GA4 빅쿼리 어트리뷰션: 3가지 배분 모델을 SQL로 계산하는 법
구매 3건짜리 예시 데이터로 퍼스트터치, 마지막 접점, 선형 배분을 BigQuery SQL로 계산합니다. 구매별 시각과 관찰 기간을 지키는 방법, GA4 원시 데이터에서 세션 표와 구매 표를 준비하는 기준을 설명합니다.

세 줄로 먼저 읽기
- 배분 모델은 기록된 경로의 점수를 나누는 규칙이며 광고의 실제 인과적 효과를 증명하지 않습니다.
- 같은 세션의 여러 구매도 전환 ID와 실제 구매 시각으로 각각 계산해야 합니다.
- 경로가 없는 전환을 남겨 두고 각 모델의 전체 배분 합계가 전환 수와 일치하는지 확인합니다.
같은 구매에 서로 다른 점수를 배분하는 이유
한 이용자가 구글 검색, 소셜 광고, 뉴스레터를 차례로 거쳐 구매했다면 그 구매 1건은 어느 경로의 성과일까요?
어트리뷰션(attribution)은 구매 같은 중요한 행동의 성과를 그 앞의 접점들에 나눠 주는 방법입니다. 이 글에서 접점은 '사이트를 방문한 세션 한 번'으로 정합니다. 세션은 일정 시간 이어지는 이용 활동의 묶음이므로, 광고가 노출되거나 클릭된 횟수와는 다른 단위입니다.
같은 구매 1건을 세 가지 규칙으로 나누면 점수가 이렇게 달라집니다.
구매 1건을 세 규칙으로 나눈 점수
| 배분 규칙 | |||
|---|---|---|---|
| 퍼스트터치, 첫 접점에 전부 | 1 | 0 | 0 |
| 마지막 접점에 전부 | 0 | 0 | 1 |
| 선형, 접점마다 똑같이 | 1/3 | 1/3 | 1/3 |
세 규칙 모두 합계는 구매 1건이고, 달라지는 것은 그 1건을 어느 접점에 얼마나 주느냐입니다. 선형은 점수를 똑같이 나눌 뿐 세 접점의 실제 영향이 같다고 측정한 결과가 아닙니다. 이런 규칙으로는 광고를 하지 않았을 때 구매가 얼마나 줄었을지 알 수 없습니다.
GA4는 웹사이트와 앱의 이용 현황을 분석하는 도구입니다. GA4도 보고서마다 배분 방식이 다릅니다. 광고 메뉴의 어트리뷰션 보고서에는 데이터 기반 모델 같은 선택지가 있습니다. 이 보고서는 세션 단위로 집계하는 트래픽 획득 보고서와 계산 범위가 다릅니다. 아래 SQL은 직접 정한 규칙을 계산하는 코드이며, Google의 데이터 기반 모델이나 마지막 비직접 클릭 모델과 같은 결과를 내지 않습니다.
예시 데이터로 보는 세 모델의 결과
BigQuery는 데이터를 저장하고 SQL로 조회하는 Google Cloud 서비스이고, SQL은 필요한 데이터를 골라 계산하는 언어입니다. GA4 데이터를 BigQuery로 내보내면 GA4 화면에 없는 규칙으로도 성과를 나눠 볼 수 있습니다.
규칙의 차이를 보기 위해 사용자 두 명, 구매 세 건짜리 예시 데이터를 씁니다. 사용자 u1이 사이트에 들어온 순서는 이렇습니다.
사용자 u1의 방문과 구매 순서
s1 구글 검색1월 1일 09:00
google / organic
s2 소셜 광고1월 5일 09:00
facebook / cpc
s3 뉴스레터1월 10일 09:00
newsletter / email
주문 A, B1월 10일 12:00, 13:00
서로 다른 주문 두 건
s4 직접 방문1월 11일 09:00
구매 뒤라 경로에서 빠짐
소스는 유입 출처, 매체는 유입 방식을 뜻합니다. google / organic은 구글 자연 검색, (direct) / (none)은 출처 정보 없이 들어온 직접 방문입니다. 주문 A와 B는 둘 다 s1, s2, s3을 접점으로 갖고, 구매 뒤에 들어온 s4는 어느 주문의 경로에도 들어가지 않습니다.
