어트리뷰션의 역사 — 쿠키 last-click부터 클린룸까지의 변화

“이 캠페인이 진짜 매출을 만든 건가?” 이 질문이 30년 동안 어트리뷰션의 역사를 만들었습니다. 1990년대 last-click 쿠키 추적에서 출발해 multi-touch·MMM·lift study·incrementality·클린룸까지. 한 도구가 다른 도구로 대체된 게 아니라 층층이 쌓인 도구상자입니다. 그 변화의 흐름을 한 글로 정리하면 huny.log의 모든 어트리뷰션 글이 다른 깊이로 읽힙니다.

1. 어트리뷰션의 한 줄 정의

어트리뷰션의 한 줄:

광고 → 사용자 행동 → 전환의 인과 관계를 측정·분배.

세 부분으로 나뉩니다.

식별 — 같은 사용자를 어떻게 매칭
경로 — 사용자의 어떤 광고들을 거쳤나
분배 — 매출을 어떤 광고에 얼마나 귀속

각 부분이 시대마다 다른 도구로 풀렸습니다.

어트리뷰션 도구의 시간 흐름 — last-click부터 클린룸까지 변화 다이어그램 — last-click 쿠키 → multi-touch → MMM 부활 → lift study → 클린룸. 한 도구가 다른 도구로 대체되는 게 아니라 층층이 쌓인다.

2. Era 1 — Last-Click 쿠키 (1990s-2010s)

2-1. 작동 원리

웹 1.0·2.0 시대의 표준. 사용자가 광고 클릭하면 쿠키 심음 → 전환 시점에 마지막 쿠키 확인 → 그 광고에 100% 귀속.

장점:

단순, 운영 부담 작음
쿠키만 있으면 추적 가능
모든 매체가 표준으로 도입

단점:

마지막 클릭에만 100% — 인지·고려 단계 무시
직접 방문 사용자에 가중 (이미 살 사람)

2-2. 왜 표준이 됐나

쿠키 기술이 단순하고 호환성 좋고 매체별 매칭 쉬워서. 광고주·매체 모두 도입 부담 작음. 30년 동안 디지털 광고의 토대.

3. Era 2 — Multi-Touch (2010s)

3-1. 작동 원리

last-click의 한계에 대한 반응. 같은 사용자의 여러 광고 노출을 모두 기록 → 매출을 여러 광고에 분배.

분배 방식:

Linear — 각 광고에 균등 분배
Time-decay — 전환 가까울수록 가중치 큼
Position-based — 첫·마지막에 더 큰 가중치
Data-driven — 머신러닝으로 가중치 학습 (Shapley 어트리뷰션 글)

3-2. 운영의 변화

캠페인 단위 ROAS의 한계 — 채널 간 시너지 측정
인지·고려 단계 광고의 가치 인정
마케터의 보고서가 더 풍부해짐

3-3. 한계

여전히 쿠키 기반. 인과 보증 없음(같은 사용자가 여러 광고 본 거지 그 광고가 효과 만든 게 아닐 수 있음).

4. Era 3 — MMM 부활 (2015~2020)

4-1. 왜 다시 떠올랐나

iOS 14.5·쿠키 deprecation 일정 발표로 사용자 단위 추적이 흔들리기 시작. MMM(Marketing Mix Modeling)은 사용자 단위가 아니라 채널 시계열로 측정 — 쿠키 안 필요.

4-2. 작동 원리

채널별 광고비·매출의 시계열 데이터로 회귀:

매출_{t} = β_{0} + k \sum β_{k} \cdot Adstock_{k} (t) + γ_{t} + ε_{t}

각 채널의 기여도 $β_{k}$ 가 incrementality. 시즌·매크로 변수와 함께 보정.

장점:

쿠키·식별자 안 필요
채널 단위 incrementality 측정
장기 효과(브랜딩) 잡음

단점:

1년 이상 시계열 필요
단기 캠페인 평가 어려움
모델 가정 부담

4-3. 운영 표준화

PyMC-Marketing·LightweightMMM 같은 베이지안 MMM 라이브러리로 운영 부담 줄어듦. MMM 입문 글 참조.

5. Era 4 — Lift Study·Incrementality (2018~)

5-1. 작동 원리

진짜 인과 효과 측정. 처리·대조군 분리 후 결과 차이.

도구:

User holdout — Meta·Google 일부 캠페인의 lift study
Ghost ads — 처리군에 진짜 광고, 대조군에 placeholder
Geo holdout — 지역별 광고 ON/OFF
DiD — 시간 변화의 인과추론

incrementality test 결정 트리 글에서 5가지 도구의 자리별 적용.

