GA 입문 7편 — Reports · Explorations · Attribution 깊이

이 글은 Google Analytics 입문에서 운영까지 시리즈 7편이에요. 6편 BigQuery Export 까지 = 데이터 인프라. 7편 = 그 데이터로 무엇을 발견 자리.

이번 글의 범위

GA4(Google Analytics 4) 의 분석 도구 자체. 세 가지 자리:

UI 클릭으로 분석가 의 90% 작업 가능. BQ(BigQuery) 까지 안 가도 Explorations 만 으로 깊이 도달.

표준 Reports — 자동 view

Reports의 5 영역

1. Realtime          - 최근 30분 활성 (live dashboard)
2. Acquisition       - 어디서 사용자 옴 (Source · Medium · Campaign)
3. Engagement        - 무엇을 보는지 (Pages · Events · Conversions)
4. Monetization      - 매출 (E-commerce · Subscriptions · Ads revenue)
5. Retention         - 다시 오는지 (Cohort · 7-day · 30-day return)

추가:

6. Demographics      - 누구 (Age · Gender · Interests — Google Signal 필요)
7. Tech              - 무엇으로 (Device · Browser · OS · Screen)

Reports 의 강점

설정 없이 즉시 자동 생성 되고, Google 기본 정의를 따른 공식 metric 이라 해석 시비가 없어요. link 만 넘기면 권한 base view 로 공유 도 간단. admin 권한이 있으면 Library 에서 직접 새 report 도 만들 수 있어요.

Reports 의 한계

고정 차원 이라 깊은 cross-tab 이 어렵고, 복잡한 segment 분석은 막힘. Funnel · Path 같은 시간 흐름도 안 보이고, Lookback window 조정도 X.

→ 일상 운영 OK, 깊은 분석 = Explorations.

Explorations — 자유 탐색 7 기법

1. Free Form — 가장 흔함

Free form = crosstab layout 으로 데이터 자유 탐색. — 공식 docs

용도 — 임시 cross-tab. "device × country × campaign 별 매출", "월별 채널별 사용자".

사용 case:
  - 매주 월요일 시작 시 표준 KPI 점검
  - "device × source 별 매출" 같은 cross-tab
  - 그래프 종류 자유 (bar · line · pie · scatter · map)

한도 — 한 visualization 당 25K row. 1천만 event 초과 시 sampling.

2. Funnel Exploration — 단계별 전환

[Step 1: page_view]    100,000 users
   ↓ 50% drop
[Step 2: view_item]     50,000 users
   ↓ 60% drop
[Step 3: add_to_cart]   20,000 users
   ↓ 50% drop
[Step 4: purchase]      10,000 users

핵심 옵션:

- Open funnel  → 사용자가 step 건너뛰어도 OK (다음 step 진입 인정)
- Closed funnel → 모든 step 을 순서대로 (default 사 가까움)
- Make open  → step 2 부터 시작한 사용자도 인정

- Step 의 시간 제약 (within X minutes/hours/days)
- Direct vs Indirect step transition
- Breakdown — step 별 dimension 분해 (예: 어느 device 가 가장 drop)
- Next action  → step 후 어디로 갔는지

여기서 시험 함정 — Open vs Closed funnel 의 결과가 크게 다름. 사용자가 5 step funnel 의 step 1, 3, 5 만 발생시켜도 Open funnel 에서는 5/5 인정. Closed funnel 에서는 1/5. 항상 의도 명시.

3. Path Exploration — 사용자 여정

[event/page] 가 *시작 노드*:
   page_view: /home
        ↓
   ┌────┴────┬─────────┐
   ↓         ↓         ↓
view_item   search   sign_up
   ↓         ↓
purchase   view_item

용도 — 예측 안 한 user journey 발견. "구매한 사용자는 보통 어떤 페이지부터 시작?".

핵심 옵션:

- Start over → 시작 node 부터 (event · page · screen)
- Start over backwards → 끝 node 에서 역방향
- Step의 dimension (event_name · page_title · 모두)
- Step 별 사용자 수 자동 표시
- 최대 10 step

한계 — 다수 사용자 = 너무 많은 분기 = 가독성 떨어짐. segment 좁히고 사용.

