미국 디지털 마케팅 업계에서 멀티터치 어트리뷰션은 거의 신앙에 가깝습니다. "마지막 클릭만 보면 안 된다", "데이터 기반으로 결정해야 한다"는 말은 이제 마케터라면 누구나 입에 달고 사는 기본 덕목이 되었죠. 그래서 대부분의 브랜드가 구글 애널리틱스 4의 데이터 기반 어트리뷰션이나 서드파티 MTA 툴을 도입하고, 그 지표에 따라 예산을 재분배합니다.
하지만 저는 15년간 미국 시장에서 수백 개의 캠페인을 직접 분석하면서 한 가지 불편한 진실을 발견했습니다. 현재 대부분의 MTA 모델은 '터치포인트 간 크레딧 분배'라는 기술적 문제에만 집착한 나머지, 광고의 실제 인과적 효과를 전혀 반영하지 못한다는 점입니다. 결과적으로 MTA가 제시하는 '최적화 방향'을 그대로 따르면 오히려 예산을 낭비하게 되는 아이러니가 발생합니다.
이 글에서는 미국 현장에서 확인된 MTA의 세 가지 치명적 함정과, 이를 극복할 수 있는 실질적인 대안을 제시합니다. 어트리뷰션 모델을 고민하는 마케터라면 반드시 읽어보시길 권합니다.
함정 1: 상관관계를 인과관계로 착각하는 MTA
가장 흔하면서도 가장 위험한 오류입니다. MTA는 기본적으로 '터치가 발생한 후 전환이 일어났다'는 시계열 데이터를 분석합니다. 이 과정에서 터치 자체가 전환을 유발했는지, 아니면 전환하려는 고객이 우연히 거쳐 간 경로인지 구분하지 못합니다.
실제 사례를 들어보겠습니다. 미국의 한 D2C 스킨케어 브랜드는 데이터 기반 어트리뷰션 모델을 통해 '브랜드 검색 광고'에 전체 전환의 35% 크레딧을 할당했습니다. 논리적으로 보면 사람들이 브랜드명을 검색해 들어와 구매했으니, 광고가 효과가 있는 것처럼 보였죠. 하지만 Incrementality Test를 진행해보니 충격적인 결과가 나왔습니다. 브랜드 검색 광고를 완전히 중단했을 때 오히려 유기적 전환율이 12% 상승한 것입니다. 왜 그런 일이 발생했을까요?
원인은 간단했습니다. 브랜드를 검색하는 고객은 이미 구매 의사가 확정된 '하방' 고객이었습니다. 그들에게 브랜드 검색 광고를 노출하는 것은 유기적 트래픽을 유료로 돌리는 것에 불과했죠. 게다가 검색 결과 페이지 상단의 유료 광고를 클릭한 고객은 무료 클릭을 하지 않았기 때문에, 광고가 없었다면 유기적으로 전환되었을 고객에게 비용을 지불한 셈이었습니다.
MTA는 이 현상을 절대 잡아내지 못합니다. 터치가 발생했고, 전환이 일어났으며, 시간 순서상 인과관계가 성립하는 것처럼 보이지만, 실제로는 아무것도 추가로 창출하지 않은 광고에 크레딧을 주고 있는 것입니다.
이와 유사한 패턴은 리타게팅 디스플레이 광고에서도 자주 나타납니다. 이미 구매를 결심한 고객이 사이트를 방문했다가 떠난 뒤, 리타게팅 광고를 보고 다시 돌아와 전환하는 경우 MTA는 리타게팅에 높은 크레딧을 줍니다. 하지만 실제 인과효과를 측정해보면 리타게팅을 하지 않아도 동일한 비율의 고객이 자연스럽게 돌아왔을 가능성이 높습니다. 실제로 미국의 한 주요 이커머스 플랫폼에서 진행한 실험에서는 리타게팅 광고의 증분 효과가 0에 가까웠습니다.
해결 방안
MTA가 특정 채널에 높은 크레딧을 할당하면, 그것은 '이 채널이 중요해 보인다'는 가설일 뿐입니다. 반드시 무작위 대조 실험이나 Geo-Test로 검증해야 합니다. 미국 시장에서는 구글의 Ghost Ads 테스트나 메타의 Conversion Lift Study가 실용적인 도구입니다. 이 테스트 결과와 MTA 크레딧이 일치하지 않는 경우가 최소 60% 이상이라는 점을 명심하세요.
함정 2: 시간적 맥락을 무시하는 MTA의 평균주의
두 번째 함정은 시간 관련 변수를 단순화한다는 점입니다. 대부분의 MTA는 시간 감쇠 함수를 사용해 전환에 가까운 터치에 더 높은 가중치를 줍니다. 하지만 제품 카테고리와 소비자 의사결정 유형에 따라 '결정적 순간'의 위치는 완전히 달라지는데, MTA는 이 차이를 무시합니다.
