마케팅 성과 추적 시스템, 정말 정확할까요?

마케팅 성과 추적 시스템은 완벽하게 정확하지 않습니다. 쿠키 기반 수집, 플랫폼마다 다른 집계 기준, 기기 간 이동, 동의 모드로 인한 행동 모델링 같은 구조적 요인 때문에 실제 성과와 리포트 수치 사이에는 언제나 오차 범위가 존재합니다. 중요한 건 오차를 완전히 없애는 게 아니라, 오차의 크기와 방향을 파악하고 의사결정에 반영하는 일입니다.

많은 마케팅 조직이 대시보드에 찍힌 숫자를 그대로 믿습니다. 광고 플랫폼이 보여주는 전환수, 애널리틱스 툴이 집계한 방문자 수, CRM이 기록한 성과 지표를 하나의 완결된 사실처럼 다룹니다. 하지만 실무에서 조금만 파고들면 금방 이상한 점을 발견하게 됩니다. 서로 다른 광고 플랫폼의 전환수를 모두 더하면 실제 매출보다 훨씬 큰 숫자가 나오고, 같은 기간을 다른 날짜에 다시 조회하면 수치가 달라져 있기도 합니다. 이 글에서는 왜 이런 오차가 발생하는지 구조적으로 짚어보고, 오차를 줄이기 위해 실무에서 바로 적용할 수 있는 방법을 정리합니다.

마케팅 성과 추적, 왜 완벽할 수 없을까?

성과 추적 시스템의 정확도를 이야기하기 전에 먼저 짚어야 할 사실이 있습니다. 지금 시장에서 쓰이는 거의 모든 측정 도구는 근본적으로 '추정'을 기반으로 설계되어 있다는 점입니다. 완전한 실측이 아니라 확률적 모델링에 가깝습니다.

쿠키 기반 추적의 구조적 한계

구글 애널리틱스4(GA4)를 포함한 대부분의 웹 분석 도구는 브라우저 쿠키로 사용자를 식별합니다. 문제는 쿠키가 사용자 개인이 아니라 브라우저와 기기의 조합에 저장된다는 점입니다. 같은 사람이 출근길에는 모바일로, 사무실에서는 데스크톱으로 광고를 접한 뒤 구매한다면, 시스템은 이를 서로 다른 두 명의 방문으로 기록합니다. 실제로 GA4의 사용자 식별 방식을 다룬 자료를 보면, 퍼스트 파티 쿠키는 세션에 따라 독립적인 클라이언트 아이디가 저장되기 때문에 브라우저나 기기가 달라지면 같은 사용자의 클라이언트 아이디가 여러 개로 흩어질 수 있다고 설명합니다. 이 구조 자체가 이미 중복 집계와 과소 집계를 동시에 유발하는 근본 원인입니다.

여기에 브라우저 정책도 영향을 줍니다. 사파리의 추적 방지 기능이나 광고 차단 확장 프로그램을 사용하는 사용자 비중이 매년 늘면서, 애초에 스크립트가 실행되지 않아 아예 로그가 남지 않는 경우도 상당합니다. 즉 오차는 '측정을 잘못해서'가 아니라 '측정 자체가 불가능한 구간이 존재해서' 생기기도 합니다.

플랫폼마다 다른 집계 기준

두 번째 구조적 문제는 플랫폼 간 기준의 불일치입니다. 검색 광고 플랫폼, 소셜 광고 플랫폼, 자체 애널리틱스 도구는 각각 자기 플랫폼에 유리한 방식으로 성과를 집계하는 경향이 있습니다. 클릭 후 전환을 인정하는 기간, 노출 후 전환을 인정하는 기간, 기여 모델의 종류가 플랫폼마다 다르기 때문에 같은 사용자의 같은 구매 행위가 여러 플랫폼에서 동시에 '내 덕분'으로 잡히는 일이 흔합니다.