4. Cohort Exploration — 그룹 변화

        Week 0  Week 1  Week 2  Week 3  Week 4
2026/04 │ 100% │  40%  │  25%  │  18%  │  15% │
2026/05 │ 100% │  45%  │  28%  │  20%  │   -  │
2026/06 │ 100% │  50%  │  30%  │   -   │   -  │

핵심 옵션:

Cohort Inclusion (cohort 의 정의):
  - First touch         (첫 방문)
  - All events          (모든 event)
  - Conversion-based    (특정 conversion 발생)

Return Criteria (재방문 기준):
  - All events
  - Any conversion
  - Specific event/conversion

Granularity (단위):
  - Daily · Weekly · Monthly
  - Lookback up to 12 weeks (daily) · 12 months (weekly)

Calculation:
  - Standard (return rate)
  - Rolling (다른 cohort 시작점 자동 계산)

5. Segment Overlap — 교차

[Mobile users] (1,000,000)
  ∩
[Returning users] (500,000)
  ∩
[High-value users] (50,000)
    ↓
교집합: Mobile + Returning + High-value = 20,000

용도 — segment 간 관계 발견. "premium 사용자 중에 mobile 만 사용하는 사람은?".

핵심 옵션:

- 2 ~ 3 segment 동시 (한도 3)
- Venn diagram 자동 생성
- 교집합 사용자 수 · 비율
- 교집합 → 새 segment 로 저장 가능 (audience builder 로 export)

6. User Explorer — 개별 사용자

[user 555.111]
  ↓
이 사용자의 모든 event 시간 순:
  09:01:00  session_start
  09:01:02  page_view (/home)
  09:01:30  search (query: "shoes")
  09:01:45  view_item (P_123)
  09:02:00  add_to_cart
  09:05:00  purchase (T_12345, value: 50000)

용도:

- 버그 reporting case 의 사용자 행동 확인
- 의심스러운 conversion 의 path
- VIP 사용자의 행동 패턴 분석

한계 — 한 번에 한 사용자 깊이. 통계 분석 X.

7. User Lifetime — 사용자 가치

Dimension 예:
  - First touch source · First user campaign
  - Predicted purchasers
  - Predicted churn likely

Metric 예:
  - Lifetime sessions
  - Lifetime engagement duration
  - Lifetime user purchase revenue
  - Average user revenue

용도 — LTV(Lifetime Value · 사용자 평생 가치) 분석. "어떤 캠페인이 가장 가치 있는 사용자 데려옴?".

사용 case:
  - 광고 채널별 LTV 비교 (그냥 conversion 만 보는 게 아니라 lifetime)
  - 첫 구매 vs lifetime 가치 (CAC vs LTV)
  - Predictive Audience (likely purchasers) 의 정확도 검증

한도 정리

- 한 property 의 explorations 총 = 5,000개
- 한 사용자가 만든 explorations = 200개
- 한 exploration 의 segment = 최대 10개
- 한 tab 의 filter = 최대 10개
- 1천만 event 초과 시 sampling

Attribution Model — Conversion Credit 배분

Attribution 의 의미

사용자 여정 (5/1 부터 5/10):
  5/1   광고 (Facebook) → 클릭 → 첫 방문
  5/3   광고 (Google Search) → 클릭 → 재방문
  5/5   이메일 (Newsletter) → 클릭 → 재방문
  5/10  직접 방문 → purchase 50,000원

질문: "이 50,000원 매출의 credit 을 *각 채널* 에 *어떻게* 배분?"

→ Attribution Model

3 가지 Model (2023/11 부터)

First click · linear · time decay · position-based 는 2023년 11월 이후 폐기. — 공식 docs

┌──────────────────────────────┬─────────────────────────────┐
│ Model                        │ 동작                          │
├──────────────────────────────┼─────────────────────────────┤
│ 1. Data-driven Attribution   │ ML 의 자동 배분 (가장 정교)    │
│ 2. Paid and Organic Last     │ 마지막 채널 (direct 제외) 100% │
│    Click                     │                              │
│ 3. Google Paid Channels      │ Google Ads 마지막 클릭만 100% │
│    Last Click                │ (없으면 #2 로 fallback)       │
└──────────────────────────────┴─────────────────────────────┘

Data-driven Attribution (DDA)

Google ML이 분석:
  - conversion 여부
  - device type
  - 광고 노출 vs 클릭 수
  - 광고와 conversion 사이 시간
  - ...

→ 각 channel 에 *비율 credit* 부여
  예: Facebook 0.2 · Google Search 0.5 · Newsletter 0.3

가장 정교 — Google 의 ML 활용. 권장 default.

조건 — 해당 conversion 의 데이터 충분 시만 활용. 부족 시 last click 으로 fallback.

Paid and Organic Last Click

사용자 여정:
  Facebook → Google → Newsletter → Direct → purchase
  ────────────────────────────────────────────────
  Credit:    0       0      100        0       (purchase)
                            ↑
                   "direct 제외 마지막 channel"

Direct 제외 = 100% credit 절대 direct 안 받음. 다른 채널 마지막 click 받음.

