12CODE
지금 읽는 곳 지금 선택할 수 있는 모델은 무엇이 남았나 1 / 6
12code 라이브러리 아티클 표지. 라스트클릭 vs 데이터기반 어트리뷰션 전환 시 과거 성과 데이터를 재해석하는 방법
S3› 3-2› 과목 235› 레슨 04

라스트클릭 vs 데이터기반 어트리뷰션 전환 시 과거 성과 데이터를 재해석하는 방법

모델을 바꾸면 과거 숫자가 달라지는 것이 아니라, 같은 전환을 다른 규칙으로 나눈 두 번째 장부가 생기는 것입니다.

이 과목 04 / 33편 고급 4분
과목 ID235
트랙S3
모듈3-2
레슨04
난이도고급
플랫폼공통
발행일2026-09-01
검토일2026-09-01
관련 과목112 · 80 · 213
출처10건
핵심요약5개
01

GA4는 2023년 11월부로 첫 클릭·선형·시간 가치 하락·위치 기반 규칙 기반 모델 지원을 종료했고, 해당 전환은 데이터 기반 어트리뷰션(DDA)으로 자동 업그레이드됐다

02

2026년 현재 GA4에서 고를 수 있는 모델은 데이터 기반, 유료+오가닉 라스트 클릭, 구글 유료 채널 라스트 클릭 세 가지뿐이다

03

DDA는 섀플리 가치 기반 알고리즘으로 전환된 경로와 전환되지 않은 경로를 함께 써서 반사실적으로 기여도를 계산하며, 전환 후 최대 7일까지 재기여가 일어난다

04

모델 전환 시 과거 수치를 다시 계산해 붙이는 것은 불가능하므로, 비교는 '같은 기간을 두 모델로 동시에 본' 병행 구간에서만 성립한다

05

매체 쪽 변화도 함께 봐야 한다 — 메타는 2026년 1월 12일 인사이트 API에서 7일·28일 조회 기여 옵션을 영구 제거했고, 이 옵션을 쓰던 계정은 귀속 전환수가 15~40% 급감했다는 업계 집계가 있다

01

지금 선택할 수 있는 모델은 무엇이 남았나

먼저 선택지를 정리하고 시작해야 논의가 헛돌지 않습니다. GA4는 2023년 11월부로 첫 클릭(First Click), 선형(Linear), 시간 가치 하락(Time Decay), 위치 기반(Position-based) 규칙 기반 모델의 지원을 종료했고, 이 모델을 쓰던 기존 전환 액션은 자동으로 데이터 기반 어트리뷰션으로 업그레이드됐습니다. 지원 종료 이후에는 이 네 모델을 신규로 선택하는 것 자체가 불가능하고, 과거 리포트에서 그 기준 수치를 다시 보려면 별도 백업이 없는 한 재현할 수 없습니다. 2026년 현재 실제로 고를 수 있는 것은 데이터 기반, 유료+오가닉 라스트 클릭, 구글 유료 채널 라스트 클릭 세 가지이며, 마지막 모델은 경로에 구글 광고 클릭이 없으면 유료+오가닉 라스트 클릭으로 자동 대체됩니다. 즉 '라스트클릭에서 DDA로 전환한다'는 논의는 실무적으로 남은 두 선택지 사이의 이동입니다.

02

DDA는 라스트클릭과 무엇이 다르게 계산하나

라스트 터치 모델은 마지막 터치포인트에 모든 기여를 몰아주므로 그 이전 터치포인트는 분석에서 통째로 무시됩니다. 반면 GA4의 데이터 기반 어트리뷰션은 노벨경제학상 수상자 로이드 섀플리가 협력 게임이론에서 제시한 섀플리 가치 개념에 기반한 알고리즘을 씁니다. 전환에 이른 경로뿐 아니라 전환에 이르지 못한 경로 데이터까지 함께 사용해, 각 터치포인트를 경로에 추가했을 때 전환 확률이 얼마나 달라지는지를 '있었다면 vs 없었다면' 방식으로 비교해 기여도를 계산합니다. 계산에는 전환까지 걸린 시간, 기기 유형, 광고 상호작용 횟수, 노출 순서, 소재 유형 같은 요인이 함께 고려됩니다. 다만 구글은 각 요인의 가중치나 정확한 산출 공식은 공개하지 않으므로, 광고주에게 설명할 때 '원리는 공개돼 있고 세부 수식은 비공개'라고 정확히 선을 그어야 합니다. 검증 불가능한 블랙박스라고 단정하는 것도, 완전히 투명하다고 말하는 것도 둘 다 사실이 아닙니다.

