들어가며
모바일 광고를 운영하는 회사라면 거의 모두 Adjust·AppsFlyer·Branch·Singular 같은 MMP(Mobile Measurement Partner)를 한 개 이상 쓰고 있습니다. 마케터가 매일 보는 캠페인 ROAS는 MMP 대시보드의 한 숫자지만, 그 한 숫자 안에는 SKAN postback·결정론적 매칭·확률 매칭(probabilistic) 세 갈래의 신호가 합쳐져 있습니다. 이 글은 마케터가 MMP 보고서를 해석할 수 있도록 어트리뷰션 스택의 안쪽을 정리합니다.
한 줄짜리 ROAS의 안쪽 — 세 갈래 신호가 한 보고서로 합쳐진다
MMP가 하는 일
광고 플랫폼과 앱 사이의 중개자
광고는 Meta·Google·TikTok·DSP 등 여러 플랫폼에서 보여지고, 앱 인스톨·구매는 사용자 디바이스에서 일어납니다. 어느 광고가 어느 인스톨로 이어졌는지 매칭하는 게 어트리뷰션이고, MMP는 이 매칭의 표준 운영자입니다.
📌 이 글의 전제
iOS·안드로이드 앱을 운영하고 MMP 대시보드라는 단어를 일상에서 쓴다고 가정합니다. SKAN과 결정론적 어트리뷰션 차이를 한 번 짚으면 따라올 수 있는 수준이면 충분합니다.
표준 보고서 흐름
마케터가 MMP에서 보는 한 줄 ROAS는 다음 단계로 만들어집니다.
- 광고 노출 데이터(impressions·clicks)를 MMP가 광고 플랫폼에서 수집
- 인스톨·전환 데이터를 SDK로 앱에서 수집
- 두 데이터를 매칭해 어트리뷰션 결정
- 매칭된 데이터에 비용·매출 정보를 합쳐 ROAS 계산
이 4단계 안에 결정론·확률·SKAN 세 갈래가 모두 들어갑니다.
결정론적 매칭 — IDFA·GAID 시절의 기본
작동 원리
광고를 클릭한 디바이스의 ID(IDFA·GAID)와 앱을 인스톨한 디바이스의 ID를 직접 비교합니다. 같으면 어트리뷰션 OK.
iOS는 ATT 동의 유저, 안드로이드는 GAID opt-in 유저에서만 작동합니다. 가장 정확하지만 측정 가능 비율이 제한적.
매칭 정확도
| 환경 | 매칭 정확도 |
|---|---|
| ATT 동의 iOS | 95~99% |
| GAID 동의 안드로이드 | 95~99% |
| ATT 비동의 iOS | 0% (불가능) |
ATT 비동의 영역에서는 다른 매칭 방식이 필요합니다.
SKAN 매칭 — 애플이 처리
작동 원리
광고 노출 시 애플 OS가 매칭 정보를 저장하고, 인스톨 + 일정 시간 후 광고 네트워크에 postback으로 어트리뷰션 결과를 직접 전달합니다. 광고주는 SKAN postback을 수신하고, MMP는 이를 광고 플랫폼 비용 데이터와 합쳐 ROAS를 계산합니다.
MMP의 SKAN 처리
- 다양한 광고 네트워크의 SKAN postback 수집
- conversion value 디코딩
- 비용 데이터와 매칭
- coarse-grained·fine-grained 모드 자동 적용
ATT 비동의 유저의 약 60~75%가 SKAN으로 어트리뷰션됩니다. 결정론보다 정확도가 떨어지지만 가장 신뢰할 수 있는 비동의 측정.
확률적 매칭 — 회색 영역
작동 원리
광고 클릭과 인스톨의 시간·IP·user agent·디바이스 카테고리를 비교해 같은 디바이스일 확률을 추정합니다. 결정론적 ID가 없는 환경에서 사용.
대표적인 시그널 조합:
- IP 주소 + user agent
- 디바이스 카테고리 + OS 버전
- 클릭 시간 + 인스톨 시간 (수 분~수십 분 내)
정확도와 한계
확률적 매칭은 정확도가 낮습니다(60~80%) 그리고 false positive(잘못된 매칭)가 일정 비율 발생합니다.
| iOS 환경 | 매칭 신뢰도 |
|---|---|
| ATT 동의 + 결정론 | 높음 |
| ATT 비동의 + SKAN | 중간 |
| ATT 비동의 + 확률 | 낮음 |
| ATT 비동의 + 확률 비활성화 | 0 (NULL) |
Apple 정책과 충돌
Apple은 ATT 비동의 유저에 대한 cross-app·cross-website 추적을 금지합니다. 확률적 매칭이 이 정책에 가깝게 동작할 수 있어 MMP·광고 네트워크가 점점 비활성화하는 추세입니다.
⚠️ 확률 매칭의 미래
확률 매칭의 비중은 2024~2025년에 걸쳐 줄어드는 추세입니다. SKAN과 결정론 매칭만으로 운영하는 게 정책상 안전하고, 측정 분포에서 확률 매칭 의존도를 분기마다 점검하는 게 좋습니다.
세 갈래의 dedup — 한 인스톨이 두 곳에 잡힐 때
같은 인스톨이 SKAN과 결정론 양쪽에 보고됨
ATT 동의 유저가 광고를 클릭하고 인스톨했다면 결정론으로 매칭됩니다. 그런데 같은 디바이스의 SKAN postback도 도착할 수 있습니다 — 한 인스톨이 두 데이터에 잡혀 dedup 처리가 필요.