Google Paid Channels Last Click

사용자 여정:
  Facebook → Google Ads → Newsletter → purchase
  ──────────────────────────────────────────────
  Credit:    0          100            0
                       ↑
                "Google Ads 의 마지막 클릭만 100%"

Google Ads 가 여정에 없으면 = 자동으로 Paid+Organic Last Click fallback.

용도 — Google Ads ROAS(Return on Ad Spend · 광고비 회수율) 계산 의 Google 입장 의 표준. Google Ads 의 입찰 자동화 의 default.

Lookback Window

Conversion 의 credit 을 *얼마나 이전* event 까지 보는가:

- Acquisition (first touch):
  Default: 30 days
  Min: 1 day, Max: 30 days

- Conversion (key event):
  Default: 90 days
  Min: 1 day, Max: 90 days
  Specific event 마다 다른 lookback 설정 가능

- Paid search ads:
  추가 *7 day 이내 click* lookback

예 — purchase 의 lookback 90 days:

5/1   광고 클릭 → 방문
... (90 일 동안 다른 활동 없음) ...
8/30  광고 클릭 → 재방문
9/1   purchase

→ 91일 (5/1 ~ 9/1) > lookback 90일이면 5/1 광고는 credit 받지 못함
→ 8/30 광고만 credit

Conversion Path Report

GA4 console > Advertising > Conversion Paths

표시 내용:
  - 사용자가 conversion 까지 *모든 touch point*
  - 가장 흔한 path (예: "Google Ads → Direct → Newsletter → purchase")
  - Early · Mid · Late touchpoint 의 credit 비율
  - 각 path 의 conversion 수

활용 — 어느 채널이 funnel 의 어느 부분 에서 효과 큰지 발견. 상위 funnel (awareness) vs 하위 funnel (decision).

Direct 의 함정

Direct = 다음 의 합:
  - URL 직접 입력
  - bookmark
  - 추적 안 되는 referrer (HTTPS → HTTP 등)
  - 추적 안 된 광고 (UTM 안 박은)
  - 일부 app referral

Direct 비중이 비정상적으로 높음 = UTM(Urchin Tracking Module · 광고 추적 파라미터) 누락 · iOS 14+ ITP(Intelligent Tracking Prevention · 사파리 추적 차단) 차단 · 추적 안 된 광고. 의심 시 Audit.

Looker Studio (구 Data Studio) 연결

GA4 ↔ Looker Studio

[GA4 Property]
   ↓ (built-in connector)
[Looker Studio]
   - GA4 connector (직접)
   - BQ connector (BigQuery Export 사용 시)

직접 연결:
  - Setup 즉시 (인증 1회)
  - Built-in dimension/metric 자동
  - Realtime · 표준 dimension/metric
  - 무료 한도 (Looker Studio 자체)

BQ 연결:
  - 더 자유로운 SQL
  - sampling 없음
  - cost 효율 (materialized view + clustering)

Looker Studio 의 활용

1. Stakeholder dashboard
   - 경영진 KPI(Key Performance Indicator · 핵심 성과 지표) dashboard (매일 업데이트)
   - 마케팅팀 ROI dashboard
   - 영업팀 funnel dashboard

2. Embedded analytics
   - 우리 사이트의 통계 페이지에 임베드
   - 고객 portal 의 사용 통계

3. PDF/Slide export
   - 매주 자동 export → 이메일
   - 회의자료 자동 생성

Google Sheets · Slides 연결

Slides:
  Looker Studio chart → "Embed" → Slides 에 자동 update
  → 매주 발표 자료 의 chart 자동 갱신

Sheets:
  GA4 → Google Analytics Add-on for Sheets
  → 매주 cron 으로 row 자동 update

함정 정리

사고 1: Funnel 의 Open vs Closed 혼동

원인 — Default Funnel 의 Open/Closed 설정 잘못 → conversion rate 가 2배 차이.

해결 — 의도 명시 + cross-check 다른 query 와 결과 비교.

사고 2: Path Exploration 너무 넓은 segment

원인 — 모든 사용자 의 Path → 분기 너무 많음 → 가독성 0.

해결 — segment 좁히고 (예: purchase 한 사용자만) → 명확한 흐름.

사고 3: Cohort 의 lookback 부족

원인 — Weekly cohort 의 12 month lookback 한도. 그 이상 보고 싶음.

해결 — BigQuery Export + 직접 SQL. UI 한도.

사고 4: Segment Overlap 의 3 segment 한도

원인 — 5 segment 의 교집합 보고 싶음. 한도 3.

