구글이 고객 데이터 설정으로 추가 집계된 전환을 광고 보고서에서 구분해 표시하는 지표를 도입하고 있다. AI 광고의 성과를 분석하는 도구가 늘면서, 더 많이 잡힌 전환과 광고가 새로 만들어낸 매출을 나눠 검증하는 방식도 확장되고 있다.

구글은 9월 10일 Data Strength Uplift 지표를 공개한 데 이어 10월 13일 디맨드젠 업데이트에서도 이 기능을 소개했다. 자체 고객 데이터 설정으로 복원된 전환을 집계하는 지표다. 추적 과정에서 놓쳤던 구매가 보고서에 새로 잡힐 수 있지만, 그 구매가 광고 덕분에 추가로 발생했는지는 다른 질문이다.

같은 10월 발표에서 구글은 태그 게이트웨이를 활용해 데이터를 보강한 광고주의 디맨드젠 전환이 평균 20% 이상 증가했다고 밝혔다. 근거는 6월 3~17일 글로벌 내부 데이터다. 공개 발표문에는 광고주 표본 수와 대조군 구성이 제시되지 않아, 이 수치를 개별 사업자의 신규 매출 증가율로 대입하는 데는 한계가 있다.

구글이 공개한 보험 비교 플랫폼 The Zebra의 운영 사례에서는 계약 체결까지 7~30일 걸리는 시간차가 입찰 신호의 공백으로 이어졌다. 운영팀은 고객이 보험 상품을 선택해 상담 전화를 거는 직전 클릭을 중간 전환으로 사용하고, 오프라인 판매를 온라인 캠페인에 연결하는 고객 데이터의 업로드 빈도를 높였다. 구글은 이 사례의 전체 전환량이 16%, 전환가치가 19% 증가했다고 밝혔다. 이는 데이터와 입찰 신호를 보강한 성과 발표이며, 대조군과 비교한 증분 매출 수치로 제시된 결과는 아니다.

성과표가 달라지는 또 다른 요인은 전환을 어느 접점의 실적으로 배분하는지다. 메타는 3월 웹사이트·오프라인 매장 전환의 클릭 귀속을 링크 클릭으로 한정하고, 공유·저장 등 다른 상호작용은 별도의 상호작용 귀속으로 옮기는 변경을 발표했다. 동영상의 유효 시청 기준도 10초에서 5초로 바꾸는 내용이 포함됐다. 구매가 같아도 보고서에서 실적이 들어가는 칸은 달라질 수 있다.

변경을 시험한 사진 인화 업체 Mpix의 소셜 담당자는 메타가 공개한 발언에서 고객 행동이 한 항목에 섞이지 않고 구분되는 점을 긍정적으로 평가했다. 메타는 클릭 실적을 외부 분석 도구와 더 일치시키면서 공유·저장 같은 소셜 행동의 가치도 따로 기록하려는 목적을 설명했다. 광고주가 보는 보고서의 일관성과 플랫폼이 포착하려는 상호작용 범위가 함께 걸린 변화다.

추가 매출을 추정하는 실험에서는 비교 방식이 바뀐다. 구글 Conversion Lift는 광고 노출을 허용한 집단과 노출을 제한한 대조군의 전환 차이를 측정한다. 일반 ROAS는 광고에 귀속된 전환가치를 광고비로 나누지만, 증분 ROAS는 실험 집단과 대조군의 전환가치 차이를 광고비로 나눈다. 두 결과는 계산에 들어가는 매출부터 다르다.

두 지표의 차이를 설명하는 가상 계산 예시에서, 광고비 100만 원에 귀속 매출 500만 원을 기록하면 일반 ROAS는 500%다. 같은 캠페인의 증분 실험에서 광고로 추가 발생한 매출이 100만 원으로 추정됐다고 가정하면 증분 ROAS는 100%다. 실제 광고주 계정의 실적이 아니라 공식 산식에 금액을 대입한 예시로, 두 비율 모두 상품 원가와 운영비를 반영한 이익률은 아니다.

메타도 증분 성과를 광고 최적화에 활용한다. 1월 발표에서는 2025년 4분기 증분 귀속 모델이 표준 귀속 모델보다 증분 전환을 24% 늘렸다고 밝혔다. 이는 회사가 보고한 모델 간 성과 비교로, 모든 광고주가 기존 ROAS를 같은 비율의 추가 매출로 환산할 수 있다는 뜻은 아니다. 플랫폼은 예측·최적화 결과를 제시하고, 개별 광고주는 자기 캠페인의 실험 결과를 별도로 얻는다.

