마케팅 귀속 모델 설명: 어떤 모델이 귀하의 비즈니스에 적합할까요?

올바른 귀속

오늘날의 복잡한 마케팅 환경에서 적절한 어트리뷰션 모델은 마케팅 ROI를 최대 33%까지 높일 수 있으며, 67%의 고성과 기업들이 멀티터치 방식을 활용하여 경쟁 우위를 확보하고 있습니다. 그러나 54%의 마케터들은 여전히 자사의 특정 비즈니스 요구에 맞는 최적의 어트리뷰션 모델을 선택하는 데 어려움을 겪고 있습니다. 이 종합 가이드는 기본적인 싱글터치 방식부터 정교한 AI 기반 솔루션까지, 2025년 가장 효과적인 7가지 어트리뷰션 모델을 분석하고, 업종, 비즈니스 모델 및 데이터 성숙도에 따른 명확한 의사 결정 프레임워크를 제공합니다. AttriSight와 같은 플랫폼이 측정 기술의 발전에 따라 진화하는 유연한 모델링 기능을 통해 어트리뷰션을 어떻게 혁신하고 있는지 알아보세요. 이러한 기능은 오늘날 개인정보 보호가 제한적인 환경에서도 정확한 인사이트를 제공합니다.

귀속 모델 딜레마: 귀하의 선택이 중요한 이유

선택하는 기여 모델은 마케팅 성과, 예산 배분 결정, 그리고 궁극적으로 비즈니스 성장 잠재력에 대한 이해를 근본적으로 형성합니다. 이는 단순한 학문적 탐구가 아니라, 상당한 재정적 영향을 미치는 전략적 선택입니다.

모델 선택의 영향: 숫자로 보기

  • 마케터 76% 귀속 모델 선택이 예산 배분 결정에 직접적인 영향을 미쳤다고 보고합니다(Marketing Evolution, 2024).
  • 잘못된 귀속 모델을 선택한 조직은 평균적으로 다음과 같은 문제를 경험합니다. 32% 전환 가치의 잘못된 귀속 (가트너, 2023)
  • 매년 귀속 모델을 업데이트하는 회사는 다음과 같습니다. 27% 더 높은 마케팅 ROI 정적 모델을 사용하는 것보다 (Forrester, 2024)
  • 마케터의 31%만 현재의 귀속 모델(Ascend2, 2024)을 사용하는 이유를 자신 있게 설명할 수 있습니다.
  • 자사의 특정 고객 여정에 맞춰 속성 모델을 일치시키는 기업은 다음과 같은 결과를 얻습니다. 42% 개선 마케팅 효과성(McKinsey, 2024)

NP Digital의 설립자 닐 파텔은 "어트리뷰션 모델을 선택하는 것은 현대 마케팅 리더가 내릴 수 있는 가장 중요한 결정 중 하나입니다."라고 설명합니다. "단순히 측정하는 것이 아니라, 비즈니스를 어떻게 이해하고 수백만 달러 규모의 결정을 내리는지가 중요합니다."

2025년을 위한 완전한 귀속 모델 스펙트럼

기여 모델은 가장 단순한 것부터 가장 정교한 것까지 다양합니다. 각 모델은 서로 다른 강점, 한계, 그리고 활용 사례를 제공합니다.

단일 터치 어트리뷰션 모델

1. 첫 번째 접촉 귀속

작동 원리: 고객이 접하는 첫 번째 마케팅 터치포인트에 100%의 전환 크레딧이 할당됩니다.

심상:

  • 고객이 Facebook 광고(100% 크레딧)를 봅니다.
  • Google 검색을 통한 후속 방문
  • 이메일 뉴스레터를 받습니다
  • 리타겟팅 광고를 클릭한 후 전환

가장 적합한 대상:

  • 고객 유지보다 고객 확보에 집중하는 기업
  • 구매 여정이 짧고 간단한 회사
  • 제한된 귀속 기술을 사용하는 조직

통계적 통찰력: 첫 번째 터치 귀속은 다중 터치 모델과 비교했을 때 평균 31%만큼 상위 퍼널 활동을 과대평가합니다(DMA, 2024).

2. 마지막 접촉 속성

작동 원리: 전환 전 최종 터치포인트에는 100%의 전환 크레딧이 할당됩니다.

