룩백 윈도우, 어트리뷰션 윈도우, 기여 모델에 대한 이해

1. 룩백 윈도우 (Lookback Window)

룩백 윈도우는 사용자가 광고와 상호작용한 후 실제로 전환(구매, 회원가입 등)이 이루어지기까지의 기간을 의미합니다.

즉, 광고 클릭이나 노출 후 일정 기간 동안 발생한 전환에 대해 추적하는 시간 범위를 설정하는 것입니다.

 

예를 들어, 30일 룩백 윈도우를 설정하면 사용자가 광고를 클릭한 후 30일 이내에 발생한 전환(구매, 가입 등)에 대해 데이터를 수집하고 분석합니다.

이 기간 동안의 사용자 행동을 분석하여 광고가 얼마나 효과적인지를 평가할 수 있습니다.

 

주요 포인트:

• 광고와 상호작용한 후 전환까지 걸린 시간을 측정.
• 전환에 이르는 경로와 시점을 명확하게 파악하여 광고 효과를 분석.

이 기간이 짧으면 고객 행동을 더 빠르게 반영할 수 있고, 길면 다양한 요소가 복합적으로 작용한 결과를 분석할 수 있습니다.

 

2. 어트리뷰션 윈도우 (Attribution Window)

어트리뷰션 윈도우는 룩백 윈도우와 동일한 용어로 많이 쓰입니다.

다만 일부 MMP에서는 앱 캠페인에서 어트리뷰션 윈도우와 룩백 윈도우를 구분해서 정의하기도 합니다.

 

앱 캠페인에서의 어트리뷰션 윈도우:

어트리뷰션 윈도우는 앱 캠페인에서 앱 설치 후 인앱 이벤트를 추적하는 데에도 사용됩니다.

 

예를 들어, 사용자가 앱을 설치한 후 일정 기간 내에 특정 인앱 이벤트(예: 구매, 회원가입, 특정 기능 사용 등)가 발생했다면, 해당 이벤트는 인앱이벤트가 설치 기여 매체에게 기여됩니다.

주요 포인트:

• 룩백 윈도우와 동일한 개념으로 많이 쓰임.
• 앱 캠페인에서는 앱 설치 후 인앱 이벤트 추적에 주로 사용.

 

3. 기여 모델 (Attribution Model)

기여 모델은 마케팅 캠페인에서 사용자가 전환을 일으킨 여러 접점(광고 클릭, 노출 등) 중 어느 접점이 최종 전환에 얼마나 기여했는지를 평가하는 방법론을 의미합니다.

전환에 대한 기여도를 어떻게 분배할지에 대한 기준이라고 볼 수 있습니다.

 

가령 기여 모델은 사용자가 여러 광고 매체와 상호작용을 한 후 전환에 이르는 경우, 각 광고 채널이 얼마나 중요한 역할을 했는지를 평가합니다.

이 과정을 통해 광고 예산을 더 효율적으로 배분하고, 각 광고 채널의 효과를 명확히 분석할 수 있습니다.

기여 모델의 종류는 여러 가지가 있으며, 여기서는 대표적인 4가지 모델을 소개하겠습니다.

* 기여모델 관련 GA 공식 도움말

https://support.google.com/analytics/answer/1662518?hl=ko

기여 모델 개요 - 애널리틱스 고객센터

 

 

3.1 라스트 클릭 모델 (Last Click Attribution)

라스트 클릭 모델은 사용자가 전환을 일으킨 마지막 광고 접점에 전환의 100% 기여도를 부여하는 모델입니다.

• 예시: 사용자가 검색 광고, 소셜 미디어 광고, 이메일 광고를 통해 순차적으로 상호작용을 한 후, 마지막으로 이메일 광고를 클릭하여 전환한 경우, 이메일 광고에 100% 기여한다고 평가합니다.

장점: 직관적이고 간단하며, 최종 전환을 일으킨 매체에 집중할 수 있습니다.

단점: 중간 단계에서 중요한 역할을 한 접점들이 무시될 수 있습니다.

 

3.2 퍼스트 클릭 모델 (First Click Attribution)

퍼스트 클릭 모델은 사용자가 전환을 일으킨 첫 번째 광고 접점에 전환의 100% 기여도를 부여하는 모델입니다.

• 예시: 사용자가 처음으로 검색 광고를 클릭하여 사이트에 유입된 후, 이후 소셜 미디어 광고, 이메일 광고 등을 거쳐 전환에 이르렀다면, 검색 광고에 100% 기여한다고 평가합니다.

장점: 초기 유입 채널의 효과를 강조할 수 있습니다.

단점: 이후 상호작용이 전환에 미친 영향을 무시할 수 있습니다.

 

3.3 선형 모델 (Linear Attribution)

선형 모델은 사용자가 전환을 일으킨 모든 광고 접점에 동일한 기여도를 부여하는 모델입니다.

즉, 모든 접점이 전환에 균등하게 기여한다고 평가합니다.

• 예시: 사용자가 검색 광고 → 소셜 미디어 광고 → 이메일 광고를 통해 전환한 경우, 각 접점에 1/3씩 기여도를 분배합니다.

장점: 전환 과정에서 각 접점이 고르게 중요한 역할을 한다고 보고, 모든 접점을 균등하게 평가할 수 있습니다.

단점: 실제로는 각 접점의 기여도가 다를 수 있기 때문에, 기여도가 동일하게 분배된다는 단점이 있습니다.

기여도 예시: 1개의 전환이 0.33, 0.33, 0.33으로 분배되는 방식입니다.

 

3.4 데이터 기반 모델 (Data-Driven Attribution)

데이터 기반 모델은 머신 러닝을 활용하여 각 광고 접점이 실제로 전환에 얼마나 기여했는지를 동적으로 계산하는 모델입니다.

이 모델은 전환 경로에 대한 실제 데이터를 분석하여, 각 접점에 대해 적합한 기여도를 분배합니다.

• 예시: 사용자가 검색 광고 → 디스플레이 광고 → 소셜 미디어 광고 → 이메일 마케팅을 통해 전환한 경우, 데이터 기반 모델은 각 접점이 전환에 미친 영향을 바탕으로 기여도를 동적으로 계산합니다.
• 예를 들어, 첫 번째 접점이 더 중요한 역할을 했다면 첫 번째 접점에 더 높은 기여도를 부여할 수 있습니다.

장점: 사용자 행동에 기반한 정교한 기여도 분석이 가능하고, 전환 경로가 복잡할 때 매우 유용합니다.

단점: 데이터 양이 충분하지 않거나, 설정이 복잡할 수 있습니다.

기여도 예시: 1개의 전환이 각각 0.2, 0.5, 0.3으로 분배될 수 있습니다. 즉, 첫 번째 접점이 가장 중요한 역할을 했고, 두 번째 접점이 그다음으로 중요한 역할을 했다는 의미입니다.

 

---

 

[ 광고선배 인스타그램 바로가기 ]

http://www.instagram.com/ad_sunbae