모바일 게임 분석 기술 동향

Microsoft는 엔터프라이즈급 클라우드 컴퓨팅 플랫폼 Azure 웹서비스를 개발하여 데이터베이스 관리 및 데이터 수집, 분석, 모니터링 등에 필요한 서비스와 API를 제공한다. 기계학습의 경우 기능별 순차블록을 조립하는 형태로 (그림 1)의 예시와 같은 GUI를 제공하여 사용자들의 편의성을 극대화 시켰으며, 최근 기계학습 기반 모바일 게임 데이터 예측 분석에 관한 기술강연, 웹 세미나 등을 통해 활발한 홍보 활동을 진행 중이다[3].

(그림 1)

기계학습 모델링 예시[3]

구글은 웹로그 분석 솔루션인 Google Analytics의 업그레이드 버전인 Google Analytics 360 Suite를 출시했다[(그림 2) 참조]. Google Analytics 360 Suite는 기업의 마케팅 성과를 통합 분석할 수 있는 기능이 생긴 것을 비롯해 보고서의 시각화 및 사용자 편의가 향상되었다[4].

(그림 2)

Google Analytics 360 Suite 개요도[4]

Elasticsearch는 유연한 플랫폼 기반으로 데이터 통계 분석에 장점이 있어 게임 분석을 위한 데이터베이스로 많이 활용되고 있다. Elastic은 최근 X-Pack을 통해 Elastic Stack의 기계학습 기능을 탑재하여 데이터로부터 통찰력을 얻을 수 있는 도구를 제공한다. (그림 3)과 같이, 현재의 X-Pack 기계학습 기능은 비지도(Unsupervised) 학습 방식을 통해 ‘시계열 데이터로부터 이상 징후 탐지’ 기능을 제공하는 데 중점을 두고 있다[5].

(그림 3)

시계열에 따른 데이터의 이상 식별 예시[5]

e-스포츠 빅데이터 벤처기업인 DOJO Madness의 코칭 애플리케이션인 SUMO는 게임 데이터와 실시간으로 연동되어 게이머의 플레이를 분석하고 항목별 세부정보 및 달성도의 통계치를 제공한다. 또한, 대전 상대의 성향 및 능력치, 직업조합, 아이템 등의 데이터를 종합적으로 분석하여 승리를 위한 맞춤형 공략법을 추천해준다. 대표적으로 (그림 4)와 같은 League of Legends(Riot Games)와 Overwatch(Blizzard)를 대상으로 서비스 중에 있다[6].

(그림 4)

LoLSumo App 구동 예시[6]

Tapjoy & 5Rocks는 분석과 마켓팅 운영 플랫폼을 사용하여 친구 수, 아이템 구매 액수, 유입 경로 등으로 실시간 코호트 분석(Cohort analysis)을 하고, 사용자 층을 세분화하여 타겟팅된 In-app promotion을 제공하는 등 게임의 수명연장과 수익창출 극대화를 위한 최적화 서비스를 제공한다[(그림 5) 참조]. 최근 오퍼월 플러스를 출시하여 모바일 광고 산업 육성에 주력하고 있다[7].

(그림 5)

Tapjoy 분석 기본 지표 예시[7]

IGAWorks는 계획수립, 운영, 통합 리포팅, 데이터 분석 기능이 포함된 솔루션을 통해 대상 콘텐츠의 리소스를 분석 및 관리하고 모바일비즈니스 및 마케팅 활동을 위한 가이드를 제공한다. 최근 모바일광고 업계 지도를 (그림 6)과 같이 공개하는 등 간접수익 창출을 위한 ADTech (Advertisement technology) 기업으로서의 자리를 매김하고 있다[8].

(그림 6)

S.Korea Mobile Ad Technology Landscape[8]

Splunk는 운영 인텔리전스를 위한 플랫폼으로 Splunk Enterprise를 제공하여 Machine-Generated Data에 기반을 둔 IT 시스템과 기술 인프라 현황을 실시간으로 확인하여 데이터를 가치 있게 사용할 수 있도록 지원한다[(그림 7) 참조], [9].

(그림 7)

Splunk Enterprise의 모니터링 예시[9]

모바일 게임이 성공하기 위한 가장 중요한 요소 중 하나는 게임을 떠날 게임 이용자를 분류하고 정의하는 역량이다. 이러한 형태의 분석을 게임 이탈 예측(Churn prediction)이라고 한다. 게임 서비스를 해지하는 이용자를 게임 이탈자(Churner)라고 하며, 게임 잔존자 대비 게임 이탈자의 비율을 게임 이탈률(Churn rate)이라고 한다. 일반적으로 F2P 게임에서 게임 이탈률은 매우 높으며, 대부분의 게임 이용자들이 첫 게임 플레이 시 게임을 이탈한다. 따라서 게임 이탈자를 예측하고 그들이 게임을 떠나지 않도록 장려하는 것이 필요하다.