고관여 구매의 대표적인 예로 자동차를 생각해보세요. 소비자는 보통 30~60일 동안 여러 소스에서 정보를 수집합니다. 이 과정에서 첫 번째 인지 터치포인트가 브랜드 고려 세트에 진입할지 여부를 결정합니다. 그런데 MTA의 시간 감쇠 모델은 첫 터치에 낮은 가중치를 주고, 구매 직전의 딜러 방문이나 검색 광고에 높은 크레딧을 줍니다. 실제로는 첫 터치가 없었다면 나머지 경로 자체가 존재하지 않았을 텐데 말이죠.
반대로 저관여 소비재의 경우 소비자는 빠르게 결정하고 마지막 프로모션이나 배너가 결정적일 수 있습니다. 그런데 동일한 MTA 모델을 모든 캠페인에 적용하면 고관여 제품에서는 첫 터치를, 저관여 제품에서는 마지막 터치를 과소평가하게 됩니다.
더 미묘한 문제는 터치의 밀도입니다. 제가 미국의 한 이커머스 브랜드 데이터를 분석한 결과, 같은 7일 동안 3번의 터치가 발생한 경우와 14일 동안 3번의 터치가 발생한 경우는 완전히 다른 소비자 심리를 반영했습니다. 밀도가 높은 경로는 일반적으로 긴박한 프로모션에 의해 유도된 '임펄스 구매'일 가능성이 높고, 밀도가 낮은 경로는 신중한 고려 과정을 거친 '계획 구매'일 가능성이 높습니다. 그런데 MTA는 터치포인트 수만 동일하면 동일한 가중치를 적용합니다. 이는 매우 위험한 단순화입니다.
해결 방안
MTA 모델의 시간 감쇠 파라미터를 캠페인별로 조정하거나, 제품 카테고리별로 별도의 어트리뷰션 모델을 구축하세요. 예를 들어 B2B SaaS의 경우 90일 윈도우에 첫 터치 가중치를 높이고, 패스트 패션의 경우 7일 윈도우에 마지막 터치 가중치를 높이는 식입니다. 또한 터치 밀도를 추가 피처로 모델에 포함하면 더 정확한 크레딧 분배가 가능합니다.
함정 3: 크로스 디바이스의 '유령 터치' 문제
미국 소비자의 87%는 하루에 최소 3개 이상의 디바이스를 사용합니다. 문제는 MTA가 크로스 디바이스 추적을 '해결했다'고 말할 때, 실제로는 확률적 매칭에 의존하고 있다는 점입니다.
확률적 매칭은 IP 주소, 브라우저 지문, 디바이스 그래프 등을 조합해 '이 모바일 유저와 이 데스크톱 유저가 동일인일 확률이 80%다'라고 추정합니다. 문제는 이 확률이 실제로는 훨씬 낮은 경우가 많다는 것입니다.
미국의 한 대형 리테일러와 협업하며 진행한 프로젝트에서 충격적인 사실을 발견했습니다. 그들의 MTA 시스템에서 '모바일에서 첫 터치, 데스크톱에서 전환'으로 기록된 경로 중 약 40%가 실제로는 같은 사람이 아니었습니다. 특히 가족 구성원이 공유하는 태블릿이나 가정용 데스크톱의 경우, 아내가 모바일에서 광고를 보고 남편이 데스크톱에서 구매하는 패턴이 자주 발생했습니다. MTA는 이것을 '크로스 디바이스 전환'으로 기록했고, 결과적으로 모바일 광고에 크레딧을 잘못 할당했습니다.
이로 인해 클라이언트는 '모바일 광고가 데스크톱 전환을 유도한다'는 인사이트를 얻었고, 모바일 디스플레이 예산을 30% 증액했습니다. 하지만 실제 전환율은 오히려 하락했습니다. 모바일 광고가 실제로는 기여하지 않는 전환에 크레딧을 받고 있었기 때문에, 잘못된 신호에 기반해 예산을 늘린 셈이었습니다.
크로스 디바이스 오류는 또한 터치포인트 수를 인위적으로 증가시킵니다. 동일한 사용자가 모바일에서 한 번, 데스크톱에서 한 번 광고를 보면 MTA는 이것을 서로 다른 두 개의 터치로 기록하지만, 동일인이 아닌 다른 가족 구성원이 본 경우에는 실제로는 터치 수가 과장된 것입니다. 이렇게 부풀려진 터치 데이터는 MTA의 크레딧 분배를 왜곡합니다.
해결 방안
확률적 매칭에만 의존하지 말고, 로그인 기반의 결정적 매칭을 우선 활용하세요. 미국 시장에서는 데이터 클린룸 솔루션을 통해 퍼스트파티 데이터로 크로스 디바이스를 연결하는 것이 가장 정확합니다. 또한 MTA 결과를 해석할 때 '동일인이 아닐 가능성'을 항상 염두에 두고, 크로스 디바이스 전환 비율이 높은 채널은 추가 검증을 진행하세요.
