어트리뷰션과 인크리멘털리티는 다른 질문에 답한다 — 둘 다 필요한 이유

인크리멘털리티와 어트리뷰션은 마치 같은 데이터를 보는 경쟁 렌즈처럼 논의되곤 한다. 하지만 둘은 애초에 다른 질문에 답하도록 설계됐고, 근거로 삼는 증거의 형태도 다르다.

• 어트리뷰션: 관측된 마케팅 접점 중 어디에 전환의 공을 돌려야 하는가
• 인크리멘털리티: 그 마케팅 활동이 없었다면 일어나지 않았을 추가 전환을 실제로 만들어냈는가

어트리뷰션 다시 보기

어트리뷰션은 2015년경 마케팅 분석 팀들이 가장 아끼던 개념이었다. 마케터들은 전환 경로에 여러 접점이 존재한다는 사실을 발견했다.

디스플레이 → 페이드 소셜 → 오가닉 검색 → 이메일 → 구매

어트리뷰션 모델링이 여기서 등장했다. 공을 어떻게 나눌지에 대한 프레임워크다.

100달러 전환을 나누는 방식들

모델	디스플레이	페이드 소셜	오가닉 검색	이메일	배분 원리
퍼스트 터치	$100	$0	$0	$0	관측된 첫 상호작용에 전부
라스트 터치	$0	$0	$0	$100	구매 직전 마지막 접점에 전부
선형	$25	$25	$25	$25	관측된 모든 접점에 균등 배분
위치 기반	$40	$10	$10	$40	처음과 마지막에 가중, 중간이 나머지 분할
시간 감쇠	$10	$20	$30	$40	전환에 가까울수록 더 많은 공
데이터 드리븐	$30	$20	$20	$30	각 접점의 추정 기여도에 따라 배분

단순화한 예시라는 점은 유의해야 한다. 위치 기반 모델은 다른 가중 규칙을 쓸 수 있고, 시간 감쇠 배분은 타이밍에 따라 달라지며, 실제 데이터 드리븐 모델은 구현마다 다르다.

인크리멘털리티 101

인크리멘털리티는 2020년경부터 관심을 다시 얻었다. 수식에 따라 채널별로 공을 나누는 대신, 실제 라이브 판매 데이터에 대한 엄격하게 통제된 테스트에 의존한다.

이 판매 중 실제로 이 캠페인이 야기한 것은 몇 건인가. 어차피 일어났을 판매는 빼고.

그 답이 리프트(lift) 다.

숫자로 보는 예시

원문의 예시가 차이를 가장 선명하게 보여준다.

특정 캠페인의 리프트를 알고 싶다고 하자. 오디언스를 두 그룹으로 나눈다.

• 대조군: 캠페인에 노출되지 않는 집단
• 노출군: 캠페인을 보는 집단

30일간 캠페인을 돌린 뒤 결과를 본다.

그룹	구매 건수
노출군	1,000건
대조군	800건
증분 리프트	200건

여기가 핵심이다.

어트리뷰션 모델은 1,000건의 다수 또는 전부를 그 캠페인과 연관시킬 수 있다. 선택한 모델에 따라 관련된 플랫폼과 접점에 가치를 배분한다.

반면 인크리멘털리티는 오직 그 추가 200건만이 실제로 캠페인에 의해 야기됐다고 결론짓는다.

같은 캠페인, 같은 데이터, 다섯 배 차이 나는 결론. 이것이 두 프레임워크를 혼동하면 안 되는 이유다.

둘을 함께 쓰는 법

마케터가 잘못되는 지점은 어느 한쪽 프레임워크에 올인할 때다. 올바른 질문에 올바른 도구를 쓰기만 하면 두 개념은 잘 어울린다.

• 캠페인을 최적화하거나 고객 여정을 깊이 파고들려 한다면 어트리뷰션이 최고의 친구다. 플랫폼과 접점을 비교할 공유 성공 지표를 준다.
• 제안된 예산 삭감으로부터 예산을 방어하려 한다면 인크리멘털리티가 가장 강한 증거다. 어차피 일어났을 사업을 포착하는 대신 실제로 추가 사업을 만드는 채널이 무엇인지 보여준다.

