게임 데이터 분석 : 숨겨진 복잡성을 해결하는 방법

분석

데이터 분석은 단순한 지표 확인 이상의 복잡한 작업이며, 세밀하고 깊이 있는 분석을 통해 게임의 최적화를 이루고 게임의 수명을 연장하는데 필수적인 요소입니다.

March 18, 2024

오늘은 게임 데이터 분석의 중요성과 일반적인 오해를 일축하고, 데이터 분석이 의미하는 바를 살펴보려 합니다. 또한 게임 데이터 분석을 통해 드러나는 복잡한 패턴을 어떻게 해석하고 활용하는지, 그리고 이 과정에서 분석 솔루션이 어떤 역할을 하는지 살펴보려 합니다.

‍

데이터의 "복잡한 패턴" 이라는 것은 데이터 간의 숨은 연관성, 추세, 주기성 등 내재된 규칙을 말합니다. 예를 들어, '유저 행동 패턴을 파악하는 것'이 바로 복잡한 패턴을 분석하는 대표적인 사례입니다. 이는 변화하는 유저의 취향, 선호도, 행동 습관 등 다양한 입장에서 데이터를 분석하고, 이를 통해 유저의 행동 패턴을 찾아내는 것을 포함할 수 있습니다.

‍

예로 들어, 전자상거래 사이트는 유저의 검색 기록, 브라우징 기록, 장바구니 사용 상황, 구매 기록 등의 행동 데이터를 분석하여, 유저가 어떤 종류의 상품을 좋아하는지, 어떤 구매 습관이 있는지를 파악하고, 앞으로 유저가 어떤 구매 행동을 할지 예측할 수 있습니다. 이 과정은 데이터 뒤에 숨어있는 복잡한 패턴을 깊이 이해하고 분석하는 작업이 필요하며, 단순히 종합 유저 수, 총 매출 등의 지표만을 보는 것으로는 유저 행동을 자세히 파악하는 것은 불가능합니다.

‍

이 외에도, 이러한 파악과 이해 과정은 데이터 처리와 분석 능력 그리고 실무 지식과 경험을 결합하는 것이 필요합니다. 이런 방식으로, 빅데이터 안에서 가치 있는 정보를 찾아내고, 이를 바탕으로 결정을 내리거나 미래를 예측하는 것입니다.

‍

게임 유저 행동 분석이 필요한 이유

‍

게임에서 유저 행동 분석이 필요한 이유는 여러가지인데, 그 중 몇 가지 중요한 이유를 들어보겠습니다.

게임 플레이 경험 최적화
유저의 게임 내 행동을 분석함으로써, 개발 팀은 유저가 어떤 기능이나 레벨을 좋아하는지, 어떤 것이 유저를 혼란스럽게 하거나 불만을 느끼게 하는지 알 수 있습니다. 이 정보를 가지고, 그들은 게임을 최적화하여 유저의 게임 체험을 향상시킬 수 있습니다.
유저 리텐션
유저의 행동을 분석함으로써, 유저가 이탈할 가능성이 있는 문제점을 찾을 수 있습니다. 예를 들어, 새로운 유저들이 게임의 특정 초기 단계에서 포기하는 경우가 많다면, 이 단계의 난이도가 너무 높게 설정 되었을 수 있습니다. 이런 문제들을 이해하면, 적시에 조정해서 유저 리텐션을 높일 수 있습니다.
수익 증대
유저의 구매 행동을 분석함으로써, 어떤 상품이나 서비스가 유저에게 가장 인기 있는지 파악함으로써 판매 전략을 정확하게 조정할 수 있고, 이를 통해 수익을 증대할 수 있습니다. 마찬가지로, 몇몇 상품의 구매율이 낮다면, 적시에 조정을 함으로써 판매 효율을 높일 수 있습니다.
정확한 푸시
유저의 행동과 선호도를 분석함으로써, 관련된 콘텐츠를 정확하게 푸시할 수 있습니다. 예를 들어, 새로운 레벨, 장비, 또는 게임 내 이벤트 등이 있을 수 있으며, 이들은 유저의 참여도를 높입니다.

‍

이런 이유들이 게임에서 사용자 행동 분석이 필요한 이유입니다. 간단하게 말해서, 플레이어를 더 잘 이해하고, 더 나은 게임 체험을 제공하며, 상업적 가치를 최대화하기 위한 것입니다.

