도매리스트닷컴

기여 분석 (2) GA4에서 기여 분석 시작하기

최고관리자2023-11-24

기여 분석이란?

기여 분석이란 사용자가 전환되기까지 거쳐온 광고, SNS, 검색 등 마케팅 채널에 전환 기여도를 할당하고 각 채널의 성과를 분석하는 작업을 말합니다.

💡

전환이란?

우리 웹사이트에 접속한 사용자가 우리가 기대하는 특정 행동을 완료하는 것을 말합니다. 무엇을 전환으로 볼지는 서비스에 따라, 상황에 따라 달라질 수 있습니다. 가입 완료, 결제 완료, 앱 다운로드 등이 자주 전환으로 보는 지표입니다.

GA4에서 제공해 주는 기여 분석 기능을 통해 사용자가 어떤 경로를 통해 최종 전환에 이르렀는지 확인해 보고, 여러 가지 기여 분석 모델을 사용해 마케팅 채널의 전환 기여도를 측정해 볼 수 있습니다. 먼저, 사용자가 전환에 이르기까지 거치는 경로를 GA4에서 확인해 보겠습니다.

GA4에서 전환 경로 확인하기

GA4 왼쪽 메뉴바에서 광고를 선택합니다.
전환 경로를 선택합니다.
전환 경로 화면에서는 전환에 이르기까지 사용자가 어떤 경로를 거쳐 전환되었는지 확인할 수 있습니다.

07a63355-31ad-42fc-b34a-4dd9069895c3production-883a24e8-07a1-40be-9e93-8ad1a221c78c-qLl4MYIG8BCP7pOmh1SLByD-yg1jG-dkCKG-jPfES5Y.png

위 표의 두 번째 줄을 보면 Paid Social 을 2번 거쳐 발생한 전환이 36건입니다. 이처럼 한 가지 채널만을 거쳐 전환되는 경우는 해당 채널에 100% 기여도를 할당해 줄 수 있습니다.

첫 번째 줄에 있는 것처럼 여러 채널을 거쳐 전환될 수도 있습니다. Organic Video 를 2번, Email 을 4번, Organic Video 를 3번, Email 을 3번 거친 후 발생한 전환이 52건입니다. 이런 경우 각각의 터치포인트에 기여도를 어떻게 할당해 줄 것인지 규칙이 필요합니다. 이렇게 전환 경로에 포함된 각 터치포인트에 전환 기여도를 할당하는 방법을 결정하는 특정 규칙 또는 알고리즘을 기여 분석 모델이라고 부릅니다.

💡

기본 채널 그룹은 GA4에서 트래픽을 분류하는 방식입니다. Organic Video 는 기본 채널 그룹 중 유료 광고가 아닌 동영상을 뜻합니다. 기본 채널 그룹에 대해 자세히 알고 싶으시다면 아래 문서를 참고해 주세요.

애널리틱스 고객센터: [GA4] 기본 채널 그룹

GA4에서 기여 분석 모델 비교하기

GA4의 모델 비교 메뉴를 사용하면 여러 기여 분석 모델을 비교해 볼 수 있습니다.

GA4 왼쪽 메뉴바에서 광고를 선택합니다.
모델 비교를 선택합니다.
모델 비교 화면에서는 여러 기여 분석 모델을 비교해 볼 수 있습니다.
GA4에서는 데이터 기반, 마지막 클릭, 첫 번째 클릭, 선형, 위치 기반, 시간 가치 하락 모델을 제공해 주고 있습니다.

📢

2023년 11월부터 GA4 기여 분석 모델 중 ‘첫 번째 클릭’, ‘선형’, ‘시간 가치 하락’, ‘위치 기반’ 모델이 지원 중단되었습니다. ‘마지막 클릭’ 또는 ‘데이터 기반’ 모델만 사용할 수 있어요. 이번 업데이트에 대해 자세한 내용이 궁금하시다면 기여 분석 (3) GA4 기여 분석 모델 지원 중단 (feat. 쿠키리스) 글을 참고해주세요.

GA4에서 제공해 주는 기여 분석 모델 알아보기

대부분의 기여 분석 모델이 지원 중단된 상황에서 이걸 왜 알아야 하나 생각하실 수도 있을 것 같은데요. 이번에 지원 중단된 모델을 포함해 기여 분석 모델이 어떤 방식으로 동작하는지 알아두면 다양한 마케팅 채널들이 전환에 어떻게 영향을 주는지 이해하는데 도움이 될 거예요. 기여 분석 모델을 이해하고 마케팅 성과를 복합적으로 이해해보세요.

그럼 본격적으로 GA4에서 제공하는 기여 분석 모델에 대해 알아보겠습니다. 여러 채널을 거쳐 전환된 경우, 모든 기여 분석 모델의 기여도 배분에서 직접 트래픽은 제외됩니다.

💡

직접 트래픽은 무엇인가요?

직접 트래픽은 다른 웹사이트를 거치지 않고 직접 우리 웹사이트 링크를 주소창에 입력해 접속한 경우를 말합니다. 브라우저에서 즐겨찾기로 등록해두고 접속한 경우도 직접 트래픽으로 잡히게 됩니다.

1. 마지막 클릭

전환 전에 고객이 클릭한 마지막 터치포인트에 전환 기여도 100%를 부여합니다. 이때 마지막 터치포인트가 직접 트래픽이었다면 그전에 클릭한 터치포인트에 전환 기여도 100%를 부여합니다.

