GA4 기여 분석으로 브랜드검색 전환의 진짜 주인 찾기, PPL·바이럴이 검색으로 수확될 때

대상: 마케팅 실무자 · 데이터 분석 담당  ·  형식: 설명 가이드  ·  2026-07-11

전환의 절반이 어디서 왔는지, 우리는 답을 못 했다

월말 리포트를 열 때마다 같은 벽에 부딪혔는데, 상담 전환의 절반 안팎이 브랜드검색, 그러니까 회사 이름이나 서비스명을 직접 검색해 들어온 전화였고 이 경로에는 채널 꼬리표가 없었다.

브랜드검색은 광고 채널 이름이 아니라 '회사 이름을 직접 검색하는 행동'을 뜻한다. 그런데 이 행동 앞에 무엇이 있었을까. 광고를 봤는지 지인 추천을 들었는지, 클릭 데이터는 말해주지 않는다.

답을 얻으려고 상담원에게 부탁한 적이 있는데, 전화를 받을 때마다 "어디서 알게 되셨어요" 한 마디만 물어 남겨달라고 했다.

결과는 기대에 못 미쳤다. 상담 흐름에 없던 질문을 매번 끼워 넣기는 부담스러웠고 기록은 듬성듬성했으며, 답변도 "그냥 검색해서요"처럼 채널을 특정 못 하는 경우가 많았다. 사람에게 물어서 채우는 방법은, 적어도 이 상황에서는 오래가지 못했달까.

이 글이 답하려는 질문은 두 가지다. 그 덩어리를 애초에 원천별로 나눌 수 있나. 나눌 수 없다면, 그 대신 무엇을 할 수 있나.

클릭 데이터에는 애초에 PPL의 흔적이 없다

TV·유튜브 영상에 자연스럽게 노출되는 광고인 PPL(product placement)을 본 기록은 브라우저 어디에도 남지 않는다. 시청은 화면 밖에서 일어나고, 웹은 그다음 검색창을 두드릴 때가 되어서야 등장하는 식이다.

GA4(구글이 제공하는 무료 웹·앱 분석 도구)는 브라우저와 앱에서 일어난 이벤트만 기록하니, TV 앞에서의 시청은 구조적으로 안 보인다. 이 안 보이는 앞단 구간을 흔히 다크 퍼널(dark funnel, 마케팅 깔때기의 앞부분인데 데이터로는 잡히지 않는 구간)이라 부른다.

그래서 흔한 오판이 나오곤 하지. GA4에서 첫 유입 채널을 브랜드검색으로 확인하고는, 브랜드검색 자체를 성과 좋은 채널이라 판단해 예산을 옮기는 식이다. 하지만 브랜드검색은 원천이 아니라 이미 만들어진 수요가 수확되는 문일 뿐이지 않은가. 문 앞에 사람을 세운 건 PPL이나 블로그 바이럴일 수 있는데, 공은 문 쪽으로 돌아간다.

TV·영상 시청은 브라우저 밖에서 일어나 다크 퍼널로 남고, 브랜드검색은 그 수요가 나오는 문일 뿐이다.

갈림길: 사람을 이을 것인가, 흐름을 잴 것인가

여기서 길이 갈리는데, 한쪽은 개인 단위로 사람을 잇는 길이고 다른 쪽은 집계 단위로 흐름을 재는 길이다. 두 길은 서로 다른 질문에 답한다.

개인 추적, 즉 원장은 "이 특정 사람이 어떤 경로로 왔는가"에 답하지만, 로그인이나 전화번호 없이는 커버리지가 낮다. 반대로 집계 배분, 즉 추정은 "이 채널이 전체적으로 얼마나 기여했는가"에 답한다. 개인을 잇지 않아도 되는 대신, 확실성이 아니라 개연성의 문제로 넘어간다.

둘 중 하나만 고르는 문제는 아니지 않을까. 답할 수 있는 질문과 답할 수 없는 질문을 먼저 가르고, 각각 다른 도구로 접근해야 한다. 이 글의 나머지는 이 갈림길을 따라 두 갈래로 나눠 쓴다.