이 문제는 마케팅 조직 내부의 구조 설계와도 맞닿아 있습니다. 여러 매체와 도구가 파편적으로 운영되는 조직일수록 데이터 정합성 문제가 커지는데, 이와 관련해서는 마케팅 구조와 애드테크 통합으로 효율을 극대화하는 방법에서 통합 측정 인프라의 필요성을 다룬 적이 있습니다. 도구를 늘리는 것과 정확하게 통합하는 것은 완전히 다른 문제입니다.

왜 광고 플랫폼끼리 전환수를 더하면 매출보다 커질까?

실무자라면 한 번쯤 겪어봤을 상황입니다. 검색 광고에서 보고한 전환수, 소셜 광고에서 보고한 전환수, 디스플레이 광고에서 보고한 전환수를 모두 더했더니 실제 결제 건수보다 많은 경우입니다. 이는 시스템 오류가 아니라 기여 모델의 구조적 특성 때문에 발생하는 자연스러운 현상입니다.

중복 기여의 메커니즘

대부분의 광고 플랫폼은 자사 광고를 마지막으로 클릭했거나 조회한 사용자에게 전환의 공을 돌리는 자체 기여 모델을 사용합니다. 문제는 이 판단이 다른 플랫폼의 데이터를 전혀 참조하지 않고 독립적으로 이뤄진다는 점입니다. 사용자가 검색 광고를 클릭하고, 이후 소셜 피드에서 리타게팅 광고를 보고, 마지막으로 브랜드 검색으로 유입돼 구매했다면, 세 플랫폼 모두가 이 한 건의 구매를 자기 성과로 보고할 가능성이 높습니다. 결과적으로 플랫폼별 보고 수치를 단순 합산하면 실제보다 부풀려진 숫자가 나옵니다.

이 현상은 특히 광고 예산 배분 논의에서 위험합니다. 각 매체 담당자가 자기 플랫폼의 리포트만 근거로 예산 증액을 요청하면, 조직 전체는 실제보다 과장된 효율을 기준으로 의사결정을 내리게 됩니다. 예산 배분의 원칙을 다룬 마케팅 예산 배분의 원칙 — 온라인/오프라인 비율은 어떻게 정할까에서도 강조했듯, 매체별 보고 수치가 아니라 전사 통합 관점의 증분 효과를 봐야 하는 이유가 여기에 있습니다.

뷰스루와 클릭 기여의 착시

또 하나 자주 간과되는 지점은 노출만으로도 전환으로 잡히는 뷰스루 기여입니다. 사용자가 광고를 보기만 하고 클릭하지 않았는데도, 이후 일정 기간 안에 다른 경로로 구매하면 해당 노출에 전환 공로가 돌아가는 방식입니다. 이 기준 기간이 플랫폼마다 다르고, 대개는 광고주에게 공개되지 않거나 조정이 제한적입니다. 결과적으로 실제 광고가 구매 결정에 미친 영향력보다 리포트상 숫자가 훨씬 크게 나타나는 착시가 생깁니다.

이 문제를 실무에서 완전히 없앨 방법은 없습니다. 다만 플랫폼 리포트를 절대적 진실이 아니라 '해당 플랫폼 관점에서의 주장'으로 보고, 별도의 독립적인 측정 기준을 두는 것이 현실적인 대안입니다.

GA4는 얼마나 정확할까?

GA4는 현재 가장 널리 쓰이는 무료 웹 분석 도구지만, 구글 스스로도 완전한 정확성을 보장하지 않는다고 명시하고 있습니다.

쿠키 기반 수집과 오차 범위

GA4의 데이터 수집 원리를 다룬 실무 가이드에서는 GA4의 데이터 수집이 쿠키를 기반으로 하기 때문에 실제 값과 완전히 일치하지 않을 수 있으며, 대신 수치의 크기와 추이가 일정한 오차 범위 안에서 유지되는지를 확인하는 방식으로 활용해야 한다고 설명합니다. 즉 GA4의 절대값 자체보다, 기간별 비교나 채널 간 상대적인 추이를 보는 것이 훨씬 신뢰도 높은 활용법입니다. UTM 코드의 대소문자 표기가 조금만 어긋나도 같은 유입 채널이 서로 다른 값으로 쪼개져 집계되는 사례도 흔한데, 이는 시스템의 결함이 아니라 운영 과정의 관리 소홀에서 비롯되는 오차입니다.

