지금 우리 앱을 다운로드 한 유저, 혹은 지금 그 상품을 구매한 유저가 어떻게 유입되어 전환되었는지 궁금하시나요? 혹은 어떤 채널에서 광고를 집행해야 전환율을 가장 효과적으로 개선할 수 있을까요?

이에 대한 답을 찾아가는 데에 있어서 가장 중요한 것은 명확한 기준을 바탕으로 각 매체가 전환에 얼마만큼의 기여를 했는지 분석하고 가장 효과적인 매체를 찾는 겁니다. 이때 그 기준으로서의 역할을 하는 것이 바로 ‘어트리뷰션 모델(Attribution Model, 기여 모델)’입니다.

이번 포스트를 통해 마케팅을 한다면 반드시 필요한 성과 측정 및 분배를 위한 ‘어트리뷰션 모델’에 대해 이해하고, 우리 프로덕트에 적합한 어트리뷰션 모델을 채택해보세요.

어트리뷰션 모델(Attribution model, 기여 모델)이란?

‘어트리뷰션(attribution)’은 한국어로 번역하면 ‘기여’를 의미합니다. 어트리뷰션 모델은 유저의 전환(Conversion) 전, 어떤 터치포인트가 기여했는지 확인하는 방법론입니다. 여기서 ‘전환’은 앱 설치 그리고 결제 등과 같은 인앱 이벤트를 의미하며, ‘터치포인트’는 유저 여정(User Journey)에서 소셜 미디어 광고 캠페인 및 인앱 광고 등의 광고를 클릭하거나 조회하는 행동을 의미합니다. 다시 말해, 어떤 광고가 유저의 전환에 영향을 미쳤는지 파악하기 위해 어트리뷰션 모델을 활용하는 겁니다.

특히 Paid 마케팅을 집행했다면 어떤 캠페인이 가장 효과적이었고 목표 성과 달성에 기여했는지, 어떤 매체에서 유입된 유저가 가장 전환율이 높은지 등을 분석하고 마케팅 효율을 개선해야 합니다. 마케팅 예산은 한정적이고, 한정된 예산 속에서 최대의 효과를 발생시켜야하기 때문이죠. 게다가 유저의 구매까지의 여정이 복잡해진 만큼 다양해진 마케팅 채널과 매체에서 가장 효과적인 미디어 믹스(media mix)를 구성하는 것이 중요합니다.

이때 마케팅 성과를 제대로 측정하기 위해서는 적절한 ‘어트리뷰션 모델(Attribution Model, 기여 모델)’을 적용하여, 전환이 일어나기 전 발생한 터치포인트들에 각각 어느 정도의 기여를 분배할 것인지 결정해야 합니다. 하지만 모든 프로덕트에 공통적으로 적용되는 정답과 같은 어트리뷰션 모델은 존재하지 않기 때문에, 각 서비스 및 프로덕트 별로 적합한 어트리뷰션 모델을 적용해야 합니다.

이를 위해 우선적으로 필요한 것은 다양한 어트리뷰션 모델을 이해하는 겁니다. 주요 어트리뷰션 모델은 크게 규칙 기반(Rule-Based) 기여 모델인 싱글 터치 어트리뷰션 모델(Single-touch Attribution Model)과 멀티 터치 어트리뷰션 모델(Multi-touch Attribution Model), 그리고 데이터 기반(Data-Driven) 기여 모델로 나눌 수 있습니다.

싱글 터치 어트리뷰션 모델(Single-touch Attribution Model)

‘싱글 터치 어트리뷰션 모델’은 단 1개의 마케팅 채널에 모든 성과를 인정해주는 모델로, 퍼스트 터치 어트리뷰션(First-touch attribution)과 라스트 터치 어트리뷰션(Last-touch attribution) 두 가지 모델이 있습니다. 전환까지의 여정에 얼마나 많은 터치포인트가 있더라도 상관 없이, 하나의 터치포인트 기여만 인정한다는 것을 의미합니다. 가장 처음 발생한 터치포인트에만 모든 기여를 인정하고 싶다면 ‘퍼스트 터치 어트리뷰션 모델’을 적용하고, 반대로, 가장 마지막에 발생한 터치포인트에만 모든 기여를 인정하고 싶다면 ‘라스트 터치 어트리뷰션 모델’을 적용하면 됩니다.