다른 사용자 u2는 1월 10일에 주문 C를 했지만, 기록된 방문은 전년도 12월 1일 한 번뿐입니다. 이 예시는 구매 전 30일 안의 방문만 접점으로 인정하므로 주문 C는 어느 경로에도 배분하지 않고 미배분으로 남깁니다. 30일은 이 예시에서 정한 값이고, 실제 분석에서는 구매 결정에 걸리는 기간에 맞춰 정합니다.
세 주문을 세 규칙으로 나눈 결과는 아래 표와 같습니다.
| 소스/매체 | 첫 접점 | 선형 | 마지막 접점 |
|---|---|---|---|
| google / organic | 2 | 약 0.666667 | 0 |
| facebook / cpc | 0 | 약 0.666667 | 0 |
| newsletter / email | 0 | 약 0.666667 | 2 |
| (unattributed) / (unattributed) | 1 | 1 | 1 |
(unattributed)는 '연결할 경로 없음'을 표시하려고 이 예시에서 만든 이름이며, GA4의 공식 채널명이 아닙니다. 주문 C를 이 행에 1건으로 남겨 두었기 때문에 세 모델 모두 반올림 전 합계가 3으로, 입력한 주문 수와 같습니다. 선형 열은 소수점 반올림 때문에 화면의 합계가 3에서 아주 조금 어긋날 수 있습니다.
SQL로 세 모델 계산하기
아래 코드는 외부 테이블을 읽지도 저장하지도 않습니다. WITH는 조회 안에서만 쓰는 임시 결과에 이름을 붙이는 구문이라, 예시 데이터를 코드 안에 직접 적어 두고 바로 계산합니다. 실행할 BigQuery 프로젝트가 이미 있다면 다음 순서로 실행합니다.
BigQuery 콘솔에서 예시 SQL 실행하기
1. 편집기 열기BigQuery 콘솔에서
새 SQL 편집기 탭
2. 코드 붙여 넣기WITH부터 마지막 세미콜론까지
전체를 붙여 넣음
3. 구문 검사 보기편집기의 구문 검사 결과와
예상 처리량 문구
4. 실행실행(Run)을 누름
결과가 4행이면 성공
BigQuery 콘솔의 SQL 문법은 GoogleSQL입니다. 3단계에서 오류 표시가 뜨면 코드 일부만 복사했거나, 마크다운의 역따옴표 세 개까지 함께 붙여 넣은 경우가 많습니다. 조직 계정이라 프로젝트 권한이나 결제 설정이 없으면 관리자에게 프로젝트 사용 권한을 요청합니다.
-- GoogleSQL: all records below are fictional; no external tables are read.
WITH sessions AS (
SELECT 'u1' AS user_key, 's1' AS session_key,
TIMESTAMP '2026-01-01 09:00:00+00' AS session_start,
'google' AS source, 'organic' AS medium
UNION ALL SELECT 'u1', 's2', TIMESTAMP '2026-01-05 09:00:00+00', 'facebook', 'cpc'
UNION ALL SELECT 'u1', 's3', TIMESTAMP '2026-01-10 09:00:00+00', 'newsletter', 'email'
UNION ALL SELECT 'u1', 's4', TIMESTAMP '2026-01-11 09:00:00+00', '(direct)', '(none)'
UNION ALL SELECT 'u2', 's5', TIMESTAMP '2025-12-01 09:00:00+00', 'google', 'organic'
), conversions AS (
SELECT 'order_a' AS conversion_id, 'u1' AS user_key,
TIMESTAMP '2026-01-10 12:00:00+00' AS conversion_time
UNION ALL SELECT 'order_b', 'u1', TIMESTAMP '2026-01-10 13:00:00+00'
UNION ALL SELECT 'order_c', 'u2', TIMESTAMP '2026-01-10 12:00:00+00'
), paths AS (
SELECT
c.conversion_id,
s.session_key,
s.session_start,
CASE WHEN s.session_key IS NULL THEN '(unattributed)'