동의 모드와 행동 모델링

최근 유럽을 중심으로 강화된 개인정보 동의 규제는 GA4의 정확성에 또 다른 변수를 더했습니다. 사용자가 쿠키 사용에 동의하지 않으면 해당 사용자의 행동 데이터는 수집되지 않는데, 구글은 이 공백을 메우기 위해 동의한 유사 사용자들의 행동 패턴을 학습해 동의를 거부한 사용자의 행동을 추정하는 모델링 방식을 도입했습니다. GA4 동의 모드의 행동 모델링 공식 도움말에 따르면 이러한 행동 모델링은 모델 품질에 대한 신뢰도가 높은 경우에만 반영되며, 충분한 데이터가 없으면 모델을 학습시키지 않는 방식으로 정확성을 관리한다고 설명합니다. 다시 말해 GA4가 보여주는 숫자 중 일부는 실측이 아니라 머신러닝이 추정한 값이라는 뜻입니다.

여기에 더해 GA4는 기여 분석 모델 운영 방식도 계속 바꿔왔습니다. 한 시점 이후로는 마지막 클릭 모델이나 데이터 기반 모델 외에는 지원을 중단했는데, 이는 GA4의 기여 모델 지원 중단을 다룬 데이터 분석 자료에서 확인할 수 있습니다. 과거에는 첫 번째 클릭, 선형, 시간 가치 하락 같은 다양한 기여 모델을 선택할 수 있었지만, 쿠키리스 환경으로 전환되면서 정교한 모델을 유지하기 위한 데이터 기반 자체가 흔들렸기 때문입니다. 구조가 계속 바뀐다는 것 자체가, 지금 이 순간의 숫자도 절대적 기준이 될 수 없다는 신호입니다.

퍼스트파티 데이터로 공백을 메우는 방법

구글은 이 정확성 공백을 보완하기 위해 광고주가 직접 확보한 이메일이나 전화번호 같은 사용자 제공 데이터를 해싱해 구글 시스템과 매칭하는 기능을 제공합니다. 구글 애널리틱스 공식 고객센터 문서에 따르면 이 사용자 제공 데이터 수집 기능은 쿠키나 다른 사용자 식별자를 사용할 수 없을 때 관측할 수 없는 잠재고객까지 도달 범위를 넓혀, 전환 모델링과 입찰 최적화의 정확도를 높이는 데 활용됩니다. 결국 방향은 명확합니다. 제3자 신호가 줄어드는 만큼, 광고주가 직접 확보한 퍼스트파티 데이터의 비중을 늘리는 조직만이 상대적으로 정확한 그림을 유지할 수 있습니다.

놓치고 있는 데이터는 어디에 있을까?

지금까지 살펴본 오차는 대부분 '과대 계산'과 관련된 문제였습니다. 하지만 반대로 '누락'되는 데이터도 상당합니다.

오프라인 전환의 사각지대

온라인 광고를 보고 오프라인 매장에서 구매하거나, 온라인 광고를 보고 전화로 상담을 신청한 뒤 계약하는 경우처럼, 디지털 접점과 실제 전환 시점이 분리된 여정은 표준 웹 분석 도구로 잡히지 않습니다. 이런 여정을 추적하려면 별도의 콜 트래킹, 오프라인 전환 업로드, CRM 연동 같은 추가 인프라가 필요합니다. 많은 조직이 이 부분을 아예 포기하고 온라인에서 완결되는 전환만을 기준으로 성과를 판단하는데, 이는 특히 오프라인 채널 비중이 큰 업종에서 심각한 왜곡을 낳습니다. 브랜딩 활동과 즉각적인 반응형 성과를 분리해서 보지 않으면 이런 왜곡은 더 커지는데, 이 주제는 브랜딩과 퍼포먼스를 따로 하면 생기는 일에서 자세히 다뤘습니다.