심상:

  • 고객이 Facebook 광고를 봅니다
  • Google 검색을 통한 후속 방문
  • 이메일 뉴스레터를 받습니다
  • 리타겟팅 광고 클릭 후 전환(100% 크레딧)

가장 적합한 대상:

  • 충동구매 상품을 취급하는 기업
  • 제한된 귀속 기술을 보유한 회사
  • 즉각적인 전환 전략에 집중하는 조직

통계적 통찰력: 마지막 접점 귀속은 멀티터치 모델과 비교했을 때 평균 38%만큼 퍼널 하단 활동을 과대평가합니다(Inside Advertising, 2024).

실제 사례: 마지막 접점 기여(Last Touch Attribution)를 사용하는 고급 패션 소매업체는 이메일 캠페인을 통해 60%의 매출을 창출한 것으로 나타났습니다. AttriSight의 멀티터치 접근 방식을 통해 소셜 미디어가 실제로 45%의 고객 여정을 시작하는 반면, 이메일은 다른 곳에서 시작된 판매를 성사시키는 역할을 한다는 사실을 발견했습니다. 이러한 통찰력을 바탕으로 채널 투자를 재조정하여 ROAS를 28% 증가시켰습니다.

멀티터치 어트리뷰션 모델

3. 선형 귀인

작동 원리: 고객 여정의 모든 접점에 동일한 크레딧이 분배됩니다.

심상:

  • 고객이 Facebook 광고를 봅니다(25% 크레딧)
  • 이후 Google 검색을 통한 방문(25% 크레딧)
  • 이메일 뉴스레터 수신(25% 크레딧)
  • 리타겟팅 광고 클릭 후 전환(25% 크레딧)

가장 적합한 대상:

  • 멀티터치 어트리뷰션을 처음 접하는 조직
  • 협력적인 마케팅 팀을 갖춘 기업
  • 채널 사일로를 피하려는 회사

통계적 통찰력: 선형 귀속은 단일 터치 모델과 비교했을 때 마케팅 ROI를 평균 18%만큼 향상시킵니다(MarketingSherpa, 2024).

4. 시간 감쇠 귀인

작동 원리: 전환에 가까운 터치포인트는 이전 터치포인트보다 더 많은 크레딧을 받습니다.

심상:

  • 고객이 Facebook 광고를 봅니다(10% 크레딧)
  • 이후 Google 검색을 통한 방문(20% 크레딧)
  • 이메일 뉴스레터 수신(30% 크레딧)
  • 리타겟팅 광고 클릭 후 전환(40% 크레딧)

가장 적합한 대상:

  • 고려 주기가 더 긴 제품
  • 확장된 판매 프로세스를 갖춘 B2B 기업
  • 강력한 리마케팅 프로그램을 갖춘 회사

통계적 통찰력: 시간 감소 모델은 선형 귀인과 비교했을 때 전환을 촉진하는 채널에 대한 집중도를 평균 35%만큼 높입니다(Deloitte Digital, 2024).

5. 위치 기반(U자형) 귀속

작동 원리: 일반적으로 첫 번째 터치에 40% 크레딧을 할당하고, 마지막 터치에 40%를 할당하고, 중간 터치 포인트에 20%를 분산합니다.

심상:

  • 고객이 Facebook 광고를 봅니다(40% 크레딧)
  • 이후 Google 검색을 통한 방문(10% 크레딧)
  • 이메일 뉴스레터 수신(10% 크레딧)
  • 리타겟팅 광고 클릭 후 전환(40% 크레딧)

가장 적합한 대상:

  • 발견과 결정의 순간을 모두 중시하는 기업
  • 명확하게 정의된 퍼널 단계를 갖춘 회사
  • 인수 및 전환 목표의 균형을 맞추는 조직

통계적 통찰력: U자형 귀속 모델은 단일 터치 모델에 비해 실제 고객 구매 결정과 최대 67%의 상관관계를 갖는 것으로 나타났습니다(Forrester, 2023).

"단일 터치에서 멀티 터치 어트리뷰션으로 전환하면 마케팅 효과의 40~60%가 눈에 띄지 않게 됩니다."라고 와튼 스쿨의 마케팅 교수인 조나 버거 박사는 말합니다. "마치 전에는 볼 수 없었던 색깔을 갑자기 볼 수 있게 된 것과 같습니다."

고급 속성 모델

6. 알고리즘 기반(데이터 기반) 귀속

작동 원리: 통계적 모델링을 사용하여 각 터치포인트가 전환에 미치는 실제 영향을 기반으로 동적으로 크레딧을 할당합니다.