Hadiji와 동료 연구자들[10]은 처음으로 F2P 게임에 대해 게임 이탈 예측을 시도하였다. 먼저, (그림 8)과 같이 관찰 시점 이전 7일 내 접속이 없었다면 게임 이탈로 정의하였다. (그림 8)과 (그림 10)에서 ●은 게임 활동 날짜이며, ⊕는 게임 이탈, ⊖는 게임 잔존을 나타낸다. 일반적으로 모바일 게임의 경우 한 주를 주기로 게임운영지표 특성이 나타나기 때문에 게임 이탈 시점을 주 단위로 결정하는 것이 합리적이다. 또한, 게임 이용자 수 및 접속 빈도 등에 따라 게임 이탈 시점을 유연하게 적용할 필요가 있다. 게임 이탈 예측 기술의 가장 중요한 요소 중 하나는 게임 이용자의 게임 이탈을 예측할 수 있는 적절한 행동 특징(Feature)을 선택하는 것이다. Hadiji와 동료의 연구[10]는 게임 이탈에 영향을 주는 접속, 플레이 시간, 결제 등의 특징을 추출하였으며 결정트리(DT: Decision tree), 랜덤 포레스트(RF: Random forest), 신경망(NN: Neural network) 등의 분류기를 이용하여 게임 이탈 예측 모델링을 위한 학습을 수행하였다. 특히, RF의 경우 특징 간의 상대적 중요도를 제공해주며 이는 게임 이탈의 원인 분석을 위한 주요 단서를 제공해준다. (그림 9)는 엠게임의 크레이지드래곤 게임에 대한 특징 간 상대적 중요도 예를 보여준다.

(그림 8)

Hadiji와 동료연구자에 의한 게임 이탈 정의

(그림 9)

특징 간 상대적 중요도

(그림 10)

Runge와 동료연구자에 의한 게임 이탈 정의

Runge와 동료들[11]은 모바일 F2P 게임에 대해 고가치 이용자를 정의하고 이들에 대한 게임 이탈 예측을 수행하였다. 이 연구에서는, 캐쥬얼 소셜 게임인 Wooga사의 Diamond Dash 게임에 대해 상위 7% 결제 이용자가 총 결제금액의 약 50%를 차지한다는 사실을 기반으로, 관찰시점 이전 90일간 상위 10% 결제 이용자를 고가치 이용자로 정의하였다. 또한, (그림 10)과 같이, 관찰시점 이전 14일 이상 게임에 접속하지 않을 경우 게임 이탈자로 간주하였다. Runge와 동료들[11]은 게임 이탈에 영향을 주는 행동 특징을 추출하였으며, DT, NN, SVM(Support vector machine), 로지스틱 회귀(LR: Logistic regression) 분류기를 이용하여 모델링하였다. 또한, 시간 특성을 반영하기 위해 은닉마르코프모델(HMM: Hidden Markov model)도 도입하였다. 성능 평가를 위해 세 개의 그룹으로 나누어 A/B 테스트를 수행하였으며, 고가치 이용자의 게임 이탈을 예측하여 인센티브를 제공하여도 게임 이탈률에는 큰 영향을 주지 않는다는 사실을 보여주었다.

Xie와 동료들[12]은 게임 이벤트 빈도수 기반의 게임 이탈 모델을 제시하였다. 제안 방식은 모든 게임에 존재하는 게임 이벤트에 대한 빈도수만을 이용하므로, 특정 게임에 종속되지 않고 좀 더 포괄적으로 적용될 수 있다. 이 연구에서는 게임 이탈을 Churn이라는 용어 대신 Disengagement라는 용어로 대체하여 사용하였다. 먼저, 게임 이탈(Disengagement)을 정의하기 위해 각 게임 이용자에 대해 지지난 한 달 및 지난 한 달 동안의 게임 내 총 활동량을 각각 계산하고 정렬한다. 총 활동량은 모든 이벤트 빈도수의 총합이다. 각 달에 대해 정렬된 총 활동량 리스트는 사분위수(Quartile) 상에 나뉘고 각 이용자는 그들의 활동량에 따라 1과 4 사이의 순위가 결정된다. 지지난 한 달 보다 지난 한 달의 순위가 2보다 크면 게임 이탈 그룹에 할당하고, 그렇지 않으면 미이탈 그룹에 할당한다. 즉, 한 달 단위로 활동량을 계산하여 활동량이 일정 수준 낮아지면 게임 이탈로 간주하게 된다. Xie와 동료들[12]은, 게임 이탈 모델링을 위해 DT, LR, SVM을 이용하였으며, Runge와 동료들[11]의 방식보다 성능이 우수함을 보여주었다.