마지막 클릭 모델에서는 직접적으로 전환에 영향을 준 채널을 확인할 수 있습니다. 기여도를 판단하려는 전환이 앱 다운로드라거나 충동구매가 일어나기 쉬운 생활용품을 판매하는 서비스라면 마지막 클릭을 기준으로 볼 수 있습니다. 구매를 결정하기까지 오래 걸리는 서비스에서는 마지막 클릭 모델을 적용하기 적절하지 않습니다.

A: 인스타그램 광고 → 유튜브 → 브런치 → 검색(100%) → 전환 ⛳

B: 직접 → 유튜브 → 이메일(100%) → 전환 ⛳

C: 검색 → 유튜브 → 브런치(100%) → 직접 → 전환 ⛳

2. 첫 번째 클릭

전환 전에 고객 클릭이 발생한 첫 번째 터치포인트에 모든 전환 기여도를 부여합니다. 첫 번째 터치포인트가 직접 트래픽이었다면 그다음 클릭한 터치포인트에 전환 기여도 100%를 부여합니다.

사용자들이 우리 서비스를 처음으로 접하게 된 채널이 어디인지가 궁금한 초기 서비스라면 첫 번째 클릭 모델을 참고해 볼 수 있습니다. 직접적으로 전환에 영향을 준 채널을 포함해 첫 번째 클릭한 채널 외의 나머지 채널의 영향력을 무시하게 된다는 한계가 있습니다.

A: 인스타그램 광고(100%) → 유튜브 → 브런치 → 검색 → 전환 ⛳

B: 직접 → 유튜브(100%) → 이메일 → 전환 ⛳

C: 검색(100%) → 유튜브 → 브런치 → 직접 → 전환 ⛳

3. 선형

전환 전에 클릭이 발생한 모든 터치포인트에 균등하게 전환 기여도를 배분합니다.

모든 유입 채널이 중요하다고 판단되는 경우 선형 모델을 사용할 수 있습니다. 선형 모델의 경우 모든 유입 채널에 동일하게 기여도를 배분하게 되기 때문에 특정 채널의 영향력이 확실히 크다는 걸 알고 있는 상황에서는 적절하지 않습니다.

A: 인스타그램 광고(25%) → 유튜브(25%) → 브런치(25%) → 검색(25%) → 전환 ⛳

B: 직접 → 유튜브(50%) → 이메일(50%) → 전환 ⛳

C: 검색(33%) → 유튜브(33%) → 브런치(33%) → 직접 → 전환 ⛳

4. 위치 기반

첫 터치포인트와 마지막 터치포인트에 각각 40%의 기여도를 부여하고 나머지 20%의 기여도를 중간 터치포인트에 고르게 배분합니다.

사용자가 처음 우리 서비스를 알게 된 채널과 전환에 직접 영향을 준 채널이 중요한 경우 위치 기반 모델을 사용할 수 있습니다. 전환 경로가 짧은 경우, 즉 터치포인트가 2개 이하일 때에는 선형 모델과 똑같이 기여도를 배분해 주게 됩니다.

A: 인스타그램 광고(40%) → 유튜브(10%) → 브런치(10%) → 검색(40%) → 전환 ⛳

B: 직접 → 유튜브(50%) → 이메일(50%) → 전환 ⛳

C: 검색(40%) → 유튜브(20%) → 브런치(40%) → 직접 → 전환 ⛳

5. 시간 가치 하락

전환에 근접한 시점에 발생한 터치포인트에 더 많은 기여도를 부여합니다. 기여도는 7일의 반감기를 갖도록 분배됩니다. 다시 말해 전환이 발생하기 8일 전의 클릭에는 전환이 발생하기 1일 전의 클릭에 비해 절반의 기여도만 부여됩니다.

전환에 오래 걸리는 경우, 예를 들어 가구나 전자기기처럼 구매 결정까지 오랜 시간이 걸리는 경우, 시간 가치 하락 모델을 사용할 수 있습니다. 초반 터치포인트의 영향력이 과소평가될 수 있다는 한계가 있습니다.

각각의 터치포인트가 7일 간격으로 발생했다면 기여도는 아래와 같이 분배됩니다.

A: 인스타그램 광고(7%) → 유튜브(13%) → 브런치(27%) → 검색(53%) → 전환 ⛳

B: 직접 > 유튜브(14%) → 브런치(29%) → 이메일(57%) → 전환 ⛳

C: 검색(14%) → 유튜브(29%) → 브런치(57%) → 직접 → 전환 ⛳

6. 데이터 기반

데이터 기반 모델은 전환 이벤트별로 데이터를 기반으로 전환 기여도를 배분합니다. 각 클릭 상호작용의 실제 참여를 계산하는 데 계정 데이터가 사용된다는 점이 다른 기여 분석 모델과 다릅니다. 데이터 기반 기여 분석으로 기존 기여 분석 모델의 단점을 보완할 수 있지만, 데이터가 쌓이기 전까지는 사용할 수 없고, 어떤 기준으로 기여도를 배분하는지 정확하게 알 수 없다는 단점이 있습니다.

💡

데이터 기반 모델은 어떻게 작동하나요?

데이터 기반 모델에서는 다양한 터치포인트가 어떻게 전환 결과에 영향을 미치는지 머신러닝을 통해 학습합니다. 모델에는 전환 이후의 시간, 기기 유형, 광고 상호작용 횟수, 광고 노출 순서, 광고 애셋 유형 등의 요소가 포함됩니다. 전환을 유도할 가능성이 가장 큰 터치포인트를 파악하고 이를 바탕으로 각 터치포인트에 전환 기여도를 부여합니다. 데이터 기반 기여 분석이 작동하는 방식과 관련해 자세한 내용이 궁금하신 분은 아래 문서를 참고해 주세요.