왜 모델을 바꾸면 ROAS가 통째로 달라지나

ROAS(광고비 대비 매출)는 매출을 광고비로 나눈 값인데, 이때 분자에 들어가는 "매출"이 어느 채널에 얼마나 배분되는지는 앞선 강의에서 다룬 어트리뷰션 모델에 따라 달라집니다. 같은 총매출이라도 라스트 클릭 모델에서는 검색광고·리타겟팅에 매출이 몰리고, 데이터 기반 모델에서는 상단 퍼널 채널에도 일부 매출이 배분됩니다. 광고비 자체는 모델과 무관하게 고정돼 있으므로, 결국 분자(배분된 매출)가 모델마다 달라지면서 채널별 ROAS 숫자도 함께 바뀌는 구조입니다. 이 때문에 "어느 모델이 맞는 ROAS인가"라는 질문 자체가 성립하지 않습니다 — 둘 다 같은 전체 매출을 서로 다른 기준으로 나눈 결과일 뿐이고, 실무자가 할 일은 어느 쪽이 옳은지 가리는 것이 아니라 두 관점을 함께 놓고 판단하는 것입니다. 라스트 클릭은 "무엇이 마지막에 문을 닫았는가"를, 데이터 기반 모델은 "무엇이 확률을 실제로 끌어올렸는가"를 각각 답하는 서로 다른 질문이라고 이해하는 편이 혼선을 줄여줍니다.

재연산 시트에 담아야 할 최소 항목

채널별로 라스트 클릭 기준 전환수·매출·ROAS와 데이터 기반 모델 기준 전환수·매출·ROAS를 나란히 배치하고, 두 모델 간 매출 배분 차이(퍼센트포인트)와 순위 변동을 함께 표기하는 구성이 기본입니다. 여기에 채널의 퍼널 역할(상단 인지·중단 고려·하단 전환)을 한 칸 더 추가해두면, 왜 그 채널의 숫자가 모델에 따라 크게 흔들리는지를 시트만 봐도 설명할 수 있어 예산 논의 자리에서 훨씬 설득력이 높아집니다. 가능하다면 전월·전분기 수치를 함께 열로 남겨 시계열로 비교하면, 특정 달의 일시적 변동인지 지속적인 추세인지도 같은 시트에서 바로 판단할 수 있습니다.

차이가 큰 채널부터 우선순위를 매기는 법

모든 채널을 한 번에 재검토하기보다, 두 모델 간 ROAS 차이(또는 순위 변동)가 가장 큰 채널부터 살펴보는 것이 효율적입니다. 차이가 크다는 것은 그 채널이 상단 퍼널 역할을 하고 있어서 라스트 클릭에서 저평가되고 있었거나, 반대로 라스트클릭에서 과대평가되던 채널이라는 신호입니다. 5강에서 다룬 실패 사례처럼, 차이가 큰 채널일수록 잘못된 모델 하나만 보고 예산을 결정했을 때 왜곡의 영향도 더 크다는 뜻이기도 합니다. 반대로 두 모델 간 차이가 거의 없는 채널은 우선순위를 낮게 두고, 한정된 검토 시간을 차이가 큰 소수 채널에 집중하는 편이 실무적으로 효율적입니다.

예산 비중을 한 번에 바꾸지 않아야 하는 이유

두 모델의 차이를 확인했다고 해서 예산 비중을 곧바로 크게 재배분하면, 그 자체가 또 다른 왜곡의 원인이 될 수 있습니다. 4강에서 다룬 것처럼 예산 변경은 학습 기간을 리셋시키고, DDA의 데이터 요건에도 영향을 줍니다. 시트로 확인한 차이를 근거로 삼되, 실제 조정은 소폭(예: 채널당 예산의 일부)으로 시작해 몇 주간 결과를 지켜보며 단계적으로 늘려가는 방식이 안전합니다. 특히 그동안 저평가돼 있던 채널의 예산을 갑자기 크게 늘리면, 그 채널이 실제로 감당할 수 있는 효율적인 오디언스 규모를 넘어서면서 오히려 한계 ROAS가 급락하는 경우도 있어 단계적 증액이 더 안전한 접근입니다.

시트를 일회성이 아니라 반복 루틴으로 만드는 법

어트리뷰션 모델의 계산 결과는 시간이 지나며 계속 갱신됩니다(3강에서 다룬 재기여 특성 참고). 분기 또는 시즌이 바뀔 때마다 같은 시트 구조로 채널별 라스트클릭·DDA 비교를 다시 뽑아 갱신하면, 이 시트 자체가 매체 담당자와의 예산 협의 자료이자 연간 미디어믹스 조정의 기준선이 됩니다. 한 번의 스냅샷만으로 예산을 결정하는 것보다, 여러 분기에 걸쳐 같은 채널이 반복적으로 저평가·과대평가되는 패턴을 확인하는 편이 훨씬 신뢰할 수 있는 근거가 됩니다. 한 번 만들고 방치하면 다음 분기에는 다시 처음부터 데이터를 뽑아야 해서, 시트 구조와 갱신 주기를 미리 문서화해두는 것이 좋습니다. 담당자가 바뀌더라도 같은 형식으로 데이터를 이어 쌓을 수 있게, 채널 정의·기간 기준·모델 종류 같은 항목의 표기 규칙을 시트 첫 탭에 함께 정리해두는 것도 실무에서 시간을 크게 아껴줍니다.