‍

게임 데이터 분석 시나리오

‍

게임 경험 최적화 시나리오에 대한 예시 데이터를 살펴보겠습니다. 잔존 분석을 활용하여 보았을때 '유저 이탈 문제가 심각하다는 것'을 알 수 있습니다. (5일 만에 가입 유저의 3%만이 잔존하는 최악의 상황)

‍

그리고 다음으로 이탈 유저들을 손쉽게 코호트로 묶어, 게임에서 이탈하는 유저들을 명확하게 그룹으로 식별했습니다.

‍

이제 생성한 코호트 그룹을 가지고 이탈 지점을 명확히 찾아내기위해 퍼널 분석을 진행합니다. 아래 분석에서, 첫 번째로 떠오른 가정은 "레벨업의 난이도가 너무 높지 않은가" 입니다. (레벨5에서 레벨10으로 전환된 비율이 41.38%밖에 되지 않음)

‍

퍼널 분석을 통해, 우리는 실제로 특정 레벨에서 유저들의 큰 이탈을 목격할 수 있었습니다. 게임의 특정 단계에서 실패하는 것은 유저의 이탈로 이어지는 흔한 현상입니다.

‍

그렇다면 우리는 무엇을 해야 할까요? 정확한 이탈 원인을 알기위해 이러한 상황에 대해 구체적인 분석을 진행할 필요가 있습니다.

완료율
가장 직접적인 지표입니다. 유저들이 특정 레벨에 도달한 후 성공적으로 완료한 비율을 분석함으로써, 레벨의 난이도가 적절한지 직관적으로 알 수 있습니다. 대부분의 유저들이 특정 레벨을 완료하지 못한다면, 그 레벨은 아마도 너무 어려울 수 있습니다.
실패 횟수
유저가 특정 레벨에서 실패한 횟수를 분석합니다. 어떤 유저가 특정 레벨에서 연속으로 많은 실패를 경험한다면, 그 레벨은 분명 난이도에 문제가 있을 수 있습니다. 이 실패 횟수가 게임을 떠나는 결정적인 원인이 되는지 아니면 도전의식을 불러일으키는 요소가 되는지는 추가적인 분석이 필요합니다.
평균 통과 시간
유저가 특정 레벨을 통과하는 데 걸린 평균 시간을 분석합니다. 만약 평균 시간이 다른 레벨에 비해 현저히 높다면, 이 레벨의 난이도가 너무 높다는 것을 나타낼 수 있습니다.
형평성
실패가 보편적인가, 아니면 특정 등급이나 직업의 유저들에서 더 실패하기 쉬운가를 비교해야한다. (등급 분포, 직업 분포 등)

‍

이러한 분석을 효율적으로 완료하는 것만이 이탈의 원인을 제대로 파악하고 진정으로 이를 개선할 수 있습니다. 너무 긴 시간 동안의 인력 투입은 운영 측면(인건비)에서 바람직하지 않습니다.

‍

따라서, 문제를 빠르게 발견하고 해결할 수 있는 간단하면서도 쉽게 사용할 수 있는 데이터 분석 시스템이 필요합니다.

예를 들어, 실패율은 사용자가 직접 수식을 입력하여 스테이지 별로 매일 상황을 직관적으로 표시할 수 있습니다.

‍

간격 분석 모델을 사용하면, 각 단계의 시간을 바로 직관적으로 볼 수 있어 손쉽게 평균 통과 시간을 구할 수 있습니다.

‍

데이터 분석은 단순한 지표 확인 이상의 복잡한 작업이며, 세밀하고 깊이 있는 분석을 통해 게임의 최적화를 이루고 게임의 수명을 연장하는데 필수적인 요소입니다. 이를 통해 사용자 경험을 향상시키고 상업적 가치를 최대화하는 것이 가능하며, Thinkingdata와 같은 도구들을 통해 분석 작업의 효율성을 극대화 할 수 있습니다. 더 나아가, 비용 문제를 해결하고 데이터 분석의 접근성을 높이는 것에도 중요한 역할을 담당하게 됩니다.

‍

게임 데이터 분석을 통해 게임 속 숨겨진 복잡성을 손쉽게 해결하고 싶다면? 씽킹데이터가 바로 그 답입니다!