퍼스트 터치 어트리뷰션 (First-touch attribution)

퍼스트 터치 어트리뷰션 모델은, 가장 먼저 발생한 터치 포인트에 모든 기여를 부여하는 모델입니다. 이 모델은 특히, 우리 제품 및 서비스를 우선 많은 유저에게 알리는 것이 중요한 때에 활용하면 좋습니다. 앱 설치 및 구매로 이어지기 위해서는 우리 제품 및 서비스를 알고 있어야만 하기 때문에 첫 인지가 중요합니다. 이 모델을 활용하면 잠재 고객에게 도달하는 데에 효과적인 마케팅 채널을 찾는 데에 도움이 될 수 있습니다. 가장 먼저 우리 제품 및 서비스를 노출하여 조회 혹은 클릭 하도록 만든 매체에게 모든 기여를 부여하기 때문에, 가장 많은 기여를 획득한 채널에 더 많은 캠페인을 집중하면 더 많은 잠재 고객에게 도달할 수 있습니다.

이 어트리뷰션 모델을 적용하는 경우, 주로 TOFU(Top of Funnel) 마케팅 활동에 집중하게 될 가능성이 높습니다. 브랜드 인지도를 높이고, 더 많은 잠재 고객에게 다가감으로써 구매를 더 많이 발생시키고자 노력할 겁니다. 이후의 유저 여정을 트래킹할 필요 없이, 첫 번째 터치포인트만 파악하면 되니 비교적 성과를 분석하고 추적하기에 수월할 수 있습니다.

그렇지만, 단순히 첫 번째 터치포인트에만 모든 기여를 집중하는 것에는 한계가 있을 수밖에 없습니다. 전체 유저 여정을 고려하지 않는 모델이며, TOFU 마케팅 활동을 지나치게 강조하기 때문입니다. 단지 TOFU에만 집중하게 되면, 이후에 푸시 알림이나 이메일 등의 CRM 혹은 리타겟팅 캠페인 등을 통해 전환될 가능성이 높은 유저들을 그냥 놓치게 되어버릴 수 있죠. 아무리 많은 잠재 고객을 불러모았다고 하더라도, 이후의 추가적인 마케팅 활동이 없다면 유저를 전환하게 만들 가능성이 줄어들게 됩니다. 또한, 자동차 등 고관여 제품이라서 유저의 여정이 긴 경우나 해외 여행 등 서비스 사용 텀이 길 수밖에 없는 서비스의 경우, 설정한 기여 기간을 벗어나 첫 번째 터치포인트 데이터를 잃어버려서 성과를 측정할 수 없는 상황이 발생할 수도 있습니다.

💡 기여 기간: 기여 모델을 적용시키는 기간으로, 룩백 윈도우(Lookback Window) 및 어트리뷰션 윈도우(Attribution Window)라고 표현합니다. 서비스 또는 채널별 적합한 기여 기간을 설정해야 합니다.

라스트 터치 어트리뷰션 (Last-touch attribution)

라스트 터치 어트리뷰션 모델은 가장 일반적으로 활용되는 모델로, 전환 직전 마지막 단 1개의 터치포인트에 모든 성과를 부여합니다. 이미 브랜드 인지도 측면은 갖추어져 있으나, 잠재고객의 ‘전환’에 초점을 맞추고 있는 제품 및 서비스에서 활용하면 좋습니다. 또한 비교적 긴 판매 사이클을 가지고 있거나 멀티 터치 어트리뷰션 모델을 사용하기 어려운 경우에는 라스트 터치 포인트 모델로 단순화하여 성과를 측정할 수 있습니다. 복잡한 어트리뷰션 모델을 단순화하여 진행할 수 있기 때문에 적은 리소스로도 꽤 합리적인 성과를 측정할 수 있습니다. 매체와의 광고비 정산 기준을 협의할 때 주로 활용되는 모델인 만큼, 이 모델을 활용하기만 해도 높은 전환율을 보이는 매체를 파악하여 마케팅 예산을 조정하도록 도와줄 수 있습니다.

하지만, 라스트 터치 어트리뷰션 모델은 오직 마지막 터치포인트에만 모든 기여가 집중이 되기 때문에, 이전에 발생한 터치포인트들은 무시된다는 한계가 발생합니다. 원래 구매할 의도를 가지고 있었거나, 브랜드 인지도 등으로 인한 영향력은 분석할 수 없게 됩니다. Paid 광고에 대한 터치 포인트가 하나라도 있었다면 해당 유저의 전환에 대한 기여도의 100%를 마지막 터치 포인트가 가져가게 되죠. 그렇기 때문에, 유저 전환에 영향을 미친 다른 터치 포인트들의 성과에 대해 제대로 분석할 수 없습니다.

멀티 터치 어트리뷰션 모델(Multi-touch attribution model)

한편, 싱글 터치 어트리뷰션 모델의 한계를 보완할 수 있는 모델이 ‘멀티 터치 어트리뷰션 모델’입니다.