사람을 잇는 길과 흐름을 재는 길은 애초에 묻는 질문이 다르지 않은가.

사람을 잇는 사다리는 세 칸이다

1단은 브라우저 키다. GA4가 발급하는 client_id로 쿠키 형태로 브라우저에 저장되는데, 같은 브라우저에서는 유지되지만 기기를 넘지 못하고 사파리 같은 브라우저는 자체 추적방지 기능 때문에 이 키의 수명을 짧게 자른다.

2단은 저장이다. 브라우저의 로컬 저장소(localStorage)에 첫 유입 정보를 얼려서 남기는 퍼스트 터치(first touch, 방문자가 최초로 들어온 경로) 슬롯과, 매번 갱신되는 마지막 유입 정보(last touch) 슬롯이 여기 해당한다. 이 슬롯의 유효기간은 설계에 따라 보통 30~90일 사이로 잡는 편이다.

3단은 사람 키다. 전화번호를 원문 그대로가 아니라 해시(hash, 원래 값을 복원할 수 없게 일방향으로 바꾼 값)로 저장하거나, 로그인 아이디(user_id)로 사람을 묶는데, 로그인하는 순간 그동안 따로 놀던 여러 브라우저 키가 한 사람 밑으로 정리된다.

정직한 한계도 있다. 로그인이 없으면 전환 이전에 다른 기기에서 있었던 터치는 복원할 방법이 없는데, 이건 기술이 부족해서가 아니라 구조적인 한계에 가깝다. 사람 키가 그 기기에도 심어져 있어야 여정이 이어지는데, 로그인 이전엔 심을 수가 없으니 어쩔 수 없다.

위로 갈수록 확실해지지만, 위로 갈수록 커버리지는 좁아진다.

GA4 공짜 기능 3개로 여정의 앞부분이 보인다

비싼 CDP(고객 데이터 플랫폼)나 별도 어트리뷰션 툴이 꼭 있어야 할까. GA4 기본 기능만으로도 꽤 멀리 갈 수 있으니까. 순서대로 셋만 짚어보자.

첫째, 탐색 메뉴의 자유 형식 보고서. 행에는 첫 사용자 소스/매체를, 열에는 세션 소스/매체를 놓고 교차해 보면, 처음 발견된 채널과 실제로 신청까지 이어진 채널이 다르다는 게 눈에 보인다. 처음 안 채널과 실제로 민 채널이 다르다면, 그 사이 어딘가에 다른 힘이 끼어든 셈이다.

둘째, 광고 메뉴의 기여 분석 안에 있는 경로 보고서. 예전엔 전환 경로라 불렀고 지금은 키 이벤트 기여 경로로 이름이 바뀌었지만, 전환까지 거쳐 간 채널들의 순서를 보여준다는 본질은 같다. 브랜드검색이 마지막 클릭이더라도, 그 앞에 다른 유입이 있었다면 경로에 함께 찍힌다.

셋째, BigQuery(구글의 데이터 웨어하우스, GA4 표준 속성이면 무료로 매일 원본 이벤트를 내보낼 수 있다) 내보내기. 로그인 없이도 브라우저 단위로 부여되는 GA4 고유 식별자(user_pseudo_id)별로 소스 시퀀스를 직접 짤 수 있어서, UI가 미리 만들어둔 표를 넘어 원하는 각도로 여정을 재구성하는 자리가 된다.

여기 적은 메뉴 경로는 일반적으로 알려진 수준까지만이다. 구글이 화면 구성과 기능명을 자주 바꾸는 편이라(공식 지원 문서에도 최근 이름이 바뀐 항목이 있다), 정확한 버튼 이름과 위치는 직접 GA4 화면에서 확인하는 편이 안전하다.

별도 도구 없이 GA4 기본 기능만으로도 여정의 앞부분은 상당히 보인다.

흐름을 재는 쪽: 검색량이 움직인 만큼 나눠 갖는다

개인을 못 이으면 남은 방법은 집계다. 평소보다 검색량이 얼마나 더 튀었는지, 그 초과분(lift, 평상시 수준인 베이스라인 대비 튀어 오른 부분)을 원인이 될 만한 신호들에 나눠 갖게 하는 방식이다.