ELSE COALESCE(s.source, '(unknown)') END AS source,
CASE WHEN s.session_key IS NULL THEN '(unattributed)'
ELSE COALESCE(s.medium, '(unknown)') END AS medium
FROM conversions c
LEFT JOIN sessions s
ON c.user_key = s.user_key
AND s.session_start <= c.conversion_time
AND s.session_start >= TIMESTAMP_SUB(c.conversion_time, INTERVAL 30 DAY)
), ranked AS (
SELECT *,
ROW_NUMBER() OVER (
PARTITION BY conversion_id ORDER BY session_start, session_key
) AS position,
COUNT(*) OVER (PARTITION BY conversion_id) AS path_length
FROM paths
), credits AS (
SELECT *,
IF(position = 1, 1.0, 0.0) AS first_credit,
1.0 / path_length AS linear_credit,
IF(position = path_length, 1.0, 0.0) AS last_credit
FROM ranked
)
SELECT source, medium,
SUM(first_credit) AS first_touch,
ROUND(SUM(linear_credit), 6) AS linear,
SUM(last_credit) AS last_touch
FROM credits
GROUP BY source, medium
ORDER BY source, medium;
결과는 앞 절의 표와 같은 네 행이어야 하고, 각 모델 열의 합계는 반올림 오차를 빼면 3입니다. 결과에 Direct 행이 나오면 구매 뒤 방문이 경로에 들어간 것이고, 합계가 2라면 경로 없는 주문 C가 빠진 것입니다.
SQL이 계산하는 순서
코드는 임시 결과 다섯 개를 차례로 만들어 점수를 계산합니다.
임시 결과 다섯 개가 이어지는 순서
1. sessions예시 방문 5건
2. conversions주문 ID가 다른
구매 3건
3. paths구매 전 30일 안의
방문만 연결
4. ranked구매별 접점 순서와
접점 개수
5. credits첫 접점, 균등,
마지막 접점 점수
3단계의 LEFT JOIN은 연결할 방문이 없는 구매도 행으로 남깁니다. 그래서 주문 C가 미배분 행으로 남습니다. 4단계에서 ROW_NUMBER는 구매마다 접점에 순서를 매기고, COUNT는 그 구매의 경로에 접점이 몇 개인지 계산합니다.
순서는 방문 시작 시각으로 정하고, 시작 시각이 같으면 세션 키로 정합니다. 세션 키를 붙인 이유는 실행할 때마다 순서가 바뀌지 않게 하려는 것이고, 키의 순서는 실제 행동 순서와 관계가 없습니다. 실제 데이터에 같은 시각의 방문이 있다면 어느 쪽을 먼저 둘지 기준을 따로 정합니다.
실제 GA4 데이터로 바꾸기 전에 준비할 두 표
GA4에서 BigQuery로 내보낸 데이터는 이벤트 한 건이 한 행인 원시 데이터입니다. 위 코드의 세션 표, 구매 표와 모양이 달라서, 먼저 분석용으로 정리한 표인 데이터마트를 만들어야 합니다.
| 준비할 표 | 한 행의 뜻 | 필요한 열 |
|---|---|---|
| sessions | 세션 1건 | 사용자 식별자, 세션 키, 시작 시각, 소스와 매체 |
| conversions | 구분할 수 있는 구매 1건 | 고유 전환 ID, 사용자 식별자, 실제 구매 시각 |
user_pseudo_id는 웹이나 앱 이용 기록에 붙는 가명 식별자이고, 한 사람에게 평생 하나씩 붙는 번호가 아닙니다. ga_session_id는 사용자마다 따로 매겨지므로 사용자 식별자와 묶어야 세션 하나를 가리킵니다. 여러 데이터 스트림을 합친다면 스트림 구분 열도 키에 넣습니다. 식별자가 비어 있는 기록은 한 사용자로 합치지 말고 따로 집계합니다.