5-2. 운영의 변화

last-click ROAS와 incremental ROAS의 차이. 보통 incremental이 last-click의 30-60%. “ROAS 5”가 사실 incremental ROAS 1.5인 자리. ROAS·incrementality 글 참조.

6. Era 5 — 클린룸·Privacy Sandbox (2022~)

6-1. 클린룸

광고주·매체 데이터를 안전한 환경에서 결합. 사용자 식별 없이 매칭.

대표:

Google Ads Data Hub
Amazon Marketing Cloud
Meta Advanced Analytics
AWS Clean Rooms

광고주 1st party 데이터(이메일 해시) + 매체 노출 데이터 → 클린룸에서 결합 → 결과만 광고주에 반환. 사용자 식별 없이.

6-2. Privacy Sandbox

브라우저 단 광고 API. Topics·Protected Audience·Attribution Reporting. Privacy Sandbox 글 참조.

6-3. Server-Side 추적

브라우저 쿠키 대신 서버 단 통신. Conversions API·Server-Side GTM·CDP 통합.

7. 어트리뷰션 도구상자의 현재

각 시대의 도구는 사라지지 않고 누적. 마케터의 도구상자:

도구	답하는 질문	적합 자리
Last-click	단순 보고	빠른 운영
Multi-touch (Shapley)	채널 기여도 분배	다중 채널 평가
MMM	채널 incrementality 장기	분기 보고·예산
Lift study	캠페인 incrementality 단기	큰 예산 캠페인
클린룸	광고주·매체 데이터 결합	정밀 매칭 필요

운영 표준은 결합 사용 — last-click으로 매일 운영, multi-touch로 캠페인 평가, MMM으로 분기 보고, lift study로 핵심 캠페인 검증, 클린룸으로 정밀 매칭.

일별: Last-click ROAS
캠페인: Multi-touch (Shapley)
분기: MMM
대형 캠페인: Lift study
정밀 매칭: 클린룸

이게 본문에 박는 유일한 코드(텍스트 다이어그램)입니다.

8. 변화의 본질 — 쿠키에서 다층 인프라로

30년의 변화를 한 줄로:

단순 쿠키 추적에서 다층 측정 인프라로.

쿠키가 약해지면서 한 도구의 의존이 위험해졌고, 운영 표준이 다층 도구 결합으로 이동. 광고주는 한 도구의 답이 아니라 여러 도구의 일관성을 봄.

각 시대의 변화를 일으킨 사건:

2010년대 — 디지털 광고 폭발 → multi-touch 등장
2015년 — 모바일 앱 광고 + 쿠키 한계 → MMM 부활
2021년 — iOS 14.5 + 3rd party 쿠키 deprecation → lift·incrementality 표준화
2024년 — Privacy Sandbox·클린룸 본격 도입

다음 변화는? AI 기반 인과추론·합성 데이터·LLM 기반 어트리뷰션 narrative 등.

9. 어트리뷰션 변화에 익숙해지면

이 흐름이 잡혀 있으면 huny.log의 어트리뷰션 글들이 자연스럽게 이어집니다.

ROAS·incrementality 3대장 — last-click·view-through·incremental
Shapley value 어트리뷰션 — multi-touch 표준
MMM 입문 — 시계열 어트리뷰션
어트리뷰션 베이지안 — 데이터 적은 자리
incrementality test 결정 트리 — lift study 가이드
CDP ID 그래프 — 1st party 식별
Privacy Sandbox — 쿠키 이후
Synthetic DiD — 시간·공간 결합

10. 마치며 — 한 도구로 끝나는 시대는 끝났다

어트리뷰션은 한 도구로 답하는 자리가 아닙니다. 5개 도구상자에서 자리에 맞는 도구 선택 → 결과 비교 → 일관성 확인. 마케터의 깊이는 도구 하나의 정확도가 아니라 여러 도구의 결과를 함께 읽는 능력.

단일 도구 = 가짜 안전감. 다층 결합 = 진짜 신뢰.

다음 글에서는 광고 측정의 또 다른 자리 — KPI 한 그림(CPM·CPC·CTR·CVR·ROAS·CAC·LTV)을 다룹니다.

참고

Berman (2018), Beyond the Last Touch: Attribution in Online Advertising, Marketing Science — 어트리뷰션 학술 종합
Lewis & Reiley (2014), Online Ads and Offline Sales — incrementality 산업 표준
Google Marketing Platform 백서 — 클린룸·data-driven attribution
Meta Conversion Lift — lift study 표준
IAB Tech Lab Privacy — Privacy Sandbox 적용
huny.log 내부 글: ROAS·incrementality, MMM 입문, Shapley, incrementality test 결정 트리, Privacy Sandbox

매체 데이터 알아보기 카테고리의 다른 글