비교표

	어트리뷰션	인크리멘털리티
핵심 질문	관측된 어떤 접점이 전환의 공을 받아야 하는가?	마케팅 활동 때문에 추가로 몇 건의 전환이 발생했는가?
최적 용도	상시 캠페인 최적화, 고객 여정 이해, 측정 가능한 채널 간 공 배분	투자가 추가적 사업 가치를 만드는지 검증, 상위 예산 결정
주요 맹점	상관은 인과가 아니다. 접점이 실제로 만들지 않은 전환의 공을 받을 수 있다	테스트가 비싸거나, 느리거나, 설계가 어려울 수 있고, 어떤 개별 접점이 영향을 줬는지 설명하지 못할 수 있다
주 이해관계자	채널 매니저, 퍼포먼스 마케터, 플랫폼 팀, 마케팅 분석 팀	마케팅 리더십, 재무, 데이터 사이언스, 그로스 전략, 예산 책임자

"이 숫자들이 왜 안 맞죠?"

원문 저자가 커리어 내내 시달린 질문이라고 한다.

채널 플랫폼이 보고한 매출이나 전환이 클라이언트의 CRM, 웹 분석, 다른 진실의 출처와 다를 때 나오는 질문이다. 거의 절대 완벽하게 일치하지 않는다.

클라이언트에게 간결하게 설명하기 어려운 것은 이것이다.

다르다는 사실이 어느 쪽이 틀렸다는 뜻은 아니다.

각 시스템은 자신이 관측할 수 있는 상호작용, 어떤 전환이 공을 받을 자격이 있는지, 상호작용 후 얼마나 오래 공을 귀속시킬 수 있는지에 대한 자체 로직을 적용한다. 어느 쪽도 "틀린" 것이 아니다.

광고 플랫폼은 고객이 구매 전에 광고를 보거나 클릭했다는 것을 정확히 관측하고 보고할 수 있다. 그러나

구매 전에 광고를 봤다는 증거가 그 광고가 구매를 야기했다는 증명은 아니다. 동시에 광고가 야기하지 않았다는 증명도 아니다.

자동화 캠페인에서 특히 중요해진다

이 구분은 플랫폼이 자동화 솔루션을 계속 밀면서 특히 중요해진다.

자동화 시스템은 플랫폼 내부에 정의된 전환 신호를 기준으로 성과를 최대화하도록 설계돼 있다. 당신이 공들여 계산한 증분 리프트 테스트 결과를 기준으로 성과를 최대화하도록 설계되지 않았다.

결과적으로 자동화 캠페인은 이미 전환 가능성이 높은 사용자와 연관된 오디언스, 지면, 쿼리를 타깃한다. 기존 고객, 브랜드 검색자, 리마케팅 오디언스 같은 것들이다.

그 전환들은 플랫폼의 어트리뷰션 모델상 완전히 유효할 수 있으면서도, 캠페인 리포트가 시사하는 것보다 적은 추가 매출을 만든다.

다시 말해 자동화 캠페인은 총 판매의 동등한 증가를 실제로 야기하지 않으면서도, 특정 캠페인에 귀속되는 전환 수를 늘릴 수 있다.

플랫폼 내 리프트 스터디에 대한 단서

플랫폼들이 리프트 스터디와 인크리멘털리티 중심 도구를 점점 더 제공하고 있는 것은 사실이다.

그러나 증분 가치가 자동으로 자동화 캠페인 최적화에 반영된다고 가정하는 것은 실수다.

"인사이트 없는 데이터는 무의미하고, 행동 없는 인사이트는 무용하다."

리프트 스터디는 누군가 그 발견을 캠페인 목표, 입력, 예산 결정에 적용할 때만 성과에 영향을 준다.

구글 애즈 같은 플랫폼이 통제된 리프트 실험을 제공할 수 있다. 그러나 광고주가 테스트 결과를 적용하거나 인크리멘털리티 최적화를 위해 명시적으로 설계된 캠페인 설정을 선택하지 않는 한, 측정 시스템과 전달 시스템은 여전히 서로 다른 성공 정의를 향해 일하게 된다.