광고 효과가 당일 다 실현되지 않고 며칠에 걸쳐 나타나는 지연 현상을 adstock(에드스톡)이라 부르는데, 감쇠율 λ가 크면 지연이 길어진다. 16개 채널을 함께 돌린 지연모델 실측에서는 λ=0.75일 때 노출 후 7일이 지나야 누적 효과의 90%가 실현되는 것으로 나타났다.

당일 조회수와 당일 성과만 놓고 보면 어떻게 될까. 지연된 몫이 전부 베이스라인, 그러니까 원래 있었던 수요로 새어 들어가고, 채널의 실제 몫은 실제보다 작게 잡힌다. 같은 16채널 분석에서 지연을 반영하지 않았을 때 베이스라인은 60%로 잡혔는데, 반영한 뒤에는 26%로 줄었고 모델이 데이터를 설명하는 정도를 나타내는 R²(결정계수)도 0.30에서 0.74로 뛰었다. 지연 하나를 빼먹은 값과 채워 넣은 값의 차이가 이 정도라니, 가볍게 볼 문제가 아니다.

다른 프로젝트에서는 실제로 반전이 있었다. PPL 조회수와 브랜드검색량의 상관은 0.15로 약했고, 조회수만 보면 "PPL 효과가 별로 없다"는 결론으로 샐 뻔했달까. 그런데 조회수 대신 그 기간에 얼마를 태웠는지, 즉 집행강도로 바꿔 보니 상관이 0.44로 올라갔다. 노출량보다 얼마나 세게 집행했는지가 검색량과 더 잘 붙어 있었던 것이다(2025-01~2026-05, 509일 분석).

동시에 전환은 광고비 자체와 강하게 얽혀 있었는데, 총광고비와 총전환의 상관은 0.666으로 세 지표 중 가장 셌다. 그 시기에 늘어난 광고 예산이 PPL 효과와 같이 섞여, 관측 데이터만으로는 PPL 단독 효과를 순수하게 갈라내기가 구조적으로 어렵다.

그래서 검색량 하나만 쌓아서는 안 되고, 이벤트 캘린더(방영일·발행일·캠페인 온오프 기록)와 채널별 광고비를 나란히 쌓아야 한다. 이 세 시계열을 겹쳐야 어느 날의 검색량 상승이 방영 때문인지 광고비 증액 때문인지 최소한 방향이라도 갈라낼 수 있으니까. 여기에 브랜드검색량을 모바일과 PC로 쪼개보는 것도 한 겹의 단서가 되는데, 영상을 보고 난 직후의 검색은 모바일로 몰리는 경향이 있어서 모바일 비중이 튀는 시점을 PPL의 지문으로 쓸 수 있다.

이 배분은 끝까지 추정이다. 정밀한 채널별 정답을 만드는 모델이 아니라, 방향과 순위를 가리는 도구로 쓰는 게 맞다. 정밀 추정을 포기할 줄 아는 것, 그것도 실력이지 않을까.

조회수 단독 상관은 0.15로 약했지만 집행강도는 0.44, 광고비-전환 상관은 0.666으로 가장 강했다(509일 분석).

장부는 두 개다, 합치지 말고 대조하라

원장(팩트, 확실한 개인 단위 기록)과 추정(배분, 집계 단위 배분)을 한 표에 억지로 합치려는 순간 분석이 멈춘다. 합치면 이중 계상, 즉 같은 성과를 두 번 세는 공포가 따라붙기 때문이다.

원장은 절대 배분을 하지 않는다. 확실히 꼬리표가 붙은 것만 센 숫자라 추정치와 자리를 겹칠 일이 없고, 추정은 원장이 못 채운 나머지 덩어리에만 적용된다. 둘을 더하지 않고 나란히 놓기만 하면, 같은 성과를 두 번 세는 계산은 애초에 일어나지 않는다.