앱과 웹을 넘나드는 사용자 여정

모바일 앱과 웹사이트를 함께 운영하는 브랜드라면 문제가 하나 더 늘어납니다. 앱 내 행동과 웹 행동은 서로 다른 식별 체계를 사용하는 경우가 많아, 사용자가 앱에서 광고를 보고 웹으로 이동해 구매하면 두 개의 서로 다른 사용자 여정으로 기록됩니다. 최근에는 이커머스 플랫폼 스스로가 단순 판매 채널을 넘어 구매 데이터 기반의 광고 네트워크로 진화하고 있다는 분석도 나옵니다. 이는 측정해야 할 데이터 소스가 더 늘어난다는 뜻이고, 동시에 각 소스가 서로 다른 방식으로 성과를 집계할 위험도 함께 커진다는 뜻입니다.

다크소셜과 입소문 경로

메신저 공유, 커뮤니티 캡처, 지인 추천처럼 URL 파라미터가 남지 않는 경로로 유입되는 트래픽도 측정 사각지대에 속합니다. 이런 유입은 분석 도구에서 대부분 '직접 유입'이나 '기타'로 뭉뚱그려 잡히기 때문에, 실제로는 특정 콘텐츠나 캠페인이 만든 성과인데도 어떤 채널의 공로인지 알 수 없는 상태로 남습니다. 데이터가 파편화된 조직일수록 이런 사각지대를 방치하기 쉬운데, 조직 내 데이터 사일로 문제는 마케팅 실행과 설계는 어떻게 다른가에서 다룬 조직 설계 문제와 근본 원인이 같습니다. 결국 측정의 정확도는 툴의 문제가 아니라 조직이 데이터를 다루는 방식의 문제입니다.

데이터 오차를 줄이는 실질적인 방법은 무엇일까?

오차를 완전히 제거할 수는 없지만, 오차의 폭을 줄이고 방향을 통제하는 것은 충분히 가능합니다. 아래는 실무에서 바로 적용할 수 있는 네 가지 방법입니다.

하나, 퍼스트파티 데이터 인프라를 먼저 구축한다

제3자 쿠키 의존도를 낮추는 가장 확실한 방법은 광고주가 직접 확보한 데이터를 늘리는 것입니다. 회원가입, 뉴스레터 구독, 상담 신청 같은 접점에서 확보한 이메일과 연락처를 안전하게 해싱해 광고 플랫폼과 연동하면, 쿠키가 사라진 환경에서도 전환 추적의 정확도를 상당 부분 유지할 수 있습니다. 이는 비용이나 기술의 문제가 아니라 조직이 얼마나 일찍 이 인프라에 투자하느냐의 문제입니다.

둘, 서버사이드 태깅과 전환 API를 도입한다

브라우저에 의존하는 클라이언트사이드 스크립트는 광고 차단 프로그램이나 브라우저 정책에 취약합니다. 반면 서버에서 직접 광고 플랫폼으로 전환 데이터를 전송하는 서버사이드 태깅 방식은 브라우저 환경 변화의 영향을 상대적으로 덜 받습니다. 실제로 최근 디지털 마케팅 트렌드를 정리한 자료에서도 광고 플랫폼에 정확한 전환 데이터를 직접 전송하는 방식의 도입이 확산되는 흐름을 짚고 있습니다. 이 접근은 단순히 기술 도입이 아니라, 데이터 파이프라인 전체를 다시 설계하는 작업에 가깝습니다.