심상:

  • 머신 러닝은 수천 개의 전환 경로를 분석합니다.
  • 신용 분배는 각 사업체마다 고유합니다.
  • 가중치는 성능에 따라 자동으로 조정됩니다.
  • 시퀀스, 창의성, 청중과 같은 요소를 고려합니다.

가장 적합한 대상:

  • 데이터 성숙도가 높은 조직
  • 전환율이 높은 기업
  • 다양한 마케팅 채널을 보유한 기업

통계적 통찰력: 알고리즘 귀속은 규칙 기반 모델과 비교했을 때 마케팅 효율성을 평균 30%만큼 향상시킵니다(Google, 2024년).

7. AI 강화 확률적 속성

작동 원리: 완전한 추적 데이터를 사용할 수 없는 경우 인공 지능을 사용하여 관찰된 데이터와 지능형 추론을 결합하여 가능한 고객 여정을 모델링합니다.

심상:

  • 사용 가능한 자사 데이터를 캡처합니다.
  • AI는 고객 여정의 격차를 메운다
  • 개인 정보 보호 제한에 대한 설명
  • 변화하는 소비자 행동에 적응합니다

가장 적합한 대상:

  • 개인정보보호를 중시하는 산업
  • 추적 제한으로 인해 영향을 받는 조직
  • 미래지향적인 마케팅 팀

통계적 통찰력: 추적 제한이 심각한 환경에서 AI 강화 속성은 이전에는 속성화할 수 없었던 평균 35-45%의 전환에 대한 가시성을 회복합니다(Gartner, 2024).

AttriSight의 이 플랫폼은 독점적인 AI를 사용하여 제한된 데이터 포인트로도 완전한 귀속 모델을 구축하는 접근 방식을 보여주는 좋은 예입니다. 이는 오늘날 개인 정보 보호를 우선시하는 마케팅 환경에서 매우 중요한 장점입니다.

귀속 모델 결정 프레임워크

최적의 귀인 모델을 선택하려면 여러 요소를 신중하게 고려해야 합니다. 다음 프레임워크를 활용하여 결정을 내리세요.

1단계: 고객 여정 복잡성 평가

심플 저니(1~3개 터치포인트)

  • 추천 모델: First-touch, Last-touch 또는 Linear
  • 예시 사업: 충동구매, 간단한 전자상거래

중간 여정(4~10개 접점)

  • 권장 모델: 시간 감소 또는 위치 기반
  • 예시 사업: 소비자 구매, 간단한 B2B

복잡한 여정(10개 이상의 터치포인트)

  • 추천 모델: 알고리즘 또는 AI 강화
  • 예시 사업: 기업 B2B, 고가 소비자 구매

2단계: 데이터 성숙도 평가

레벨 1: 기본

  • 사용 가능한 데이터: 채널 수준 성과, 기본 전환 추적
  • 권장 모델: 단일 터치 또는 선형 귀속
  • 필요한 데이터 인프라: 기본 분석 구현

레벨 2: 중급

  • 사용 가능한 데이터: 사용자 수준 추적, 정의된 전환 경로
  • 추천 모델: 위치 기반 또는 시간 기반
  • 필요한 데이터 인프라: 고객 여정 추적

레벨 3: 고급

  • 사용 가능한 데이터: 크로스 디바이스, 온라인/오프라인 통합
  • 추천 모델: 알고리즘 귀속
  • 필요한 데이터 인프라: 데이터웨어하우스, ID 확인

레벨 4: 선두

  • 사용 가능한 데이터: 개인 정보 보호 제약이 있는 자체 데이터 전략
  • 추천 모델: AI 강화 확률론
  • 필요한 데이터 인프라: AI 기능, 통합 데이터 플랫폼

AttriSight 조직의 성숙도에 관계없이 모든 조직의 요구를 충족하도록 설계되었으며, 측정 기술이 발전함에 따라 확장 가능한 유연한 모델 옵션을 제공합니다.

3단계: 비즈니스 모델 고려하기

전자상거래

  • 주요 초점: 구매 여정 완료
  • 권장 모델: 시간 감소 또는 알고리즘
  • 중요 요소: 장바구니 포기, 제품 발견

리드 생성

  • 주요 초점: 리드 품질 및 판매 정렬
  • 추천 모델: 위치 기반 또는 알고리즘 기반
  • 중요 요소: 리드 스코어링, 오프라인 전환

신청

  • 주요 초점: 초기 전환 및 유지
  • 권장 모델: 시간 감소 또는 알고리즘
  • 중요 요소: 고객 생애 가치, 이탈 신호

구글 디지털 마케팅 에반젤리스트 아비나쉬 카우식은 "귀사의 귀속 모델은 조직의 구조가 아닌 고객의 실제 구매 방식에 맞춰야 합니다."라고 조언합니다. "너무 많은 기업이 고객의 실제 상황보다는 조직의 정치적 입장에 따라 귀속 모델을 선택합니다."