투데이마케팅은 플랫폼 발표·대담 5건, 공식 도움말 4건, 광고주 운영 사례 1건 등 자료 10건을 각각 측정 대상, 대조군 유무, 결과 활용, 해석 범위의 네 항목으로 대조했다. 자료별 URL과 비교 항목은 별도 분석 자료표에 기록하고, 두 편의 공개 광고 실험 연구와 교차 검토했다. 데이터 복원과 성과 귀속, 예측형 최적화, 이용자 실험, 지역 실험 등 다섯 신호를 비교한 결과, 전환 수가 늘었다는 표현만으로는 어떤 변화인지 구분되지 않았다. 대조군과 전환가치의 처리 방식이 지표 해석을 가르는 항목이었다.

고든·제텔마이어 등 연구진이 공개한 첫 연구는 2015년 미국 페이스북 광고 실험 15건의 무작위 실험 결과와 관측 자료 기반 추정치를 비교했다. 인구통계와 행동 변수를 풍부하게 반영해도 여러 추정 방식이 실험 효과를 안정적으로 재현하지 못했다. 연구진은 과대 추정뿐 아니라 과소 추정도 관찰했다. 구매 가능성이 높은 이용자가 광고를 더 많이 보는 선택 효과가 있어, 광고 시청자의 높은 구매율과 광고로 늘어난 구매가 일치하지 않는 문제다.

후속 연구는 2019년 11월~2020년 3월 미국에서 시작된 실험 가운데 563건에서 얻은 663개 처리·대조 비교를 분석했다. 5,000개 이상의 이용자 특성을 활용한 이중 머신러닝과 성향점수 매칭을 무작위 실험 결과와 대조했다. 구매 등 하단 퍼널에서 실험 효과의 중앙값은 5%, 이중 머신러닝 추정 중앙값은 24%였다. 공개된 반올림 값을 단순 대조하면 약 19%포인트 차이다. 이 수치는 두 중앙값의 간격이며, 개별 캠페인 오차의 평균이나 현재 AI 광고의 오차율은 아니다.

그렇다고 귀속 보고서와 예측 도구를 실험 결과로 모두 대체하는 접근도 플랫폼의 측정 체계와는 다르다. 구글은 9월 측정 담당자 대담에서 실시간 귀속, 주기적인 증분 실험, 마케팅 믹스 모델을 함께 활용하는 체계를 다뤘다. 같은 달 공개한 Meridian GeoX는 지역별 인과 실험과 모델 보정에 쓰인다. 일상적인 입찰 운영과 채널 예산 배분을 하나의 성과표만으로 처리하지 않는 접근이다.

증분 실험도 데이터량과 이용 조건의 제약을 받는다. 구글의 이용자 기반 Conversion Lift 영문 도움말은 관측 전환 1,000건과 실험 캠페인 예산 5,000달러를 최소 요건으로 제시하며, 모든 계정에서 이용할 수 있는 도구는 아니라고 명시한다. 지역 기반 실험은 단일 국가를 대상으로 하며, 호환되는 전환 추적이나 도시·우편번호 단위로 집계한 오프라인 데이터를 사용한다. 소규모 광고주에게는 지표의 의미뿐 아니라 실험을 실행할 조건도 예산 판단에 영향을 준다.

두 논문은 서로 다른 과거 실험 표본을 분석한 대학·플랫폼 공동 연구다. 후속 논문은 일부 연구자의 페이스북 시간제 고용과 메타 재직·주식 보유를 공개했다. 국내 광고계정 원자료와 신규 광고주 인터뷰는 이번 공개 문서·연구 데이터 분석에 포함되지 않았다. 과거 미국 표본으로 국내 소상공인의 2026년 광고 수익률이나 특정 AI 상품의 효과를 직접 산출할 수는 없다.

보고서에 포함되는 전환의 시간 범위도 남은 변수다. 구글은 디맨드젠만 대상으로 한 이용자 기반 실험에 종료 후 발생할 것으로 예상되는 지연 증분 전환을 기본 포함한다. 실험 기간의 전환 지연 패턴으로 추정한 값이며, 보고서에는 지연 증분 전환으로 표시된다. 이미 관측된 구매와 앞으로 발생할 것으로 모델이 예측한 구매가 같은 시점의 실적은 아니다.

공식 자료와 실험 연구의 비교에서 갈리는 지점은 ROAS의 높낮이보다 보고서가 집계한 전환의 성격이다. 데이터 복원은 놓쳤던 전환을 다시 포착하고, 귀속 기준은 성과를 특정 접점에 배분하며, 증분 실험은 광고가 없었을 때와의 차이를 추정한다. 일상적인 입찰 운영에 쓰이는 플랫폼 보고서와 광고의 추가 효과를 검증하는 실험은 서로 다른 역할을 맡는다. 매출·이익을 판단하는 회계 데이터까지 어느 하나의 지표로 대신할 수는 없다.