DTC 브랜드 (재구매율 42%)

- 첫 구매는 인스타 릴스, 재구매는 카카오 알림톡이 견인

- 첫 구매 전환에는 Position-Based(첫 40%), 재구매 전환에는 Time-Decay 적용

- LTV 기준 CAC 회수 기간: 2.8개월 → 1.9개월로 단축

시나리오 3: 패션 DTC (AOV 89,000원)

- 5개 접점 평균 경로 길이: 4.3회

- 라스트클릭 대비 데이터 기반 모델에서 유튜브 기여도 +180%, 앱푸시 -45% 재분배

- 광고비 1,000만 원 재배치 → ROAS 320% → 410% 개선

자주 하는 실수 (흔한 오해)

1. "GA4 기본 리포트만 보면 된다" — GA4의 기본 어트리뷰션은 데이터 기반이지만, iOS ATT 이후 앱·웹 크로스 도메인 추적 누락이 30~40% 발생합니다. 서버사이드 이벤트 + MMP(AppsFlyer, Adjust) 병행이 필수입니다.

2. "기여도 합계가 100%면 정확하다" — 기여도 모델은 상대적 배분일 뿐, 인과관계를 증명하지 않습니다. 증분 실험(incrementality test, geo-lift)과 반드시 교차 검증해야 합니다.

3. "오가닉 채널은 기여도에서 빼야 한다" — 오가닉(자연 검색, 직접 유입)을 제외하면 브랜드 자산의 실질 기여를 놓칩니다. 오가닉을 하나의 접점으로 포함해야 진짜 그림이 나옵니다.

4. "모델은 한 번 정하면 끝" — 채널 믹스가 바뀌면(예: 카카오 신규 진입) 모델도 재학습해야 합니다. 분기별 리프레시가 표준입니다.

5. "어트리뷰션 = 성과 측정의 정답" — 어트리뷰션은 관찰 데이터(observational) 입니다. 진짜 인과는 홀드아웃 테스트로만 확인됩니다.