대안: Incrementality-Centered Attribution Framework
그렇다면 MTA를 완전히 버려야 할까요? 아닙니다. MTA는 완벽하지 않지만, '아무것도 하지 않는 것'보다는 낫습니다. 중요한 것은 MTA를 '진리'가 아닌 '가설 생성 도구'로 사용하는 것입니다. 제가 미국 시장에서 여러 브랜드와 함께 개발한 4단계 프레임워크를 소개합니다.
1단계: MTA로 가설을 생성하라
MTA가 "페이스북 광고가 전환의 40%를 기여합니다"라고 말하면, 그것은 '페이스북 광고가 실제로 40%의 인과효과를 가질 가능성이 있다'는 가설일 뿐입니다. 즉시 예산을 늘리지 말고, 이 가설을 검증하기 위한 실험을 설계하세요.
2단계: Incrementality Test로 검증하라
MTA가 지목한 채널에 대해 다음과 같은 실험을 진행합니다.
- 구글 Ghost Ads 테스트: 검색 광고의 경우, 일부 키워드를 무작위로 '노출되지 않도록' 설정한 후, 유기적 전환과의 차이를 측정합니다.
- 메타 Conversion Lift: 브랜드의 메타 광고 계정에서 A/B 테스트를 진행합니다. 무작위로 선정된 대조군에게는 광고를 노출하지 않고, 실험군에게는 노출합니다. 두 그룹의 전환율 차이가 실제 증분 효과입니다.
- Geo-Test: 미국 내 특정 지역에서는 광고를 켜고, 유사한 특성을 가진 다른 지역에서는 광고를 끈 후, 전환 차이를 분석합니다.
이 테스트의 결과가 MTA 크레딧과 일치하지 않는 경우가 많다는 점을 경험상 확인했습니다. MTA가 '효과적'이라고 말한 채널이 실제로는 인크리멘탈이 0에 가까운 경우도 있었고, 반대로 MTA가 낮은 크레딧을 준 채널이 큰 증분 효과를 내는 경우도 있었습니다.
3단계: Budget Elasticity Curve를 구축하라
MTA가 아니라 예산 증감에 따른 실질 전환 증가율에 기반해 예산을 배분하세요. 예를 들어, 어떤 채널에 예산을 20% 늘렸을 때 전환이 5%만 증가한다면 한계 효용이 낮은 것입니다. 반면 예산을 10% 줄였을 때 전환이 3%만 감소한다면, 해당 채널에 과도하게 지출하고 있을 가능성이 높습니다.
이를 계산하려면 최소 3~4개의 예산 수준에 대해 실험을 진행하고, 각 수준에서의 증분 전환을 측정하세요. 데이터가 충분하지 않다면 마케팅 믹스 모델링을 보완적으로 활용할 수 있습니다. MMM은 MTA보다 덜 세밀하지만, 인과관계를 더 잘 반영합니다.
4단계: 'Intent Signal'을 MTA에 통합하라
마지막으로 MTA 모델 자체를 개선할 수 있는 방법이 있습니다. 단순한 클릭이나 노출이 아니라, 터치포인트에서 발생한 사용자 행동의 질을 가중치에 반영하는 것입니다.
예를 들어, 같은 페이스북 광고라도 2초만 머문 사용자와 30초 동안 영상을 시청한 사용자는 완전히 다른 의도 수준을 보여줍니다. 페이지 체류 시간, 스크롤 깊이, 장바구니 추가 여부, 뉴스레터 구독 등의 '의도 신호'를 수집해 MTA 모델에 추가하면, 단순 터치 횟수보다 훨씬 정확한 어트리뷰션이 가능합니다. 구글 애널리틱스 4의 일부 프리미엄 기능이나 히트맵 분석 툴을 활용하면 신호 데이터를 수집할 수 있습니다.
결론: 숫자에 대한 집착을 버려라
미국 마케터들이 MTA에 집착하는 이유는 이해할 만합니다. '측정 가능한 것'이 '의미 있는 것'보다 우선시되는 문화 속에서 MTA는 '과학적으로 검증된 최적화'라는 환상을 제공하기 때문입니다. 하지만 진정한 전문가는 MTA가 제공하는 숫자를 맹신하지 않습니다.
완벽한 어트리뷰션은 존재하지 않습니다. 존재하는 것은 '충분히 나쁘지 않은 가정'과 '지속적인 실험'뿐입니다. MTA가 말하는 대로 예산을 옮기기 전에, 그 '데이터 기반 결정'이 실제로는 상관관계의 착시일 가능성을 항상 의심하세요.
지금 사용 중인 MTA 모델이 '정확하다'고 느껴진다면, 오히려 그것이 위험 신호입니다. 진정한 데이터 기반 마케팅은 데이터를 신봉하는 것이 아니라, 데이터가 제기한 질문을 실험으로 검증하는 과정이어야 합니다. MTA는 그 질문을 던지는 도구일 뿐, 정답을 주는 신탁이 아닙니다.