앞서 언급한 것처럼, 유저의 여정은 다양하고 복잡해졌습니다. 개인이 사용하는 기기도 늘어났고, 마주하는 플랫폼도 다양해졌습니다. 첫 터치 포인트부터 마지막 전환까지 이어지는 여정에서 다양한 터치 포인트들이 발생할 수밖에 없습니다. 이러한 상황에 대해 마케터들은 어떤 터치 포인트가 가장 영향력있는지 여러 터치 포인트들에 대해 성과를 분석하여 마케팅 믹스를 최적화해야 합니다. 즉, ‘멀티 터치 어트리뷰션’ 모델이 필요합니다.

‘멀티 터치 어트리뷰션 모델’이란, 유저 여정에서 발생한 각각의 터치포인트들에 대해 가치를 부여하는 모델입니다. 즉, 싱글 터치 어트리뷰션 모델처럼 한 개의 터치 포인트에만 모든 기여를 부여하는 것이 아닌, 최종 결과에 영향을 미친 많은 다양한 터치 포인트들에게 기여를 부여하는 겁니다. 이 터치 포인트들에는 Paid 광고 캠페인은 물론, 블로그 포스트 등의 Owned 매체까지도 포함될 수 있습니다. 멀티 터치 어트리뷰션은 발생한 여러 터치 포인트들을 놓치지 않고 분석하여, 고객 전환에 기여한 진짜 마케팅 성과를 측정하도록 도와줄 수 있습니다.

그렇다면 어떻게하면 여러 터치 포인트에 제대로 기여를 분배할 수 있을까요? 대표적인 온라인 광고 플랫폼 중 하나인 Google Ads에서 성과 분석을 위해 제공하고 있는 대표적인 멀티 터치 어트리뷰션 모델들은 다음과 같습니다.

선형 모델 (Linear)

해당 여정에서 발생한 모든 광고 매체에 동일한 기여도를 부여하는 모델입니다. 몇 개의 터치 포인트(광고 매체)가 존재하든지, 모든 터치 포인트데 동일한 가중치를 부여해서 마케팅 기여도를 평가합니다. 이는 광고주가 모든 마케팅 경로를 중요하게 여겨서 동일한 가중치를 부여하고 싶을 때 유용한 방식입니다. 다만, 각 매체별로 완전히 동일한 가중치를 부여하기 때문에, 특정 마케팅 캠페인의 경로가 상대적으로 길거나 몇몇 채널이 갖는 영향력이 누가 봐도 클 수 밖에 없는 경우에는 다소 비현실적인 어트리뷰션 방법이라고 할 수 있습니다.

시간 가치 모델 (Time Decay)

전환 시점을 기준으로 했을 때, 가장 최근에 유입된 채널에 가장 많은 기여도를 부여합니다. 전환 시점에 가까운 채널일수록 어트리뷰션 가중치가 증가합니다. 고관여 제품이거나 구매 주기가 긴 제품이나 서비스인 경우에 유용한 방식일 수 있습니다. 다만, 이 방식은 유입 경로의 앞 부분에 위치한 매체가 더 많은 유저를 획득할 수 있는 채널이라면 향후 더 많은 고객을 확보할 수 있는 기회를 상실할 수도 있습니다.

시점 기반 (Position-based)

Google Ads에서는 첫 번째와 마지막 터치포인트에 각각 40%의 기여도를 부여하고, 나머지 터치포인트에 대해 나머지 20% 기여도를 분배하는 방식입니다. U-Shape 모델이라고도 할 수 있습니다. 경로 상의 처음과 끝, 즉 특정 제품에 대한 첫 인지와 마지막 전환에 직접적으로 기여한 채널을 높게 평가하면서도, 중간 지점에 위치하는 매체들에게도 어느 정도의 기여도를 분배해줄 수 있습니다. 다만, 마케팅 경로가 짧은 경우에는 크게 효과적이진 않으며, 다양한 마케팅 채널들의 특징을 판단하기 어려운 경우엔 사용하기 쉽지 않은 모델입니다.

데이터 기반 어트리뷰션 모델 (Data-driven Attribution Model)

데이터 기반 어트리뷰션 모델은 전환이 발생하기 전, 유저의 광고 조회 혹은 클릭 등의 데이터를 기준으로 전환 기여도를 분배하는 방식입니다. 전환 경로에서 각 터치포인트들의 실제 기여도를 계산하기 위해 실제 데이터를 사용한다는 점이 규칙 기반 모델들과의 차별점입니다. 이 분석을 통해 계정의 ‘데이터’를 사용하여 비즈니스 목표에 가장 큰 영향을 미치는 키워드, 광고, 캠페인을 찾을 수 있습니다. 데이터 기반 기여도 분석에는 크게 다음의 두 가지의 방법이 사용됩니다.