셋, 매체별 보고가 아닌 통합 측정 기준을 세운다

가장 근본적인 해법은 각 광고 플랫폼의 자체 보고를 그대로 신뢰하지 않고, 조직 내부에 독립적인 통합 측정 기준을 두는 것입니다. 예를 들어 모든 매체의 성과를 실제 결제 데이터와 대조하는 정기 검증 프로세스를 만들거나, 매체 간 중복 기여를 조정하는 통합 기여 모델을 자체적으로 운영하는 방식입니다. 이 작업은 특정 툴 하나로 해결되지 않고, 마케팅 구조 자체를 설계하는 문제로 이어집니다. 실행과 설계를 구분하지 않으면 이런 통합 작업은 늘 뒷전으로 밀리는데, 이 차이는 마케팅 실행과 설계는 어떻게 다른가에서 자세히 설명한 바 있습니다.

넷, 조직 차원의 데이터 거버넌스를 마련한다

UTM 파라미터 표기 규칙, 이벤트 정의, 전환 기준 같은 기본적인 데이터 규칙이 팀마다 다르면 아무리 좋은 도구를 도입해도 오차는 줄지 않습니다. 누가 어떤 규칙으로 데이터를 태깅하고, 누가 그 데이터를 검증하는지에 대한 명확한 책임 구조가 필요합니다. 크로스펑셔널 팀 운영이 필요한 이유도 여기에 있는데, 관련 논의는 에이전시를 바꿔도 결과가 비슷한 이유에서 다뤘습니다. 데이터 정확성은 결국 기술 문제가 아니라 조직 운영의 문제로 귀결됩니다.

AI가 성과 측정을 더 복잡하게 만들고 있을까?

최근 흐름을 보면 상황은 오히려 더 복잡해지고 있습니다. 광고 플랫폼들이 인공지능 기반의 자동 입찰과 자동 타겟팅을 빠르게 확대하면서, 마케터가 직접 통제할 수 있는 변수 자체가 줄어들고 있기 때문입니다.

PPC 트렌드를 조사한 리포트를 소개한 국내 마케팅 인사이트 자료에 따르면, 응답한 마케터의 대다수가 인공지능 중심 캠페인을 운영하고 있다고 답했지만, 그중 상당수는 성과는 개선됐지만 통제력은 오히려 줄었다고 답했습니다. 인공지능이 자동으로 광고 문안을 만들고, 타겟 오디언스를 식별하고, 입찰 금액과 노출 채널까지 스스로 조정하는 구조에서는, 어떤 요인이 실제로 성과에 기여했는지를 사람이 명확히 분리해내기가 더 어려워집니다. 효율은 올라가지만 그 효율이 어디에서 왔는지에 대한 설명력은 떨어지는 역설적인 상황입니다.

같은 맥락에서 글로벌 마케팅 동향을 조사한 세일즈포스 리포트는, 인공지능 에이전트를 실제로 구현하고 운영하는 일이 현재 마케터들에게 가장 시급한 우선순위이자 동시에 가장 큰 해결 과제로 꼽힌다고 밝혔습니다. 같은 조사에서 인공지능 에이전트를 도입해 자율적으로 문제를 해결하는 기업은 비도입 기업 대비 성과와 투자 대비 수익률 모두 더 높게 나타났다고 합니다. 다만 이런 성과의 격차 뒤에는 데이터 품질의 격차가 있다는 점도 함께 지적됐는데, 사일로를 허물고 데이터를 통합하는 것이 경쟁에서 뒤처지지 않기 위한 가장 강력한 진입 장벽이 된다고 설명합니다. 결국 인공지능이 성과를 만들어내는 시대일수록, 그 성과를 검증할 수 있는 측정 인프라의 중요성은 더 커집니다. 인공지능이 마케팅 에이전시의 역할을 대체할 수 있는지에 대한 논의도 이런 맥락과 맞닿아 있는데, 이는 AI 에이전트가 마케팅 에이전시를 대체할 수 있을까?에서 다룬 바 있습니다.

그렇다면 무엇을 기준으로 판단해야 할까?

완벽한 추적이 불가능하다는 사실을 받아들이면, 오히려 더 실용적인 질문을 던질 수 있습니다. 어떤 지표를 절대값으로 믿고, 어떤 지표를 방향성 참고 자료로만 볼 것인가 하는 질문입니다.