구매는 시각과 주문 ID로 따로 남깁니다
구매를 세션에 '구매 있음' 표시 하나로 남기면, 한 세션에서 나온 주문 두 건이 한 건으로 줄어듭니다. 주문 시각이 다르면 경로도 달라질 수 있습니다. 예시 데이터에서 직접 방문 s4가 1월 10일 12시 30분에 있었다면 두 주문의 경로와 점수가 서로 달라집니다.
s4가 12시 30분이면 달라지는 두 주문의 경로
| 접점 | ||
|---|---|---|
| s1 구글 검색 | 제공 | 제공 |
| s2 소셜 광고 | 제공 | 제공 |
| s3 뉴스레터 | 제공 | 제공 |
| s4 직접 방문 12:30 | 제공하지 않음 | 제공 |
| 선형 점수 | 접점마다 1/3 | 접점마다 0.25 |
| 마지막 접점 점수 1 | 뉴스레터 | 직접 방문 |
이 차이를 지키려면 실제 주문 번호인 transaction_id로 구매를 나누고, 세션 시작 시각이 아니라 구매 이벤트의 시각을 전환 시각으로 씁니다. transaction_id가 비어 있거나 같은 주문이 두 번 전송된 건수는 따로 기록해 둡니다. 이렇게 바꿔도 미배분 주문 C를 포함한 모델별 합계는 그대로 3입니다.
위 SQL은 conversion_id가 구매 표 전체에서 하나뿐이고, 세션 표에도 같은 세션이 두 번 들어 있지 않다는 전제로 짰습니다. 여러 상점의 주문 번호가 겹친다면 상점 구분을 포함한 키를 만듭니다.
유입 출처 필드를 섞지 않습니다
GA4 내보내기에는 출처를 담은 필드가 여러 개 있고, 필드마다 기록하는 단위가 다릅니다.
출처 필드 세 개가 기록하는 단위
| 항목 | |||
|---|---|---|---|
| 담긴 출처 | 사용자를 처음 확보한 출처 | 이벤트마다 수집된 출처 | 세션에 귀속된 마지막 클릭 출처 |
| 재방문 세션의 출처로 쓰기 | 제공하지 않음 | – | 값이 있는 기간이면 |
사용자 첫 출처를 모든 세션에 복사하면 재방문 때의 다른 유입 경로가 지워집니다. 스키마는 데이터의 열 이름과 자료형 구조를 말하며, GA4 내보내기 스키마는 기간에 따라 다릅니다. 지금 스키마에는 cross_channel_campaign의 source와 medium도 있지만, 과거 기간의 데이터에는 같은 값이 없을 수 있습니다.
소스와 매체는 같은 이벤트나 같은 출처 묶음에서 한 쌍으로 가져옵니다. 소스는 한 행에서, 매체는 다른 행에서 '처음 나온 빈칸 아닌 값'으로 따로 가져오면 실제로는 없던 조합이 생깁니다. 출처를 알 수 없는 방문을 전부 (direct) / (none)으로 채우지도 않습니다. 위 예시는 연결된 세션의 출처가 비었을 때 (unknown)으로 따로 표시합니다.
Direct를 빼려면 순서를 매기기 전에 뺍니다
이 SQL의 마지막 접점 규칙은 30일 안에 Direct 방문이 있으면 그 방문도 접점에 포함합니다. Google의 유료 및 자연 검색 마지막 클릭 모델은 Direct를 다르게 처리하므로 두 결과는 같지 않습니다.
Direct를 빼는 규칙으로 바꿀 때는 빼는 시점에 따라 결과가 달라집니다.
Direct를 빼는 시점에 따른 결과
| 결과 | ||
|---|---|---|
| 모델별 합계가 구매 수와 같음 | 제공 | 제공하지 않음 |
| 마지막 접점 점수가 그 앞 접점으로 감 | 제공 | 제공하지 않음 |
| Direct 방문만 있는 구매 | Direct 또는 미배분으로 정함 | 합계에서 빠짐 |
Direct 방문밖에 없는 구매를 Direct로 둘지 미배분으로 둘지는 분석을 시작할 때 정하고, 어느 쪽이든 결과 합계를 전체 구매 건수와 대조합니다.