해결 — 2 segment 의 교집합 → 새 segment 만든 후 다른 segment 와 교차. 또는 BQ.

사고 5: User Explorer 의 PII 침해

원인 — User Explorer 가 user_id 표시 → 운영자가 개인 사용자 깊이 추적 → 개인정보 함정.

해결 — 진짜 필요 시만 사용. legal/privacy 팀 협의. audit log 운영. (PII = Personally Identifiable Information · 개인 식별 정보)

사고 6: User Lifetime 의 데이터 부족

원인 — 신규 property → User Lifetime 의 예측 metric 모두 N/A.

해결 — 3~6개월 데이터 쌓인 후. 일부 metric 는 훨씬 더 긴 기간 필요.

사고 7: DDA 의 데이터 부족 fallback

원인 — 신규 property 또는 conversion 이 적음 → DDA 가 last click fallback.

해결 — Conversion 가 최근 28일 300+ 발생 + 데이터 다양성 필요. 데이터 쌓일 때까지 DDA 의 정확도 X.

사고 8: Lookback 의 short 설정

원인 — purchase lookback 30일로 줄임. 고려 시간이 긴 product (자동차 · 부동산) 의 conversion 누락.

해결 — 비즈니스 의사결정 사이클 고려. B2B · 고가 product = lookback 60~90일.

사고 9: Direct 비중 너무 높음 — UTM 누락

원인 — 광고 click 추적 안 됨 → Direct 비중 60%+ → attribution 의미 X.

해결 — 모든 외부 link 에 UTM. Newsletter · 광고 · SNS 모두 utm_source · utm_medium · utm_campaign 명시.

사고 10: Explorations 5,000개 한도

원인 — 분석가들이 개인 exploration 무한 생성 → 5,000개 한도 초과.

해결 — 주기적 정리 + 공유 exploration vs 개인 exploration 정책 + naming convention.

운영 권장 패턴

Pattern 1: Funnel 표준 5 step (E-commerce)

Step 1: page_view  (landing)
Step 2: view_item  (상품 페이지)
Step 3: add_to_cart
Step 4: begin_checkout
Step 5: purchase

Time constraint: 30 days
Type: Open funnel
Breakdown: device_category

매주 월요일 점검 = 각 step 의 drop rate 변동 감지.

Pattern 2: Path Exploration 의 segment 패턴

Segment 1: "Purchasers" (purchase 한 사람)
  → 어떻게 우리 사이트에서 구매까지 가는지 발견

Segment 2: "Abandoners" (add_to_cart 했지만 purchase X)
  → 카트 이탈 후 어디로 가는지

Segment 3: "Returning users"
  → 재방문 사용자 의 typical journey

Pattern 3: Cohort 의 retention 분석

Cohort: First touch event = first_visit
Return Criteria: Any conversion (purchase 등)
Granularity: Weekly
Lookback: 12 weeks

→ 매주 신규 가입 cohort 의 retention curve
→ 광고 channel 별 cohort 비교 (acquisition 의 lifetime quality)

Pattern 4: Attribution + Conversion Path 결합

1. Attribution → 어느 channel 이 가장 credit?
2. Conversion Path → 그 channel 이 funnel 의 어느 자리?
3. Lookback 조정 → 비즈니스 사이클에 맞춰

조합 결과:
  - "Google Ads = late funnel 신호 = 입찰 늘려"
  - "Newsletter = early funnel + late funnel 둘 다 = 보강"
  - "Facebook = early awareness 만 = brand 광고 위주"

Pattern 5: Looker Studio dashboard 표준 구조

Page 1 — Overview
  - Today/Yesterday KPI (활성 사용자 · 매출 · 신규 가입)
  - Last 7 days trend

Page 2 — Acquisition
  - Channel 별 사용자/매출 표
  - Campaign 별 ROAS
  - Attribution 의 conversion path

Page 3 — Funnel
  - E-commerce funnel chart
  - Funnel 별 conversion rate trend

Page 4 — Retention
  - Cohort chart
  - Returning vs new user split

Page 5 — Audience
  - Geo · Device · Demographics
  - User lifetime value

각 page = 한 stakeholder 의 한 관심사. 너무 많은 metric 한 페이지 사고.

