← 라이브러리 01 메타 기여도 분석 엔진의 실체: 7일 클릭 / 1일 조회(7-day click, 1-day view) 기여 기간 설정의 알고리즘 최적화 연동 매커니즘 기여 기간(Attribution Window)은 리포팅 옵션이 아니라 알고리즘이 어떤 전환을 "학습 데이터"로 셀지 정하는 스위치입니다. 4건 출처 02 인크리멘털리티(Incremental Lift/증분 분석)의 정의: 자연 유입 매출과 광고를 통한 '순수 추가 매출'을 발라내야 하는 거시적 배경 기여 모델이 아무리 정교해져도 "광고가 없었다면 어차피 샀을 사람"까지는 걸러내지 못합니다 — 그 역할을 하는 게 인크리멘털리티입니다. 3건 출처 03 통계적 실험 설계: 광고 노출 그룹(Test)과 비노출 그룹(Control)을 메타 비즈니스 내부 툴로 정밀 격리하는 리프트 테스트(Lift Test) 인프라 인크리멘털리티를 측정하려면 결국 "누구에게는 광고를 보여주고, 누구에게는 안 보여준다"를 통제된 실험으로 만들어야 합니다 — 메타는 이 격리를 광고주가 직접 코드 없이 할 수 있게 도구화했습니다. 3건 출처 04 구현 조건 및 데이터 요건: 증분 분석 캠페인 집행 시 경매 낙찰률 간섭을 피하기 위한 최소 예산 볼륨 및 전환 모수 마지노선 리프트 테스트는 "돌리면 결과가 나오는" 도구가 아니라 최소 전환 볼륨·기간 요건을 충족해야 신뢰할 수 있는 숫자가 나오는 통계 실험입니다. 3건 출처 05 [실패 사례 분석] 라스트 클릭 기여 모델의 착시: 메타 리타게팅 광고의 높은 ROAS 지표만 믿고 예산을 몰았다가 전체 자사몰 매출이 급감한 원인 해부 리타게팅 캠페인의 ROAS가 압도적으로 높다면, 그건 광고가 잘 먹혀서가 아니라 애초에 살 사람만 골라서 광고를 보여줬기 때문일 수 있습니다. 2건 출처 06 기여도 왜곡 보정 룰셋: GA4(라스트 클릭 모델) 데이터와 메타 광고 관리자(자체 기여 모델) 데이터 간의 크로스 채널 데이터 격차 조율 공식 GA4와 메타 광고 관리자의 전환수가 다르게 나오는 건 버그가 아니라 두 시스템이 애초에 다른 규칙으로 세는 구조이기 때문입니다. 3건 출처 07 인크리멘털리티 기반 예산 재분배: 리프트 점수가 높게 나온 핵심 잠재오디언스(Broad/Broad Lookalike) 채널에 거시 예산 우선 배정 룰 리프트 테스트로 순증분이 확인됐다면, 그 다음 단계는 결과를 예산 배분 룰로 바꾸는 작업입니다 — 이때 광범위 타겟팅과 유사 타겟이 유독 유리한 이유가 있습니다. 3건 출처 08 빈도 피로도와 증분율의 상관관계: 광고 노출 빈도가 4회를 넘어설 때 유저당 추가 구매 증분 가치가 마이너스로 돌아서는 임계점 포착 빈도가 오를수록 노출은 늘지만, 어느 지점을 지나면 추가 노출 한 번이 오히려 그 유저의 구매 가능성을 깎아먹기 시작합니다. 1건 출처 09 [확인 항목] 메타 어트리뷰션 API 연동 기준: iOS 개인정보 정책 변화에 따른 연도별 매체 기여 데이터 보정 모델(AEM) 작동 한계 점검 AEM은 iOS 사용자가 추적을 거부해도 광고 성과를 어느 정도 측정할 수 있게 해주는 보정 장치지만, 그 작동 범위와 한계가 웹과 앱에서 다르게 적용되고 있어 계정별로 직접 확인이 필요합니다. 4건 출처 10 마케팅 믹스 모델(MMM)을 위한 시드 데이터 추출: 메타 대시보드 내 순수 일별 광고비와 전환수 로우 데이터를 기여도 필터링 후 가공하는 법 마케팅 믹스 모델은 채널별 기여 데이터가 아니라 "돈을 얼마 썼고 결과가 얼마나 나왔는가"라는 로우 데이터를 원재료로 삼습니다 — 메타 기여 모델의 배분 로직을 걷어내는 작업이 시작점입니다. 3건 출처 11 [레슨] 메타 알고리즘의 고도화 방향: 매 분기 업데이트되는 메타 자체 인공지능(Llama 기반 광고 최적화) 공식 백서 기반 전략 수정 프로세스 메타의 광고 랭킹 엔진은 조용히, 그러나 빠르게 계속 업데이트되고 있습니다 — 이 변화를 어떻게 추적하고 전략에 반영할지가 이 과목의 마지막 주제입니다. 3건 출처