어트리뷰션 모델 5종 비교 — Last-click부터 Markov·Shapley까지
last-click, linear, time-decay, data-driven(Markov), Shapley value 가 같은 캠페인을 어떻게 다르게 평가하는지. 베이지안 어트리뷰션은 무엇이 다른가.
같은 캠페인, 다섯 가지 답
유저가 검색광고 → 디스플레이 → 이메일 → 직접유입 순으로 전환했다고 하자. 이 매출 100,000원을 어떻게 나눌 것인가? 모델마다 답이 다르다.
- Last-click: 직접유입에 100,000. 다른 채널은 0.
- First-click: 검색광고에 100,000.
- Linear: 각 25,000씩 균등 분배.
- Time-decay: 전환에 가까울수록 가중치. 직접유입 ≫ 이메일 ≫ 디스플레이 ≫ 검색광고.
- U-shape: 첫·마지막에 각 40%, 가운데 20% 분배.
Data-Driven — Markov Chain
각 채널이 전환 경로에 미치는 영향을 "이 채널이 없었다면 전환 확률이 얼마나 떨어지는가"로 계산한다(removal effect). 규칙 기반 모델과 달리 데이터로부터 가중치를 추정한다. GA4의 data-driven attribution이 이 계열이다.
장점은 가정이 적다는 것, 단점은 대량의 전환 데이터가 필요하고 결과 해석이 직관적이지 않다는 것.
Shapley Value — 게임이론에서 빌려온 방법
각 채널을 "기여자"로 보고, 가능한 모든 채널 조합에 대해 채널 추가/제거 시 전환 변화량을 평균낸다. 이론적으로 가장 공정하지만, 채널이 늘어나면 조합 폭발(2^n) 때문에 계산이 무거워진다.
베이지안 어트리뷰션 — 점이 아니라 분포
위 모델들은 모두 채널 기여도를 하나의 숫자로 답한다. 베이지안은 확률 분포로 답한다. "검색광고의 기여도는 30%다"가 아니라 "95% 확률로 22~38% 사이"라고 말한다. 의사결정에서 불확실성을 그대로 다룰 수 있다.
자세한 절차는 huny.log의 베이지안 어트리뷰션에 정리했다.
모델 선택 가이드
| 상황 | 추천 |
|---|---|
| 전환수 적음, 단순 채널 | Last-click 또는 Linear |
| 긴 고려 기간(B2B, 고관여 제품) | Time-decay 또는 U-shape |
| 대량 데이터, 정확도 우선 | Markov 또는 Shapley |
| 의사결정에 불확실성 반영 | 베이지안 |
모델보다 중요한 것
어떤 모델을 쓰든 "이 모델의 가정이 우리 비즈니스에 맞는가"를 먼저 검증하자. Last-click이 틀린 게 아니라 "모든 가치가 마지막 터치에 있다고 가정하는 것"이 틀릴 수 있다는 게 핵심이다.