{
  "id": "a3449438-d749-453f-b3b9-47eef416aa32",
  "slug": "glossary/attribution",
  "doc_type": "glossary",
  "title": "기여분석 (Attribution)",
  "title_en": null,
  "one_liner": "전환에 기여한 채널과 접점의 몫을 나누어 계산하는 분석 방법입니다.",
  "summary_bullets": [
    "전환에 기여한 채널과 접점의 몫을 나누어 계산하는 분석 방법입니다."
  ],
  "body_md": "## 한 줄 정의\n전환에 기여한 채널과 접점의 몫을 나누어 계산하는 분석 방법입니다.\n\n## 설명\n매체 리포트를 그대로 합산하면 같은 전환을 여러 매체가 중복으로 주장해 실제보다 성과가 부풀려집니다. 기여분석은 라스트클릭, 선형, 시간감쇠, 데이터드리븐 등 모델을 적용해 중복을 제거합니다. 다만 어떤 모델도 완벽하지 않으므로 증분 실험(LIFT)과 병행해야 하며, 무엇보다 전환 추적 자체가 정확해야 합니다.\n\n## 관련 문서\n- [mDP 미디어데이터플랫폼](/kb/solutions/mdp-media-data-platform)\n- [CTS™ 전환추적](/kb/solutions/cts-conversion-tracking)\n- [UTM/LIFT Tracker](/kb/solutions/utm-lift-tracker)",
  "related_slugs": [
    "solutions/mdp-media-data-platform",
    "solutions/cts-conversion-tracking",
    "solutions/utm-lift-tracker"
  ],
  "faq": [
    {
      "a": "전환에 기여한 채널과 접점의 몫을 나누어 계산하는 분석 방법입니다.",
      "q": "기여분석 (Attribution)란 무엇인가요?"
    }
  ],
  "jsonld": null,
  "keywords": [
    "attribution",
    "기여분석 (Attribution)",
    "용어"
  ],
  "source_id": "glo:attribution",
  "created_at": "2026-08-20T12:37:26.919208+00:00",
  "updated_at": "2026-08-20T14:03:32.045814+00:00",
  "video_url": null,
  "duration_sec": null,
  "thumbnail_url": null,
  "image_url": null,
  "caption": null,
  "solution_slug": null,
  "captured_at": null,
  "width": null,
  "height": null,
  "backlinks": [
    "solutions/mdp-media-data-platform"
  ],
  "html_url": "https://bizspring.ai/kb/glossary/attribution",
  "markdown_url": "https://bizspring.ai/kb/glossary/attribution.md"
}