Pattern 6: 정기 export 자동화

매주 월요일 09:00 KST:
  1. Looker Studio dashboard → PDF export
  2. Email → CEO · Marketing Lead · Product Lead
  3. 핵심 metric vs 지난 주 변화 → Slack #weekly-kpis

매월 1일 09:00:
  1. Cohort retention dashboard → PDF
  2. Email → Board 의 OKR(Objectives and Key Results · 목표 및 핵심 결과) review

시험 직전 한 번 더 — Reports · Explorations · Attribution 함정 압축 노트

Reports 5 영역

• Realtime (최근 30분 · 60분 360)
• Acquisition (Source · Medium · Campaign)
• Engagement (Pages · Events · Conversion)
• Monetization (E-commerce · Subscription · Ads)
• Retention (Cohort · 7-day · 30-day return)
• 추가: Demographics · Tech

Reports vs Explorations

• Reports = 자동 · 빠른 · 고정 차원 · 일상 운영
• Explorations = 자유 · 깊이 · 시간 흐름 · 깊은 분석
• Reports 의 한계 → Explorations
• Explorations 의 한계 → BigQuery

Explorations 7 기법

1. Free Form — 자유 cross-tab (가장 흔함)
2. Funnel — 단계별 전환 (Open vs Closed 함정)
3. Path — 사용자 여정 (시작 또는 끝 node)
4. Cohort — 그룹 시간 변화 (12 month lookback)
5. Segment Overlap — Venn diagram (max 3 segment)
6. User Explorer — 한 사용자 깊이 (PII 함정)
7. User Lifetime — LTV · 예측 metric (3~6개월 데이터 필요)

Funnel 의 Open vs Closed

• Open = step 건너뛰어도 인정 (사용자 친화적)
• Closed = 모든 step 순서대로 (엄격)
• 결과 2배 차이 가능 — 의도 명시

Attribution 3 model (2023/11 이후)

• Data-driven Attribution (DDA) — ML, 권장 default
• Paid+Organic Last Click — 마지막 channel (direct 제외) 100%
• Google Paid Last Click — Google Ads 마지막 클릭만 (fallback Paid+Organic)
• 폐기: First click · Linear · Time decay · Position-based

Lookback Window

• Acquisition (first touch): 30일 default (max 30)
• Conversion: 90일 default (max 90)
• 7일 paid search ads click 추가
• B2B · 고가 = 90일, 일반 = 30~60일

Conversion Path

• 사용자의 모든 touch point 표시
• Early · Mid · Late touchpoint credit 비율
• 가장 흔한 path 발견
• 채널의 funnel 위치 파악

Direct 의 함정

• Direct 비중 60%+ = UTM 누락 의심
• iOS 14+ ITP · HTTPS→HTTP referrer 누락
• 모든 외부 link 에 UTM 필수

Looker Studio

• GA4 직접 connector (Realtime · 표준 metric)
• BQ connector (sampling X, 복잡한 SQL)
• 매주 자동 PDF export
• Sheets · Slides 자동 embed

한도

• Property exploration 총 5,000개
• 사용자 exploration 200개
• Exploration segment 10개
• Filter tab당 10개
• Segment Overlap 3 segment
• 1천만 event 초과 시 sampling

사고

• Funnel Open vs Closed 혼동 (2배 차이)
• Path 의 segment 너무 넓음 (가독성 0)
• Cohort 의 12 month 한도 (BQ 사용)
• Segment Overlap 3 한도 (BQ 또는 새 segment)
• User Explorer 의 PII 침해 (audit 필요)
• User Lifetime 의 데이터 부족 (3~6개월)
• DDA 의 fallback (28일 300+ conversion 필요)
• Lookback short (B2B 의 긴 사이클 누락)
• Direct 비중 너무 높음 (UTM 누락)
• Exploration 5,000개 한도 (정리 정책)

패턴

• E-commerce 5 step funnel (월요일 점검)
• Path 의 segment 좁히기 (Purchasers · Abandoners)
• Cohort 의 weekly retention (12주 lookback)
• Attribution + Conversion Path 결합 → 채널 입찰 결정
• Looker Studio 5 page 표준 구조
• 자동 PDF export (월요일 · 1일)

공식 문서: Explorations 가이드 · Attribution models 에서 더 깊은 spec 을 확인할 수 있어요.

시리즈 다른 편 (앞뒤 글 모음)

이전 글:

• 2편 — 데이터 모델 깊이 · User ID · Session · Custom Dimension
• 3편 — 측정 통합 4 방법 깊이 (gtag · GTM · Firebase · MP)
• 4편 — Event · Conversion · Audience 설계 깊이
• 5편 — Data API · Admin API · 외부 통합 깊이
• 6편 — BigQuery Export 깊이 (schema · UNNEST · 비용)

다음 글:

• 8편 — 운영 함정 + Privacy 깊이
• 9편 — 시리즈 마무리 · 체크리스트 · 다음 학습