03

과거 데이터를 소급해서 다시 계산할 수 있나

없습니다. 그리고 이 사실이 재해석 전략 전체를 결정합니다. GA4에서 키 이벤트로 설정한 기여도는 설정 시점부터만 조회되고 과거 기간에는 소급 적용되지 않습니다. 폐기된 규칙 기반 모델 기준 수치도 별도 백업이 없으면 되살릴 수 없습니다. 그러므로 실무에서 할 수 있는 유일한 정공법은 '병행 구간을 만들어 두 장부를 동시에 확보하는 것'입니다. 구체적으로는 전환 시점부터 최소 한 개 이상의 완전한 판매주기(예: 4주 또는 8주)를 잡아, 같은 기간·같은 전환에 대해 라스트클릭 기준 수치와 DDA 기준 수치를 채널별로 나란히 뽑아 표로 남기십시오. 이 표가 있어야 이후 시계열 그래프에서 생기는 계단을 설명할 수 있습니다. 병행 구간 표에는 채널별 전환수·매출과 함께 두 모델의 차이(절대값과 비율)를 계산해 넣고, 차이가 가장 큰 채널 세 개를 따로 표시해두면 광고주 보고에서 바로 쓸 수 있습니다.

04

시계열 비교는 어디에 선을 긋고 읽어야 하나

모델을 바꾼 날짜, 조회기간을 바꾼 날짜, 매체 정책이 바뀐 날짜를 모두 세로선으로 그어놓고 그래프를 읽는 습관을 들이십시오. 특히 조회기간은 눈에 잘 띄지 않는 변수입니다. GA4 키 이벤트의 조회기간은 하나의 터치포인트가 기여를 인정받을 수 있는 유효 기간을 정하는 설정으로, 획득 이벤트(first_open, first_visit)는 기본 30일(7일로 변경 가능), 그 외 대부분 이벤트는 기본 90일(30일 또는 60일로 변경 가능), 참여 조회 키 이벤트는 기본 3일입니다. 조회기간을 넓히면 오래된 터치포인트까지 기여를 인정받아 상단 퍼널 채널 성과가 올라가고, 좁히면 하단 퍼널 채널이 유리해집니다. 모델과 조회기간을 같은 주에 함께 바꾸면 어느 쪽이 변화를 만들었는지 영원히 알 수 없으니, 두 변경은 반드시 최소 한 사이클 이상 간격을 두고 순차로 적용하십시오.

05

숫자가 며칠 뒤 달라지는 것은 오류인가

아닙니다. GA4 DDA는 전환 발생 후에도 최대 7일까지 재기여가 이뤄져, 전환 시점 이후 새로 들어온 데이터를 반영해 과거 전환의 기여 배분이 다시 계산될 수 있습니다. 전환 직후 본 채널별 기여도가 며칠 뒤 소폭 달라지는 것은 오류가 아니라 설계된 동작입니다. 여기에 DDA 사용 가능 여부가 전환(키 이벤트) 종류마다 개별 판정된다는 점이 겹칩니다. 같은 프로퍼티 안에서도 어떤 전환은 데이터 기반 모델을 쓰고 다른 전환은 데이터가 부족해 못 쓰는 상태가 동시에 존재할 수 있으며, 30일 기간 전환량이 최소 요건 아래로 떨어지면 보고 있던 DDA 결과가 보고서에서 사라지기도 합니다. 구글은 GA4 프로퍼티 단위의 정확한 최소 전환 건수를 공개 문서에 명시하지 않습니다. Google Ads 쪽 전환 액션 단위 권장치로 '30일간 전환 200건, 광고 상호작용 2,000건 이상'이 제시돼 있지만 이는 Google Ads 전환 액션 기준이지 GA4 프로퍼티 요건이 아니므로, GA4의 실제 요건은 어트리뷰션 설정 화면에 표시되는 안내를 최종 기준으로 삼아야 합니다.

06

매체 쪽 변화까지 같이 얹어야 하는 이유

분석 도구만 보고 있으면 원인을 엉뚱한 곳에서 찾게 됩니다. 메타는 2026년 1월 12일부로 광고 인사이트 API에서 '7일 조회'와 '28일 조회' 기여 기간 옵션을 영구 제거했습니다. 이 옵션에 의존하던 리포팅 대시보드·BI 툴은 에러 없이 값만 조용히 비는 현상이 나타날 수 있어 연동 도구 점검이 필요합니다. 업계 집계에 따르면 7일 조회를 쓰던 계정은 옵션 제거 직후 귀속 전환수가 15~30%, 28일 조회를 쓰던 계정은 30~40% 감소했습니다. 다만 이 수치는 메타 공식 발표가 아니라 3차 분석 매체의 집계이므로 계정별 편차가 큽니다. 자사 계정의 실제 감소폭은 정책 변경 전후 리포트를 직접 비교해 확인해야 합니다. 2026년 기준 메타 광고 세트의 기본 기여 설정은 7일 클릭·1일 참여 유도·1일 조회이며, 기여 설정 변경은 리포팅 수치만 바꾸는 것이 아니라 최적화 학습 데이터 자체에 영향을 준다는 점도 광고주에게 함께 설명해야 합니다.