절대값이 아니라 추이와 비율을 본다

동일한 측정 도구, 동일한 설정 조건에서 나온 숫자라면, 그 절대값의 정확도보다 기간별 변화의 추이나 채널 간 상대적 비율이 훨씬 신뢰할 수 있는 정보입니다. 지난달 대비 이번 달 방문자가 늘었다는 사실은, 방문자 수 자체의 오차 범위와 무관하게 유의미한 신호일 가능성이 높습니다. 반대로 서로 다른 도구나 서로 다른 기간에 측정한 절대 수치를 단순 비교하는 것은 오차를 오차로 검증하는 무의미한 작업이 될 수 있습니다. 올바른 지표와 잘못된 지표를 구분하는 기준은 이런 맥락에서 다시 짚어볼 필요가 있는데, 마케팅 효과를 측정하는 올바른 지표와 잘못된 지표에서 이 부분을 구체적으로 정리했습니다.

매체 리포트가 아니라 사업 결과로 검증한다

가장 확실한 검증 방법은 결국 실제 매출, 실제 신규 고객 수, 실제 재구매율 같은 사업 결과와 매체 리포트를 주기적으로 대조하는 것입니다. 매체 리포트상의 성과가 계속 좋아지는데 실제 사업 지표는 정체되어 있다면, 어딘가에서 중복 계산이나 과대 기여가 발생하고 있다는 신호로 봐야 합니다. 이런 검증은 한 번으로 끝나는 것이 아니라 분기 단위, 혹은 캠페인 단위로 반복되는 루틴으로 만들어야 의미가 있습니다.

에이전시를 바꿔도 문제가 반복되는 이유

여러 조직이 성과가 정체되면 에이전시나 대행사를 교체하는 방식으로 대응하지만, 측정 구조 자체가 부정확한 상태에서는 담당자가 바뀌어도 같은 문제가 반복될 수밖에 없습니다. 잘못된 숫자를 기준으로 최적화를 반복하면, 아무리 뛰어난 팀이 붙어도 잘못된 방향으로 정교하게 나아가는 결과만 낳습니다. 이 구조적 반복은 마케팅 구조 전략에서 다룬 문제와도 정확히 맞닿아 있습니다. 측정 시스템을 먼저 점검하지 않은 채 실행 파트너만 바꾸는 것은, 근본 원인을 남겨둔 채 증상만 반복해서 치료하는 것과 다르지 않습니다.

마무리: 정확도보다 중요한 건 오차를 아는 것

마케팅 성과 추적 시스템은 태생적으로 완벽할 수 없습니다. 쿠키 기반 식별의 한계, 플랫폼 간 중복 기여, 동의 모드로 인한 행동 모델링, 오프라인과 다크소셜 같은 사각지대까지 겹치면서 실제 성과와 리포트 수치 사이에는 항상 간극이 존재합니다. 인공지능 기반 자동화가 광고 운영의 기본값이 되면서 이 간극은 오히려 더 커지고 있습니다. 효율은 좋아졌지만 그 효율의 출처를 설명하기는 더 어려워졌기 때문입니다.

그렇다고 측정을 포기할 이유는 없습니다. 오차를 완전히 제거하는 대신, 오차의 크기와 방향을 파악하고 그 안에서 신뢰할 수 있는 의사결정 기준을 세우는 것이 현실적인 목표입니다. 퍼스트파티 데이터를 확보하고, 서버사이드로 측정 인프라를 다시 설계하고, 매체 리포트가 아닌 사업 결과를 기준으로 검증하는 루틴을 만드는 것. 이 세 가지가 지금 당장 시작할 수 있는 가장 확실한 출발점입니다. 결국 정확한 숫자를 찾는 일보다, 어떤 숫자를 믿고 어떤 숫자를 의심해야 하는지를 아는 조직이 더 멀리 갑니다.