검증 표본은 상담 후 짧은 설문 한 문항이나 웹폼의 선택 항목처럼, 일부 표본에서 걷은 응답을 말한다. 성과 집계에 더하는 숫자가 아니라, 추정 장부가 잡은 배분 비율이 맞는지 확인하는 잣대로만 쓴다.

질문이 "이 사람이 어디서 왔나"면 원장을 보고, 질문이 "이 채널이 전체적으로 얼마를 벌어줬나"면 추정을 본다. 두 답이 크게 어긋난다면, 그건 검증 표본을 더 걷거나 실험을 설계할 신호가 아닐까.

실무 루틴은 한 달에 한 번이면 충분한데, 원장의 채널 비율, 추정 장부의 배분 비율, 검증 표본의 비율을 나란히 놓고 본다. 셋이 대체로 맞으면 그대로 운영하고, 유독 어긋나는 채널이 있으면 그게 다음 달에 확인할 대상이 된다.

원장, 추정, 검증 표본은 합치는 게 아니라 나란히 놓고 대조하는 세 장부다.

큰그림: 공급부터 매출 확정까지 다섯 층

지금까지 조각들을 한 장에 모으면 이렇다. 맨 위는 공급, 즉 원천 신호로, PPL 조회수, 블로그 노출, 채널별 광고비, 이벤트 캘린더처럼 세상에 뿌려지는 신호가 여기 해당한다. 여기서 며칠 지연을 거쳐 두 번째 층인 수요 표출로 넘어가는데, 모바일/PC로 쪼갠 브랜드검색량과 직접 유입이 그 자리를 채운다.

세 번째 층이 유입, GA4가 잡는 세션 소스와 첫 사용자 소스다. 네 번째 층이 전환 원장, 꼬리표가 붙은 웹 리드·콜·가입이고, 마지막 다섯 번째 층이 확정, 개통과 매출을 실제 조인으로 잇는 자리다.

이 그림은 두 방향으로 읽는다. 세로로 읽으면 원장인데, 꼬리표가 붙은 전환이 층을 타고 내려와 채널별 하한선이 된다. 가로로 읽으면 추정인데, 시계열이 옆으로 흐르면서 꼬리표 없는 덩어리를 원천 신호 쪽으로 나눠 배분한다.

자기 조직에 대입해보면 빈 칸이 보이지 않을까. 다섯 층 중에 이미 잡히고 있는 층은 어디고, 아직 비어 있는 층은 어디인가. 대개는 유입과 전환 원장은 있는데, 공급 신호를 시계열로 쌓는 습관이나 퍼스트 터치 슬롯 같은 저장 쪽이 비어 있는 경우가 많다.

내일부터 쌓을 것들

이야기는 여기까지다. 이제 이걸 각자의 다섯 층에 대보자. 어느 층이 비어 있는지부터 확인하고, 그 층부터 채운다.

그래도 하나만 챙긴다면, 이것이다.

브랜드검색은 문이지 원천이 아니다, 원장과 추정을 합치지 말고 대조하라.

이 글의 프레임을 기초부터 풀어쓴 편들이 있다. 다크 퍼널 개념은 다크 퍼널 추적법, 기여 모델은 GA4 어트리뷰션 입문, 다섯 층 자가진단 워크북은 마케팅 측정 설계 진단 참고.

근거·출처

• GA4 자유 형식 탐색 보고서: Google Analytics 고객센터, Free-form exploration
• GA4 키 이벤트 기여 경로 보고서: Google Analytics 고객센터, Key event attribution paths report
• GA4 BigQuery 무료 내보내기: Google Analytics 고객센터, Set up BigQuery Export
• 기여도 분석 방법론(adstock·삼각측량): 내부 분석 자료, 비공개
• PPL 반사이익 상관·시차 분석(0.15/0.44/0.666): 내부 분석 자료, 비공개

상담 비율·상관계수 등 수치는 실제 분석에서 나온 값이나 회사명은 밝히지 않았다. 검색량 배분(lift) 수치는 모두 추정이며, adstock 지연 파라미터는 특정 프로젝트의 실측 추정치라 업종·채널 구성이 다르면 그대로 적용되지 않는다.