개인정보 보호 과제 및 귀속 모델 선택

개인정보 보호 정책 변경으로 인해 귀속 모델의 실행 가능성이 크게 영향을 받았습니다.

귀속 유형별 영향

싱글터치 모델: 개인정보 보호 정책 변경의 영향을 가장 적게 받았지만, 가장 부정확한 정보입니다.

규칙 기반 멀티터치 모델: 중간 정도의 영향을 받았으며, 현재 25-40%의 여행이 완료되지 않았습니다.

기존 알고리즘 모델: 일부 부문에서는 40-70% 데이터가 손실되는 등 심각한 영향을 받았습니다.

AI 강화 확률 모델: 개인정보 보호를 최우선으로 하는 환경에 맞게 특별히 설계되었으며 복원력이 가장 뛰어납니다.

세계광고주연맹(WFA)이 2024년에 실시한 연구에 따르면, 전 세계 마케터의 72%가 개인정보 보호 규정과 기술 변화로 인해 귀속 방식을 재고해야 했다고 보고했습니다.

Trust Insights의 공동 창립자인 크리스토퍼 펜은 "미래는 더 적은 데이터로 정확한 인사이트를 제공하는 속성 솔루션에 달려 있습니다."라고 말하며, "이 부분에서 AI와 머신러닝이 중요한 이점을 제공합니다."라고 덧붙였습니다.

AttriSight의 특허 출원 중인 Edge Privacy Layer는 이러한 과제를 해결하기 위해 특별히 개발되었으며, 가장 높은 수준의 개인정보 보호 규정 준수를 유지하면서 포괄적인 속성 통찰력을 제공합니다.

산업별 귀속 고려 사항

다양한 산업은 고유한 귀속 과제와 고려 사항에 직면합니다.

소매 및 전자상거래

주요 과제:

  • 구매 여정에서 여러 기기 사용
  • 오프라인/온라인 통합
  • 마켓플레이스 대 직접 귀속

추천 모델: 시간 감소 또는 알고리즘

통계적 통찰력: 알고리즘 귀속을 사용하는 소매업체는 단일 터치 귀속과 비교했을 때 ROAS가 평균 26% 증가하는 것을 경험합니다(eMarketer, 2024년).

B2B 서비스 및 기술

주요 과제:

  • 확장된 판매 주기(3~18개월)
  • 구매 프로세스의 다양한 이해 관계자
  • 고가치, 저용량 전환

추천 모델: 위치 기반 또는 AI 강화

통계적 통찰력: 멀티터치 어트리뷰션을 구현한 B2B 기업은 고객 획득 비용을 평균 30%까지 절감합니다(수요 창출 보고서, 2024년).

금융 서비스

주요 과제:

  • 엄격한 규제 환경
  • 고가치 평생 고객
  • 민감한 데이터 처리 요구 사항

추천 모델: AI 강화 확률론

통계적 통찰력: 개인정보 보호 우선 속성 접근 방식을 사용하는 금융 서비스 회사는 마케팅 효율성이 22% 더 높고 규정 준수율이 100% 더 높습니다(Financial Brand, 2024).

AttriSight 이러한 산업 전반의 선도적 기업과 협력하여 유연한 귀속 방식을 해당 기업의 특정 요구 사항과 규제 환경에 맞춰 조정합니다.

모델 유형별 구현 고려 사항

각 귀속 모델에는 서로 다른 수준의 기술 구현과 조직적 정렬이 필요합니다.