Tamassia와 동료들[13]은 게임 이탈을 게임 이용자의 행동 특성에 대한 시계열 분석으로 예측하였다. 이 연구에서는 플레이 시간과 평균 미접속 일수의 분포를 분석하여 게임 이탈 시점을 4주로 설정하다. 그리고 각 게임 이용자에 대해 시간의 역방향 흐름에 따라 4주 내 플레이하지 않았을 경우 CHR(Churned), CHR 이전 4주 내 접속했다면 ATC(About-to-Churn), 그 외 ING(In-Game)로 레이블링하였다[(그림 11) 참조]. 이때, CHR과 4주 미만의 ATC는 모두 버리고 ATC를 양성 샘플(Positive sample), ING를 음성으로 하였으며 이렇게 구성된 시퀀스는 HMM 분류기를 이용하여 학습하였다. 제안 방식의 성능 평가를 위해 DT, RF, LR 등의 비순차적 분류기(Non-temporal classifier)와 비교하였으며 대부분의 비순차적 분류기에 비해 우수한 AUC(Area under the curve)를 나타내었다.

(그림 11)

Tamassia와 동료들에 의한 시계열 행동 데이터 시퀀스

일반적으로 F2P 모바일 게임에서는 유료 서비스를 결제하지 않는 무과금 이용자가 대다수를 차지하고 있다. 따라서 F2P 게임의 주요 도전과제는 무과금 이용자를 결제 이용자로 전환시켜, 이용자를 가입시키는데 드는 비용인 UAC보다 가입된 이용자의 가치인 고객평생가치 (LTV: Lifetime value)가 더 높도록 하는 것이다.

Xie와 동료들[12]은 게임 이용자의 과거 2주간 행동을 관찰하여 이용자의 첫구매를 예측하였다. (그림 12)에서 ●은 구매 날짜를 나타낸다. 즉, 첫 구매 전 2주간의 행동 데이터를 결제 이용자에 대한 학습에 이용하였으며, 구매가 없는 이용자에 대해서는 임의로 선택된 2주간의 행동 데이터를 통해 학습하였다. 2주라는 단위 기간은 이용할 수 있는 게임로그 데이터양에 따라 결정하였다. 실제로, 이용 가능한 데이터양에 따라 기간을 조정할 수 있다. Ⅲ장 1절에서 언급했던 게임 이탈 예측과 동일하게, [12]에서는 게임 이벤트의 빈도수만을 이용하여 결제 여부를 예측하기 때문에 모든 게임에 대해 좀 더 포괄적으로 적용될 수 있다. 성능 평가를 위해, DT, LR, SVM 분류기를 이용하여 모델링하였으며, 기존의 방식에 비해 우수한 AUCPR(Area under the precision-recall curve)을 나타내었다. 하지만, 게임 이용자의 전체 로그데이터가 아닌 이용 가능한 데이터 내에서 처음 발생된 구매를 첫 구매로 가정하였기 때문에 실제 첫 구매 예측과는 다소 상이하다는 한계가 있다.

(그림 12)

Xie와 동료들에 의한 구매 정의

Sifa와 동료들[14]은 게임 이용자의 구매여부뿐만 아니라 결제금액에 관한 예측도 동시에 수행하였다. 먼저 구매관련 행동 특징을 추출한 후, DT, RF, SVM 분류기를 통해 모델링하여 구매여부 예측을 수행하였으며, 포아송회귀트리(Poisson regression tree)를 통해 구매량 예측 모델링을 하였다. 위의 모델링을 통해, 신규 이용자가 3일 내 유료 아이템을 결제하면 향후 평균 이상 추가 구매할 가능성이 높다라는 사실을 보여주었다.

모바일 F2P 게임의 대다수가 게임 이탈 확률이 높거나 무과금 이용자이기 때문에, Ⅲ장 1절과 Ⅲ장 2절에서 기술한 게임 이탈 및 구매 예측을 모델링을 하는 데 있어 심각한 데이터 불균형 문제가 존재한다. 즉, 분류기를 통한 학습 과정에서 상대적으로 구성원이 적은 소수의 클래스에 대해 모델링이 제대로 되지 않는다. 이러한 데이터 불균형 문제를 해결하기 위해 [11]에서는 게임 이탈 예측 모델링에 대해 Box-Cox 변환 방식을 이용하였다. 마찬가지로, [14]에서는 구매 예측 모델링에 대해 결제 이용자 및 무과금 이용자의 불균형 분포를 해결하기 위해 SMOTE(Synthetic minority over-sampling technique)[16] 방식을 적용하였다. SMOTE는 소수 클래스들 집합 사이에 새로운 데이터를 추가하여 오버샘플링(Oversampling)하는 방법으로, [15]에서도 게임 이탈자에 비해 상대적으로 적은 게임 잔존자 수를 극복하기 위해 이 방식을 이용하였다. <표 1>은 엠게임의 크레이지드래곤 게임에 대한 게임 이탈자 및 게임 잔존자 구성을 보여준다. <표 1>에 보여주듯이, 특정 기간에 대한 게임 잔존율은 약 35.4%로서, 게임 이탈률과 균형을 이루지 못하고 있다.

<표 1>

게임 이탈자 및 게임 잔존자 분포