일부 플랫폼이 이 문제를 다루기 시작했다. 메타는 광고가 직접 야기했다고 예측하는 전환 쪽으로 전달을 최적화하려는 증분 어트리뷰션 모델을 제공한다. 다만 현재로서는 광고주의 행동을 요구하는 특정 최적화 선택이지, 모든 자동화 캠페인의 내재 기능이 아니다.

어떤 질문에 답하려는지 알아야 한다

어트리뷰션과 인크리멘털리티는 하나의 결정적 지표를 찾기 위한 경쟁 방법이 아니다. 서로 다른 질문에 답하도록 설계된 서로 다른 도구다.

육각 렌치를 망치로 쓰려 하지는 않을 것이다.

• 어트리뷰션은 어떤 접점이 전환에 기여했는지 이해하도록 돕고 채널 비교의 공유 기반을 제공한다
• 인크리멘털리티는 마케팅 투자가 다른 방식으로는 일어나지 않았을 추가 전환을 만들었는지 이해하도록 돕는다

최고의 마케터는 둘 다 필요하다. 어트리뷰션이 캠페인 최적화와 고객 여정 이해에 필요한 상시 신호를 주는 동안, 인크리멘털리티는 그 최적화가 새 사업 가치를 만드는지 아니면 이미 존재하던 수요를 포착할 뿐인지 검증한다.

자동화 캠페인이 타게팅, 지면, 입찰, 예산 배분에 대한 통제권을 더 가져갈수록 양쪽을 이해하는 것이 더 중요해질 것이다.

시스템은 귀속된 전환을 최대화하는 데 탁월해지면서도 증분 성장을 만드는 데는 똑같이 효과적이지 않을 수 있다.

그러니 다음에 플랫폼 리포트가 CRM과 모순될 때, 어느 숫자가 틀렸다고 가정하지 말고 각 숫자가 어떤 질문에 답하도록 설계됐는지 물어라.

실무 정리

1. 두 질문을 섞지 않는다. 회의에서 "이 채널 성과가 어때?"라는 질문이 나올 때, 그것이 공 배분 질문인지 인과 질문인지 먼저 확인한다.

2. 인크리멘털리티 테스트는 큰 결정 앞에 배치한다. 매주 돌릴 수 있는 것이 아니다. 예산을 크게 옮기기 전, 새 채널을 도입하기 전 같은 분기점에 넣는다.

3. 어트리뷰션 모델 변경은 기준선 변경이다. 모델을 바꾸면 과거 성과가 다르게 보인다. 변경 시점을 기록하고 비교 기간을 분리해야 한다.

4. 자동화 캠페인의 전환을 증분으로 읽지 않는다. 자동화는 정의상 쉬운 전환을 향해 흐른다. 브랜드 검색이 섞이면 그 왜곡이 커진다 — 브랜드와 논브랜드 캠페인을 분리해야 ROAS가 정직해진다에서 다뤘다.

5. 리프트 스터디를 돌렸다면 결과를 설정에 반영한다. 측정만 하고 캠페인 목표를 그대로 두면 두 시스템이 다른 성공을 향해 간다.

6. 데이터 품질을 먼저 확보한다. 파라미터가 누락되면 어트리뷰션 모델도, 테스트의 대조군도 신뢰할 수 없다 — 구글 애널리틱스에 캠페인 진단 기능 추가 — GBRAID·gad_ 누락을 잡아준다에서 다뤘다.

7. 숫자를 결정으로 옮기는 기준을 따로 만든다. 대시보드는 일을 끝내주지 않는다 — 화면보다 판단 기준이 먼저다가 그 지점을 다룬다.

8. SEO 같은 비선형 채널은 블렌디드로 본다. 채널 단독 CAC로는 기여가 보이지 않는 구조는 SEO가 블렌디드 CAC를 낮추는 방식 — 오가닉 전환만 세면 보이지 않는다에서 정리했다.