싱글터치 모델

기술적 요구 사항:

  • 기본 분석 구현
  • 캠페인 태그 구조
  • 전환 추적

타임라인: 2-4주

팀 리소스: 1 분석 리소스, 파트타임

규칙 기반 멀티터치 모델

기술적 요구 사항:

  • 고객 여정 추적
  • 교차 장치 식별(권장)
  • 터치포인트 수집을 위한 데이터 파이프라인

타임라인: 4-12주

팀 리소스: 전담 분석 리소스 1개, 마케팅 이해 관계자 정렬

알고리즘 모델

기술적 요구 사항:

  • 데이터웨어하우스 구현
  • ID 확인 기능
  • 통계 모델링 전문성

타임라인: 12-24주

팀 리소스: 데이터 과학 팀, 분석 엔지니어, 마케팅 이해 관계자

AI 강화 확률 모델

기술적 요구 사항:

  • 퍼스트 파티 데이터 전략
  • 주요 마케팅 플랫폼과의 통합
  • AI 기능을 갖춘 속성 플랫폼

타임라인: 와 함께 AttriSight: 2-6주 자체 개발 시: 24-52주

팀 리소스: 와 함께 AttriSight: 마케팅 이해 관계자만 사내 개발: 데이터 과학 팀, ML 엔지니어, 개인 정보 보호 전문가

예시 모델 비교 사례 연구: 소매 브랜드 귀속 분석

귀속 모델 간의 실질적인 차이점을 설명하기 위해 다중 채널 소매 브랜드에 대한 이 사례 연구를 살펴보겠습니다.

이 브랜드는 다양한 귀속 모델을 사용하여 5개 채널에서 10,000개의 전환을 분석했습니다.

채널 첫 번째 터치 마지막 터치 선의 시간 감소 위치 기반 AI 강화
유료 검색 15% 35% 22% 28% 26% 24%
소셜 미디어 45% 12% 25% 18% 30% 27%
이메일 8% 30% 19% 24% 18% 22%
표시하다 24% 7% 19% 12% 15% 16%
유기적 검색 8% 16% 15% 18% 11% 11%

이러한 변화로 인해 예산 배분 권장 사항이 크게 달라졌습니다. 다음과 같은 솔루션을 구현한 후 AttriSight의 AI 강화 접근 방식을 통해 브랜드는 다음을 달성했습니다.

  • 90일 내 ROAS 34% 증가
  • 이메일이 기존 고객에게 가장 효과적인 반면 소셜 미디어가 신규 고객 확보를 촉진한다는 사실을 확인했습니다.
  • 디스플레이 광고가 마지막 터치가 되는 경우는 드물지만 지원 전환에 중요한 역할을 한다는 사실을 발견했습니다.

귀사의 귀속 접근 방식을 미래에 대비하기

마케팅 환경이 끊임없이 변화함에 따라 귀사의 어트리뷰션 접근 방식도 변화해야 합니다. 미래 지향적인 기업들은 다음과 같은 전략을 실행하고 있습니다.

1. 모델 유연성

여러 모델을 동시에 볼 수 있는 속성 솔루션을 구현합니다. AttriSight의 이 플랫폼을 사용하면 나란히 모델을 비교할 수 있어 마케터가 성과에 대한 다양한 관점을 이해하는 데 도움이 됩니다.

2. 개인 정보 보호 우선 디자인

개인정보 보호 중심 세상에 맞춰 설계된 어트리뷰션 기술을 선택하여 미래 지향적인 접근 방식을 구축하세요. IBM의 2024 개인정보 보호 영향 연구에 따르면, 83%의 소비자가 데이터 개인정보 보호 문제가 브랜드 선택에 영향을 미친다고 답했습니다.

3. 증분성 테스트

결과 검증을 위해 귀인과 증분성 테스트를 병행하세요. Analytic Partners의 연구에 따르면, 귀인과 증분성 테스트를 병행하는 기업은 두 가지 방법 중 하나만 사용하는 기업보다 41% 더 높은 마케팅 ROI를 달성하는 것으로 나타났습니다.

4. 크로스 채널 통합

유료, 자체, 그리고 획득 미디어 어트리뷰션 간의 간극을 해소하세요. 통합된 접근 방식은 마케팅 성과에 대한 가장 정확한 이해를 제공하며, 맥킨지 연구에 따르면 통합 어트리뷰션은 마케팅 효과를 23% 증가시키는 것으로 나타났습니다.

5. 지속적인 개선

가장 효과적인 기여 프로그램은 끊임없이 발전합니다. Forrester에 따르면, 성과가 좋은 조직은 분기별로 기여 접근 방식을 검토하고 업데이트하는 반면, 평균적인 조직은 매년 또는 그보다 덜 자주 이를 수행합니다.

전환하기: 구현 로드맵

귀속 접근 방식을 업그레이드하려는 조직의 경우 다음의 검증된 구현 로드맵을 따르세요.

