IT·소프트웨어 어트리뷰션과 중복 집계 보정

왜 IT·소프트웨어 광고에서 중복 집계가 유독 심하게 나타나는가

여기에 매체 자체의 관측 방식 차이가 더해집니다. GA4는 기본적으로 데이터 기반 어트리뷰션(여러 터치포인트에 가중 배분)을 쓰지만 실무에서는 라스트클릭 관성으로 해석되는 경우가 많고, 메타는 자체 기여 모델(2026년 기준 7일 클릭·1일 참여유도·1일 조회)로 별도 집계합니다. 두 시스템은 관측 범위, 기여 기간, 쿠키·기기 식별 방식이 모두 달라 같은 캠페인이라도 전환수가 다르게 나오는 것이 정상입니다. iOS 정책 이후 메타는 CAPI·AEM 같은 보정 신호를 쓰지만 GA4는 상대적으로 브라우저 신호에 더 의존해, 매체별 관측 손실 폭 자체가 다릅니다. 그래서 격차를 두고 "어느 매체 숫자가 맞는가"를 따지기보다, 각 시스템이 애초에 답하는 질문이 다르다는 전제 위에서 용도별로 나눠 쓰는 접근이 필요합니다. 다음 절에서는 이 격차를 좁히는 실무 연동부터 살펴봅니다.

오프라인 전환 연동으로 상담·계약까지 이어 붙이기

구글 광고에서 웹사이트 전환을 측정하려면 Google 태그, Google 태그 관리자(GTM), 또는 Google Analytics를 통해 GCLID(Google 클릭 식별자)를 캡처하고 방문 페이지에 전달해야 하며, 쿠키 제한 등으로 모든 전환을 추적할 수 없는 경우도 있습니다. 구글은 2026년 6월 15일부로 오프라인 전환 업로드를 Data Manager API로 이전하며 그 이후에는 Google Ads API로 업로드할 수 없게 되므로, 개발자 토큰에 이전 오프라인 전환 업로드 기록이 없다면 마이그레이션 이후 요청이 실패할 수 있어 지금 계정 설정을 점검해 두는 편이 안전합니다. 향상된 전환(Enhanced Conversions for Leads)은 해시된 이메일·전화번호 같은 고객 데이터를 활용하는 방식으로, 표준 오프라인 전환 방식 대비 전환수가 중앙값 기준 10% 증가했다는 실측 데이터가 있어 도입해 볼 가치가 있습니다. 다만 Gmail 주소는 도메인 앞의 '.' 문자를 제거해야 정확히 매칭된다는 점을 실무에서 놓치기 쉬우니 세팅 시 확인하세요. 메타 쪽에서는 AEM(집계 이벤트 측정)이 iOS ATT 프롬프트에서 추적을 거부한 사용자에 대해 개별 식별 없이 도메인 단위로 전환을 집계하는데, 2025년 6월부터 웹 전환에서는 도메인당 8개 이벤트 우선순위 제한이 사라졌지만 iOS 앱 캠페인이나 신 체계로 전환되지 않은 일부 계정에는 여전히 이 제한이 적용될 수 있어 자사 Events Manager 화면에서 직접 확인해야 하고, 데이터 집계에는 24~48시간의 의도적 지연이 있다는 점도 함께 감안해야 합니다. 이런 연동이 촘촘할수록 같은 상담 건이 검색광고와 다른 매체에서 각각 "새 전환"으로 중복 집계되는 오차가 줄어듭니다.

매체 리포트 대신 증분(인크리멘털리티)으로 검증하기

오프라인 전환을 다 연동해도 각 매체가 자기 기여를 과대평가하는 문제는 남습니다. 인크리멘털리티는 광고 노출 집단과 비노출(통제) 집단의 전환 성과를 비교해, 광고 없이도 발생했을 매출을 제외한 순수 증분만 분리하는 방법론입니다. 라스트클릭 등 전통적 기여 모델은 이미 구매 의사가 있던 고객의 전환까지 광고 성과로 잡아 과대평가하는 경향이 있고, iOS 개인정보 정책 이후 픽셀 단독 추적으로는 전환의 상당 부분이 누락돼 기여 데이터만으로 광고 효과를 판단하기가 더 어려워졌습니다. 리타게팅은 이미 문의나 자료 다운로드로 관심을 보인 잠재고객을 다시 겨냥하므로 라스트클릭 기준 ROAS가 구조적으로 높게 나오는데, 이 지표만 보고 예산을 몰아주면 신규 리드를 만드는 상단 퍼널 예산이 줄어 전체 파이프라인이 축소되는 부작용이 생깁니다. 이 착시는 지표를 더 정교하게 다듬어서가 아니라 리타게팅 캠페인을 꺼봤을 때 상담 문의가 실제로 줄어드는지 홀드아웃으로 확인해야 검증됩니다. 광범위 타겟팅과 유사 타겟은 이미 브랜드를 아는 좁은 오디언스보다 오가닉 흡수가 적어 같은 ROAS라도 증분 비율이 더 높게 나오는 경향이 있으니, 리프트가 높게 확인된 채널로 예산을 옮길 때는 한 번에 20%를 넘기지 말고 단계적으로 이동해 알고리즘 재학습 리스크를 줄이세요. 사용자 단위 추적 없이 매출·광고비 같은 집계 데이터로 채널 기여도를 추정하는 마케팅 믹스 모델(MMM)도 개인 식별자 없이 작동해 쿠키 제한과 무관하게 큰 그림을 보여주지만, MTA만큼 세밀한 개인화 인사이트는 주지 못하므로 인크리멘털리티 테스트와 상호 보완적으로 함께 쓰는 것이 원칙입니다.

의사결정에 쓰는 기준: 리드 수가 아니라 상담 전환

매체별 전환수 격차를 그대로 비교하면 중복 집계 문제가 그대로 의사결정에 스며듭니다. IT 소프트웨어 업계에서는 '리드 수'가 아닌 '상담 전환'을 성과 지표로 봐야 한다는 것이 업계 통설입니다. 50명의 리드 중 실제 상담 전환은 2~3건인 경우가 많아, 리드 수만으로 광고 ROI를 판단하면 신뢰도 차이가 크게 벌어질 수 있습니다. 그래서 매체별 캠페인 리포트의 전환수를 그대로 합산해 예산을 배분하기보다, CRM에서 실제 상담으로 넘어간 건만 최종 기준으로 삼고 각 매체는 거기까지 이어진 여러 접점 중 하나로 취급하는 편이 중복 집계의 영향을 줄이는 실용적인 방법입니다. 매체 쪽 알고리즘이 바뀌는 시점도 함께 기록해 두면 좋습니다. 메타는 2025년 11월 GEM(Generative Ads Recommendation Model)이라는 광고 랭킹 모델을 공개하며 Instagram 광고 전환 5%, Facebook 피드 광고 전환 3% 증가를 보고했는데, 이 모델이 구체적으로 어떤 기반 위에 구축됐는지는 이번 조사에서 명확히 확인되지 않아 메타 엔지니어링 블로그 원문을 직접 대조해 보시길 권합니다. 이렇게 매체 쪽 모델이 바뀔 때마다 우리 쪽 상담 전환 기준을 같이 재검증해 두면, 다음 분기 예산 배분 때 또 같은 격차를 처음부터 다시 따지지 않아도 됩니다.