MMP의 dedup 룰
| 우선순위 | 매칭 방식 |
|---|---|
| 1 | 결정론 (가장 정확) |
| 2 | SKAN (애플 표준) |
| 3 | 확률 (보조) |
같은 인스톨이 여러 곳에 잡히면 우선순위 1번만 카운트하고 나머지는 버립니다. dedup이 잘 작동하면 MMP 보고와 광고 플랫폼 자체 보고가 비슷한 숫자로 맞아갑니다.
MMP vs 광고 플랫폼 보고 차이
같은 캠페인을 MMP와 광고 플랫폼(Meta·Google) 자체 보고에서 봤을 때 30% 안의 차이는 정상입니다. 그보다 크다면 다음을 의심:
- SKAN conversion value 매핑 차이
- 결정론 매칭 윈도우 차이 (MMP 7일 vs 광고 플랫폼 1일 등)
- 광고 플랫폼이 자체 view-through 측정을 추가
- MMP의 확률 매칭 활성/비활성 차이
MMP 선택 기준
회사 단계별 추천
| 단계 | 추천 |
|---|---|
| 초기 (인스톨 < 만/월) | AppsFlyer 무료 tier 또는 Adjust 트라이얼 |
| 성장기 (인스톨 만~10만) | AppsFlyer·Adjust 유료 |
| 대형 (인스톨 > 100만) | 멀티 MMP 또는 자체 측정 추가 |
비교 항목
- SKAN 처리 정확도와 conversion value 자동화
- 확률 매칭 정책 (정책 보수성)
- 광고 네트워크 통합 수
- API 안정성과 raw data export
- 가격 (인스톨·이벤트 단위)
운영 함정 — 분기 점검 체크리스트
측정 정합성
- [ ] MMP 보고와 광고 플랫폼 보고의 차이 30% 이내
- [ ] SKAN conversion value 매핑이 비즈니스 KPI와 일치
- [ ] 결정론 매칭 윈도우가 분기 캠페인 목표와 맞음
- [ ] 확률 매칭 비활성/활성 정책 명확
데이터 품질
- [ ] EMQ 점수 7 이상 (CAPI 운영 시)
- [ ] CAPI dedup ID와 MMP event ID가 일치하는지
- [ ] raw data export가 분석팀 데이터 웨어하우스에 들어오는지
다중 MMP 시나리오
대형 회사는 측정 신뢰성을 위해 두 MMP를 동시 운영하기도 합니다. iOS는 Adjust, 안드로이드는 AppsFlyer 같은 분리 운영도 흔합니다. 분기마다 두 MMP 보고를 비교해 측정 안정성을 점검합니다.
💡 raw data가 분기 운영의 키
MMP 대시보드의 한 줄 숫자를 그대로 믿기보다, raw data를 자체 데이터 웨어하우스로 가져와 분석팀이 직접 dedup·검증하는 게 안전합니다. 비용이 들지만 측정 사고가 났을 때 원인 분석이 가능해집니다. {/* TODO_HUNY: 우리 회사 MMP raw data를 데이터 웨어하우스로 가져와 분석하는지, 안 한다면 무엇이 막고 있는지 한 단락 */}
MMP·MMM·Lift의 자리
MMP의 어트리뷰션이 일·주 단위 캠페인 운영의 1차 데이터라면, MMM은 분기 채널 비중 의사결정에, Lift는 신규 채널·incrementality 검증에 쓰입니다.
| 의사결정 단위 | 주력 도구 |
|---|---|
| 캠페인 운영 (일·주) | MMP |
| 채널 비중 (분기) | MMM |
| Incrementality 검증 (불정기) | Lift |
세 도구가 서로를 보정하는 triangulation 흐름을 분기 운영에 박아두는 게 측정 신뢰의 절반입니다(mta-mmm-lift-comparison 참고).
함정 모음
- MMP 한 줄을 그대로 신뢰 — dedup 실패·SKAN 매핑 오류 가능성
- iOS·안드로이드 합산 ROAS — 측정 정확도가 다름, 분리 보고 권장
- 광고 플랫폼 자체 보고와 단순 비교 — 매칭 윈도우·view-through 정책 차이
- 확률 매칭 의존도 무시 — 정책 변경 시 측정 데이터 갑자기 줄어듦
- SKAN 비중 모름 — 분기마다 SKAN 비중을 측정에서 점검 필요
마치며
MMP는 iOS·안드로이드 광고 측정의 표준 운영자이지만, 한 줄짜리 ROAS의 안쪽에는 결정론·SKAN·확률 세 갈래의 신호가 dedup·우선순위와 함께 합쳐져 있습니다. 마케터가 그 안쪽을 알아두면 보고서의 변동을 해석할 수 있고, MMP·광고 플랫폼 자체 보고의 차이도 합리적으로 설명할 수 있습니다.
다음 분기에 한 번만 시도해 볼 만한 것은 MMP raw data export를 데이터 웨어하우스로 가져와 매칭 종류별(결정론·SKAN·확률) 비중을 분기 KPI로 두는 흐름입니다. 측정 신뢰의 분기별 변화가 한 화면에 보입니다.
{/* TODO_HUNY: 우리 회사 MMP의 결정론·SKAN·확률 매칭 비중과 분기 변화 한 단락 */}
참고
- Adjust, "Attribution methods explained": https://www.adjust.com/blog/attribution/
- AppsFlyer, "iOS measurement guide": https://www.appsflyer.com/resources/guides/ios-measurement/
- Singular, "MMP comparison": https://www.singular.net/blog/mmp/
- Apple, "App Store Review Guidelines on tracking": https://developer.apple.com/app-store/review/guidelines/#privacy
- Branch, "Mobile attribution overview": https://branch.io/glossary/mobile-attribution/
Top comments (0)