브라우저 정책 문제와 무엇이 다른가

원인을 갈라야 대응이 갈립니다. 사파리의 추적 방지는 정책 쪽 원인입니다. ITP 2.1부터 자바스크립트로 만든 퍼스트파티 쿠키의 수명이 최대 7일로 제한되고, 광고 클릭 파라미터가 붙어 들어온 세션의 쿠키는 24시간으로 더 짧아집니다. 이 격차는 브라우저별로 갈리므로 브라우저를 나눠 재면 보입니다.

반면 사용자가 직접 브라우저 데이터를 지우거나 사생활 보호 창으로만 접속하는 것은 행동 쪽 원인입니다. 이건 브라우저 종류와 무관하게 발생하고, 저장소가 비면 같은 사람이 다음 방문 때 처음 온 사람으로 기록됩니다. 그래서 브라우저별 비교로는 잡히지 않고, 사람을 식별할 수 있는 다른 축이 필요합니다.

증상은 보고서 어디에서 먼저 보이나

세 곳을 봅니다. 첫째, 신규 사용자 비중입니다. 재구매가 활발한 쇼핑몰인데 신규 사용자 비중이 계속 높게 유지된다면 식별자가 자주 초기화되고 있다는 신호일 수 있습니다. 둘째, 직접 유입 비중입니다. GA4의 (direct)/(none)은 명확한 추천 소스가 없는 트래픽으로, 주소창 직접 입력, 메신저·이메일 앱 안의 링크, 리다이렉션 과정에서 파라미터가 유실된 경우에 발생합니다. 식별자가 지워진 뒤 재방문한 사용자도 이쪽으로 흘러들어옵니다.

셋째, 회원 데이터와의 격차입니다. 어드민에서는 재구매 회원인데 분석 도구에서는 첫 방문 사용자로 잡히는 건이 얼마나 되는지가 가장 직접적인 신호입니다. 이 세 곳을 함께 보지 않고 신규 사용자 비중 하나만 보면 마케팅 성과가 좋아진 것으로 오독하기 쉽습니다.

손실 폭은 어떤 절차로 재나

국내 공식 기준으로 공개된 손실률 수치는 확인되지 않습니다. 그래서 외부 숫자를 가져오는 대신 자사 데이터로 배수를 구합니다. 절차는 다섯 단계입니다.

첫째, 최소 4주 구간을 잡고 전환 지연 때문에 최근 3일은 잘라냅니다. 둘째, 로그인한 상태에서 발생한 이벤트만 추립니다. GA4 원시 데이터에는 이벤트마다 사람 단위 식별자와 브라우저 단위 식별자가 함께 남으므로, 두 축을 붙여 볼 수 있습니다. 셋째, 회원 한 명에게 그 기간 동안 몇 개의 브라우저 식별자가 붙었는지 세어 분포를 봅니다. 넷째, 이 분포의 중앙값이 1을 얼마나 넘는지가 식별자 파편화 배수입니다. 다섯째, 이 배수를 비회원 트래픽에도 같은 정도로 적용하면 측정에서 갈라진 사용자 수의 추정 상한이 나옵니다.

예를 들어 4주간 로그인 회원 1,000명에게 붙은 브라우저 식별자가 1,600개라면 배수는 1.6입니다. 같은 비율이 비회원에게도 적용된다고 가정하면, 보고서에 5,000명으로 잡힌 비회원 사용자는 실제로는 3,000명대일 수 있다는 계산이 됩니다.

이 숫자를 어디까지 믿어야 하나

상한입니다. 배수를 키우는 요인이 저장소 삭제만이 아니기 때문입니다. 회사 PC와 개인 휴대폰을 번갈아 쓰는 정상적인 행동도 같은 신호를 만들고, 로그인 회원은 애초에 브랜드 충성도가 높아 방문 빈도가 다를 수 있습니다. 로그인 비중이 낮은 쇼핑몰이라면 표본 자체가 대표성을 갖기 어렵습니다.

그래서 계산 옆에는 조건을 반드시 적습니다. 어떤 기간을 썼는지, 로그인 회원 비중이 전체의 몇 퍼센트인지, 최근 며칠을 잘라냈는지 세 가지입니다. 그리고 같은 계산을 분기마다 반복해 추세를 봅니다. 한 번의 절대값보다 몇 분기에 걸친 배수 변화가 훨씬 쓸모 있는 근거가 됩니다. 데이터 조회 기간에도 제약이 있어서, GA4 이벤트 데이터 보관 기간은 2개월 또는 14개월 중 하나만 고를 수 있고 14개월이 최댓값입니다. 장기 추세를 보려면 원시 데이터를 따로 적재해 둬야 합니다.

보정은 리포트에 무엇을 하는 작업인가

가장 먼저 하지 말아야 할 것이 정해집니다. 추정 배수를 리포트 수치에 곱해 보정된 매출을 만들어 공유하는 방식은 권하지 않습니다. 근거가 상한이라 곱할수록 오차가 커지고, 다음 사람이 그 숫자를 실측으로 오해합니다.

실제 보정은 식별 축을 옮기는 작업입니다. 첫째, 회원 식별자를 분석 도구에 연결해 사람 단위로 묶습니다. GA4는 자체 회원번호를 보내 같은 사용자의 행동을 여러 세션·기기·플랫폼에 걸쳐 연결하는 기능을 제공합니다. 둘째, 로그인 유인을 늘려 그 축이 덮는 범위를 넓힙니다. 셋째, 수집 경로를 브라우저 밖으로 옮깁니다. 서버사이드 태깅은 이벤트를 자사 도메인에 호스팅된 서버 컨테이너를 거쳐 보내는 방식으로 데이터 정확성과 개인정보 제어에서 이점이 있는 구성으로 정리됩니다. 넷째, 매체별 기여 대신 총매출을 총광고비로 나눈 합산 지표를 판단 축으로 함께 씁니다. 이 지표는 식별자 파편화의 영향을 덜 받습니다.

바꾼 뒤 나아졌는지 어떻게 판정하나

공식 기준이 없는 항목이므로 자사 기준선으로 판정합니다. 최소 4주치 기준선을 확보하고, 한 번에 한 항목만 바꾸고, 같은 요일끼리 비교하고, 가능하면 변경하지 않은 일부를 남겨 대조합니다. 회원 식별자 연결과 로그인 유도와 서버 전송을 한 달에 몰아서 하면 배수가 좋아져도 무엇 덕분인지 알 수 없습니다.

판정 지표는 앞에서 만든 배수 자체로 두는 편이 깔끔합니다. 배수가 1에 가까워질수록 측정이 사람 단위에 근접했다는 뜻이고, 이 값은 매출처럼 계절을 타지 않아 비교하기도 쉽습니다.