다음 행동

지금 담당 계정의 GA4 어트리뷰션 설정 화면을 열어 현재 모델과 키 이벤트별 조회기간 값을 그대로 캡처하고, 같은 기간을 두 모델로 뽑은 채널별 대조표를 한 장 만들어보세요. 이 캡처와 표가 앞으로 모든 성과 논쟁의 기준선이 됩니다.

다음 글 · 레슨 05→지역 기반 증분성 테스트(지오 테스트)를 설계할 때 대조군 지역을 선정하는 기준

← 이전 글 · 레슨 03 증분성(인크리멘탈리티) 실험 설계 회고를 다음 제안서·운영 매뉴얼에 재사용하는 형식

출처

facts 항목 기준 · 본문 인라인 미표기10건

플랫폼 기능·심의 기준·가격·법률은 바뀝니다. 이 글은 2026-09-01에 위 출처를 기준으로 확인했습니다.

CHALLENGE

배운 걸 실전 문제로 확인

카테고리별 Level Test로 실무 레벨을 점검해보세요.

챌린지 보기 →
이 과목의 게시글33편
01어트리뷰션 모델 비교 실험군·대조군 설계 시 통계적 오류를 피하는 방법02MMM(마케팅믹스모델링) 도입 검토에서 대행사가 보유해야 할 원본 데이터·변경 이력·승인 기록03증분성(인크리멘탈리티) 실험 설계 회고를 다음 제안서·운영 매뉴얼에 재사용하는 형식04라스트클릭 vs 데이터기반 어트리뷰션 전환 시 과거 성과 데이터를 재해석하는 방법05지역 기반 증분성 테스트(지오 테스트)를 설계할 때 대조군 지역을 선정하는 기준06서버사이드 태깅 도입 후 기존 클라이언트사이드 데이터와의 오차를 검증하는 방법07전환 지연(컨버전 랙)을 반영한 성과 리포트 마감 시점을 정하는 기준08쿠키리스 시대 대비 퍼스트파티 데이터 기반 측정 체계로 전환하는 로드맵09CDP(고객데이터플랫폼) 도입 시 기존 매체 전환 데이터와 CDP 데이터의 정합성 검증법10MMM 결과와 어트리뷰션 결과가 상충할 때 어느 쪽을 의사결정에 우선할지 판단 기준11증분성 실험의 최소 표본 크기(샘플사이즈)를 사전에 계산하는 방법12측정 신뢰성 문제(픽셀 오류·중복 집계)를 조기에 발견하는 정기 점검 루틴13광고주에게 측정 오차 범위(신뢰구간)를 포함해 보고하는 방식과 표현법14다채널 어트리뷰션에서 오가닉·직접 유입 기여도를 과대평가하지 않는 검증법15A/B 테스트 결과가 통계적으로 유의미한지 판단하는 최소 신뢰수준과 표본 기준16측정 도구(GA4·매체 픽셀·CDP)별 데이터 정의 차이를 통일하는 용어집 만들기17증분성 테스트 결과를 실제 예산 배분에 반영하기까지의 승인 프로세스18데이터 이력 관리 없이 트래킹 코드를 변경했을 때 발생한 리포트 오류 복구 사례19어트리뷰션 윈도우(클릭 후 며칠·조회 후 며칠) 설정 변경이 성과 지표에 미치는 영향20MMM 모델의 입력 데이터 품질(누락·이상치)을 사전 검증하는 체크리스트21측정 신뢰도를 높이기 위한 광고주-대행사 간 데이터 공유 범위와 계약 조건22증분성 실험 중 외부 변수(경쟁사 프로모션 등)의 영향을 통제하는 방법23오프라인 전환(매장 방문·전화 문의)을 온라인 광고 성과에 연결하는 측정 설계24다중 기여 모델(멀티터치 어트리뷰션) 도입 시 각 채널의 가중치를 검증하는 방법25측정 신뢰성 감사(Measurement Audit)의 표준 점검 항목과 보고서 구성26새 트래킹 시스템 도입 전 기존 시스템과 병행 운영(더블 트래킹)으로 검증하는 기간27증분성 테스트에서 대조군에 광고를 노출시키지 않는 실무적 방법(홀드아웃 그룹)28데이터 변경 이력(버전 관리)을 남기지 않아 과거 성과를 재현할 수 없었던 사례와 예방법29통계적 오류(1종·2종 오류)가 마케팅 실험 해석에 미치는 실무적 영향30측정 신뢰성 문제로 광고주와 분쟁이 생겼을 때 근거 자료를 제시하는 방법31MMM과 어트리뷰션을 함께 쓸 때 각각의 역할(장기 전략 vs 단기 최적화)을 구분하는 기준32신규 매체 추가 시 기존 어트리뷰션 모델의 재검증이 필요한 이유33측정 운영 매뉴얼(누가·언제·무엇을 검증하는지)을 문서화해 담당자 교체에 대비하는 법 과목 전체 보기 →

MKT TOOLS

실무자를 위한 무료 도구

카피 글자수 검사, CPC·ROAS 계산기, UTM 생성기까지.

워크스페이스 열기 →