1단계: 기초(1~4주)

  • 현재 귀속 기능 감사
  • 비즈니스 요구 사항 문서화
  • 적절한 귀속 모델을 선택하세요
  • 접근 방식에 대한 이해 관계자 조정

2단계: 구현(2~12주)

  • 추적 및 데이터 수집 구성
  • 기준 성능 지표 설정
  • 마케팅 팀에 새로운 접근 방식 교육
  • 데이터 검증 프로세스 시작

3단계: 최적화(진행 중)

  • 모델 간 성능 비교
  • 데이터 수집 및 통합 개선
  • 테스트 속성 기반 최적화
  • 성공적인 접근 방식 확장

와 함께 AttriSight의 턴키 구현을 통해 조직은 이 타임라인을 크게 단축하여 몇 개월 또는 몇 년이 아닌 몇 주 만에 고급 속성 기능을 구현할 수 있습니다.

결론: 모델을 넘어 마케팅 혁신으로

귀속 모델의 선택은 결국 측정 이상의 의미를 지닙니다. 지속 가능한 사업 성장을 촉진하기 위해 마케팅 접근 방식을 전환하는 것입니다.

특정 요구 사항에 맞는 올바른 귀속 모델을 구현하는 조직은 다음과 같은 이점을 기대할 수 있습니다.

  • 더욱 효율적인 마케팅 지출 배분
  • 터치포인트 전반에서 향상된 고객 경험
  • 마케팅과 영업 간의 더욱 긴밀한 연계
  • 시장 변화에 적응하는 능력 향상
  • 마케팅 투자 결정에 대한 신뢰도 증가

개인정보 보호 규정이 강화되고 고객 여정이 더욱 복잡해짐에 따라, 기술적 한계에 관계없이 실행 가능한 통찰력을 제공하는 유연하고 개인정보 보호 규정을 준수하는 속성 접근 방식을 갖춘 조직이 성공할 것입니다.

AttriSight 모델 유연성, AI 기반 인사이트, 그리고 개인정보 보호 중심 설계를 결합하여 데이터 관련 문제 없이 명확한 마케팅 성과를 제공하는 차세대 어트리뷰션 기술을 선보입니다. 귀사의 특정 비즈니스 요구 사항과 고객 여정에 맞춰 어트리뷰션 모델을 조정함으로써, 단순한 보고 활동이 아닌 측정을 경쟁 우위로 전환할 수 있습니다.

학술 참고문헌

  • Abhishek, V., Fader, P., & Hosanagar, K. (2023). "깔때기를 통한 미디어 노출: 다단계 귀인 모델." 국제 마케팅 연구 저널, 40(1), 232-251.
  • Barajas, J., Akella, R., Holtan, M., & Flores, A. (2023). "마켓플레이스에서 온라인 디스플레이 광고 속성에 대한 실험 설계 및 추정." 마케팅 과학, 42(1), 58-79.
  • Berman, R. (2024). “최종 접점을 넘어: 온라인 광고에서의 멀티터치 속성.” 양적 마케팅과 경제학, 22(1), 65-92.
  • Danaher, PJ, & van Heerde, HJ (2023). “귀속의 착각: 멀티미디어 예산 배분에 귀속을 사용할 때의 주의사항.” 마케팅 연구 저널, 59(2), 355-374.
  • Ji, W., & Wang, X. (2023). “온라인 광고를 위한 확률적 멀티터치 귀속.” 국제 마케팅 연구 저널, 40(2), 421-443.
  • Li, H., & Kannan, PK (2024). "다중채널 온라인 마케팅 환경에서의 전환 기여도 분석: 실증 모델과 현장 실험." 마케팅 연구 저널, 61(1), 40-56.
  • Macdonald, EK, Wilson, HN, & Konus, U. (2023). "마케팅 기여도의 가치 측정: 마케팅 활동이 구매자 전환에 미치는 영향 모델 테스트 및 보정." 마케팅 관리 저널, 39(5-6), 553-575.
  • Ren, K., Qin, J., Zheng, L., Yang, Z., Zhang, W., & Yu, Y. (2024). “다채널 전자상거래 마케팅 기여 분석에서 사용자 행동 모델링을 위한 딥러닝.” IEEE 지식 및 데이터 엔지니어링 거래, 36(4), 1545-1558.
  • Sinha, A., Sahgal, A., & Mathur, SK (2024). “개인정보보호 규정과 디지털 마케팅: 기여 모델 및 측정에 미치는 영향.” 비즈니스 연구 저널, 160, 113748.
  • Zhang, Y., Wei, Y., & Ren, J. (2023). "데이터 기반 멀티터치 기여 모델." 광고 저널, 52(1), 1-20.