Direct 비중이 높은 원인은 UTM 설정 오류 말고도 여러 가지라서 비중만 보고 원인을 정하기 어렵습니다. Direct가 생기는 경우와 점검 순서는 GA4 Direct 트래픽 글에 정리했습니다.
비용과 분석 범위를 정하는 순서
실제 GA4 테이블을 조회하면 읽은 데이터 양만큼 비용이 나옵니다. 실행 전에 아래 순서로 읽는 양을 줄입니다.
실제 테이블을 조회하기 전에 할 일
1. 날짜 제한구매 기간과 접점 기간을
따로 정해 그 날짜만 읽음
2. 필요한 열만SELECT에 쓰는 열만 적음
LIMIT은 읽는 양을 못 줄임
3. 예상 처리량편집기의 예상 처리량 문구를
실행 전에 봄
4. 상한 설정주문형 과금이면
Maximum bytes billed
2단계의 LIMIT 20은 결과 행만 줄일 뿐, 테이블 전체를 읽는 비용은 그대로일 수 있습니다. 4단계의 Maximum bytes billed는 과금 대상으로 읽을 데이터 양의 상한을 바이트로 정하는 설정이며, 금액을 직접 입력하지는 않습니다.
1단계에서 두 기간을 따로 정하는 이유는 경로가 구매보다 앞서기 때문입니다. 2월 구매에 30일 경로를 적용하려면 1월 방문 데이터도 함께 읽어야 합니다. BigQuery 내보내기는 연결한 날부터 쌓이므로, 연결 전의 원시 이벤트는 테이블에 없습니다. 확보한 데이터가 언제부터인지도 분석 기록에 남깁니다.
분석을 마치면 아래 기준을 결과와 함께 적어 둡니다. 다른 사람이 같은 숫자를 다시 만들 수 있어야 하기 때문입니다.
| 항목 | 이 예시에서 정한 값 |
|---|---|
| 전환 단위 | 중복을 뺀 주문 1건 |
| 전환 시각 | 실제 구매 이벤트 시각 |
| 관찰 기간 | 구매 전 30일, 구매 시각 포함 |
| 접점 단위 | 세션 1건 |
| Direct 처리 | 포함 |
| 출처를 알 수 없는 방문 | unknown으로 따로 표시 |
| 경로가 없는 구매 | unattributed로 유지 |
| 검증 | 입력 주문 수와 모델별 반올림 전 합계가 같음 |
| 따로 집계 | 식별자 누락, 주문 ID 중복, 경로 데이터 부족 |
GA4 화면의 숫자와 비교할 때도 기간, 시간대, 전환 정의, 보고서 범위, 식별 방식을 먼저 맞춥니다. 이 다섯 가지가 다르면 숫자 차이만으로 GA4 기본 보고서가 특정 채널을 낮게 잡는다고 판단할 수 없습니다. 첫 접점 점수가 큰 채널은 확보한 30일 경로 안에서 먼저 나온 경우가 많은 채널입니다. 고객이 처음 브랜드를 접한 곳은 그 30일보다 앞에 있을 수 있습니다.
Sources
3줄 요약
-
배분 모델은 기록된 경로의 점수를 나누는 규칙이며 광고의 실제 인과적 효과를 증명하지 않습니다.
-
같은 세션의 여러 구매도 전환 ID와 실제 구매 시각으로 각각 계산해야 합니다.
-
경로가 없는 전환을 남겨 두고 각 모델의 전체 배분 합계가 전환 수와 일치하는지 확인합니다.

제대로 이해했는지 한 문제로 확인해 볼까요?
답을 고르면 바로 풀이가 나와요.
구매 3건 중 한 건은 관찰 기간 안에 연결할 세션이 없습니다. 배분 결과를 어떻게 확인할까요?

새 글과 AI 소식을 메일로 받아 보세요
AI가 바꾸는 일과 도구, 측정 실무 이야기를 매주 한 번 보내 드려요.
이 글이 도움이 되었나요?
GA4 화면의 숫자를 모으고 읽고 보여 주는 세 단계를 정리했습니다
코스 전체 보기 →