• 섀플리 밸류(Shapley Value)는 발생 가능한 모든 조합을 통해, 전환 확률 모델을 만들어서 기여도를 분석합니다. 즉, 랜덤으로 다양한 조합을 만들어서 발생할 수 있는 전환 성과를 비교해보는 겁니다. 전환된 유저와 전환되지 않은 유저의 데이터를 모두 포함한 데이터를 기반으로, 특정 마케팅 터치포인트의 존재와 시기가 유저의 전환 가능성에 어떤 영향을 미칠 수 있는지 분석합니다. 광고에 노출된 유저의 전환 확률과 노출되지 않은 유사한 유저의 전환 확률을 비교하여 유저가 특정 광고에 노출될 경우, 전환 경로의 특정 지점에서 전환할 가능성을 분석할 수 있습니다. Google Ads의 데이터 기반 기여 모델의 기초 이론으로 채택된 방법론으로, 특히 Google Ads의 데이터 기반 기여도 분석은 운영하고 있는 다양한 지면인 Google 검색(쇼핑 포함), YouTube, 디스플레이 광고를 통해 발생한 웹사이트, 매장 방문, Google 애널리틱스 전환을 확인할 수 있습니다.
• 마르코프 체인(Markov chain)은 마르코프 성질을 가진 이산 확률 과정으로, 다시 말해 특정 상태에서 다른 상태로 전이하는 확률을 다루는 이론입니다. 이를 마케팅 기여도 분석에 적용하면, 채널 간 전환 확률을 구하여 모델링을 진행하는 방식을 의미합니다. 구매 전환에 이르기까지는 특정 상품에 대한 관심부터 시작하여 여러 마케팅 채널을 거치게 됩니다. 이 과정을 모두 어떤 ‘상태’로 간주하여, 각 마케팅 채널이 구매 전환까지 이어지는 영향력을 측정하는 겁니다. 구체적인 방법으로는 전환 여정에서 특정 채널이 전환에 얼마나 기여했는지를 파악하기 위해, 특정 채널이 여정 상에 없을 때의 전환 확률을 계산하여 확인합니다.

데이터 기반 어트리뷰션 모델은 기존에 널리 사용되고 있는 규칙 기반 어트리뷰션 모델과는 다르게, 실제 수치 데이터를 바탕으로 성과를 확인할 수 있기 때문에, 규칙 기반 어트리뷰션 모델의 한계를 보완할 수 있다는 장점이 있습니다. 그렇기 때문에 Google Ads에서도 대부분 전환에 대해 기본 기여 분석 모델로, 데이터 기반 어트리뷰션 분석을 사용하고 있습니다. 데이터 기반 접근 방식을 사용하면 추측이 아닌 실제 데이터를 바탕으로 적합한 모델을 선택할 수 있으며, 이를 통해 매체 운영을 위한 계획 수립에 도움을 받을 수 있습니다.

우리 프로덕트 및 서비스에 적합한 마케팅 어트리뷰션 모델을 채택하고 진짜 마케팅 성과를 분석해보세요.

모든 프로덕트 및 서비스에 정답으로 적용할 수 있는 마케팅 어트리뷰션 모델은 존재하지 않습니다. 진짜 마케팅 성과 분석을 위해서는 우리 프로덕트 및 서비스에 맞는 어트리뷰션 모델을 찾아 선택하는 것부터 시작해야 합니다. 이를 위해서는 먼저, 어트리뷰션 모델들에 대해 알아보고 특성을 살펴보고 이해합니다. 그리고 우리 프로덕트 및 서비스가 가진 특징 및 놓인 상황에 따라 적절한 어트리뷰션 모델을 적용합니다.

이때, 반드시 앞서 소개한 어트리뷰션 모델 중 하나로만 선택해야 하는 것은 아닙니다. 커스텀하게 조정할 수도 있고, 사용하고 있는 MMP의 어트리뷰션 모델을 하나의 기준으로 삼을 수도 있죠. 또는 여러 어트리뷰션 모델을 기반으로 마케팅 성과를 측정하고 분석해보며 최적의 모델을 찾아가는 것도 좋습니다. 더 나아가 모바일과 웹 뿐만 아니라 TV, 옥외 광고 등 여러 채널에 걸친 대규모 마케팅 기획 및 장기간 전략을 수립하기 위해 ‘마케팅 믹스 모델링(Marketing Mix Modeling)’과 같은 보다 거시적인 모델이 필요할 수도 있습니다.

👉 어트리뷰션 모델에 대한 보다 자세한 내용은 에어브릿지 핸드북 01 - 어트리뷰션에서 확인해보세요.

마케팅 성과 최적화는 진짜 성과 분석에서부터 시작해야 합니다. 진짜 마케팅 성과를 분석하기 위한 방법, 에어브릿지의 어트리뷰션 전문가들과 함께 알아보세요.