- 사용자가 어떤 광고/마케팅 채널을 거쳐 구매/가입 등 최종 행동을 했는지 분석하는 기법
- 기존 마지막 클릭 방식(Last Click)은 마지막 접점에만 100% 기여도를 부여해 실제 여정을 반영하지 못함
- 사용자는 SNS 광고 → 이메일 → 검색 광고 등 여러 채널을 거치므로, 각 채널의 기여도를 정량적으로 나눠야 예산 배분이 정확해짐
- 프로세스는 사용자 경로 데이터 수집 → 멀티 어트리뷰션 분석(규칙 기반/데이터 기반) → 채널별 기여도 분석 및 마케팅 예산 최적화 순으로 이어짐
사용자 경로 데이터 수집 : Kafka 스트리밍으로 웹/앱/이메일/검색/소셜 등 다양한 채널의 이벤트 로그를 통합 수집. PySpark로 전처리하고 사용자별 채널 접점 시퀀스를 시간 순으로 정렬
규칙 기반 방식 : 단순 고정 규칙으로 기여도를 나눔
- 균등 분배 : 모든 채널에 동일한 기여도 할당
- 퍼스트 클릭 : 첫 번째 접점 채널에 100% 기여도
- 라스트 클릭 : 마지막 접점 채널에 100% 기여도 구현은 간단하지만 실제로 어떤 채널이 더 결정적 역할을 했는지 반영하기 어려움
데이터 기반 방식 : 실제 전환 경로 데이터를 통계/머신러닝으로 분석
- Shapley Value 모델 : 게임 이론 기반. 특정 채널이 빠졌을 때 전환율이 얼마나 달라지는지 계산해 한계 기여도를 산출
- Markov Chain 모델 : 채널 간 상태 전이 확률 기반. 특정 채널이 전환 경로에서 빠졌을 때 전환율 변화로 기여도 추정
- 머신러닝 기반 모델 : 다양한 요인을 고려한 고급 기여도 모델링
채널별 기여도 분석 결과를 바탕으로 마케팅 예산을 더 효과적인 채널에 집중 배분. 단기 성과만 높은 채널에 예산이 쏠리는 현상을 방지하고 고객 여정 전반에서 효율적인 전략 수립 가능