한계 정의: 다바이스 변경(크로스 디바이스), 브라우저 쿠키 삭제 유저의 여정 파편화 현상과 식별 한계선

쿠키 기반 트래킹은 브라우저를 닫으면 더 이상 추적이 불가능하고, 웹사이트 A와 B에서 따라붙는 쿠키 ID는 서로 다릅니다. 같은 브라우저를 쓰더라도 방문한 사이트마다 쿠키 ID가 다르기 때문에, 앱 환경처럼 하나의 식별자로 모든 행동을 추적할 수는 없습니다. 여기에 더해 최근 브라우저들이 서드파티 쿠키를 기본적으로 차단하거나 유저가 직접 쿠키를 삭제하는 경우, 같은 사람이라도 이전 방문 기록과 연결되지 않은 '새로운 방문자'로 다시 잡히게 됩니다. 이 현상이 CJM에서는 실제로는 3번 방문한 한 명의 고객이 지도 위에서는 서로 다른 3명의 신규 방문자로 기록되는 왜곡으로 나타납니다.

한 소비자가 출근길에는 모바일로 상품을 검색하고, 퇴근 후에는 PC로 최종 결제하는 흐름은 매우 흔합니다. 하지만 이 두 세션은 서로 다른 디바이스의 서로 다른 쿠키·식별자로 기록되기 때문에, 로그인 같은 결정적 연결고리가 없다면 두 세션을 같은 사람의 여정으로 이어 붙일 방법이 없습니다. 기존의 쿠키 매칭(확률적 매칭) 시도는 여러 신호(IP, 기기 정보, 접속 패턴)를 조합해 추정하지만 종종 불일치하고 신뢰도가 낮다고 알려져 있어, CJM에서 크로스 디바이스 여정을 그릴 때는 이 추정의 불확실성을 반드시 함께 고려해야 합니다.

웹과 앱은 아이덴티티 식별·소스 추적 방법 자체가 판이하게 달라서, 이 둘의 데이터를 함께 수집하고 트래킹하는 데 근본적인 어려움이 있습니다. 웹은 브라우저 쿠키를, 앱은 기기 식별자(광고 ID 등)나 앱 자체의 로그인 세션을 기준으로 유저를 식별하는데, 이 두 체계를 연결하는 표준화된 방법이 없기 때문에 서로 다른 벤더의 SDK나 분석 툴을 함께 쓸 경우 데이터 통합 자체가 별도의 기술 프로젝트가 됩니다. 앱과 웹을 모두 운영하는 서비스는 이 문제를 CJM 설계 초기 단계에서부터 인지하고, 최소한 로그인 시점에는 반드시 공통 유저ID로 두 채널의 세션을 연결하는 장치를 마련해야 합니다.

이 모든 한계에도 불구하고 CJM이 무용한 것은 아닙니다. 로그인 등 결정적 식별자(유저ID)가 확보된 구간(예: 로그인 이후의 앱 내 행동, 회원 대상 이메일 클릭)은 정확하게 추적할 수 있습니다. 문제가 되는 것은 비로그인 구간(첫 방문, 비회원 탐색)인데, 이 구간에서는 여러 방문을 한 사람의 여정으로 잘못 합치거나, 반대로 한 사람의 여정을 여러 명으로 잘못 쪼갤 위험이 있습니다. 실무에서는 CJM 위에 이 두 구간을 시각적으로 구분해, 로그인 이전 구간의 수치는 '추정치'라는 라벨을 붙여 신뢰도 차이를 명확히 표시하는 것이 과신을 막는 실무적 방법입니다.

완벽한 해결은 불가능하지만, 파편화를 줄이는 실무적 장치는 있습니다. 로그인을 유도하는 시점을 여정 초반으로 앞당기거나(예: 첫 방문 시 간편 로그인 배너 노출), 로그인하지 않은 유저에게도 이메일이나 전화번호 같은 자체 식별자를 최대한 빨리 확보하는 캠페인(뉴스레터 구독, 알림 신청)을 배치하면, 결정적 식별자가 확보되는 시점을 앞당길 수 있습니다. 다만 이런 장치 자체가 또 다른 마찰 지점이 될 수 있으므로, 로그인 유도가 지나치게 공격적이면 오히려 이탈을 늘릴 수 있다는 점도 함께 고려해 균형을 잡아야 합니다.

파편화를 인지하지 못하면 실제로는 재방문인데 신규 방문으로 잘못 집계돼, 재방문율이 실제보다 낮게 나오는 착시가 생길 수 있습니다. 예를 들어 어떤 유저가 모바일에서 세 번, PC에서 두 번 방문한 뒤 최종 구매를 했다면, 크로스 디바이스 매칭이 안 된 상태의 데이터는 이를 다섯 명의 서로 다른 방문자가 각각 한 번씩 방문한 것으로 기록합니다. 이 상태에서 "우리 서비스는 재방문율이 낮다"고 결론 내리면, 실제로는 존재하지 않는 문제를 해결하려고 리소스를 쓰게 되는 잘못된 우선순위로 이어질 수 있습니다. CJM을 해석할 때는 항상 "이 수치가 파편화의 영향을 받았을 가능성이 있는가"를 먼저 자문하는 습관이 필요합니다.

CJM을 경영진이나 타 부서에 공유할 때, 이 기술적 한계를 함께 설명하지 않으면 지도 위의 모든 숫자가 똑같이 정확하다고 오해받기 쉽습니다. 로그인 전 구간의 수치가 실제보다 부풀려지거나 축소될 수 있다는 점을 미리 밝혀두면, 그 구간을 근거로 한 의사결정에서 불필요한 과신을 막을 수 있습니다. 특히 크로스 디바이스 여정 비율처럼 추정에 크게 의존하는 지표를 발표할 때는, 추정 방법론과 신뢰 구간을 함께 언급하는 것이 데이터를 다루는 조직으로서의 신뢰도를 높이는 방법입니다.