Q. 게임 소개 부탁드립니다.

‍

케페우스M은 MMO RPG 모바일게임으로, 2019년 출시 이후 무료 2위, 베스트 셀러 20위에 올랐으며, 2020년에는 한국 시장에 출시되어 구글플레이 베스트셀러 10위권에 진입하고 첫 달 5천만 위안 이상을 기록하는 한편 동남아시아 시장에서는 태국, 인도네시아, 필리핀 등 6개국에서 게임 베스트셀러 5위권에 올랐습니다.

‍­­

‍

‍

Q. 왜 씽킹데이터를 선택하셨나요?

‍

데이터는 전장의 눈과 귀와 같아서 항상 데이터 분석에 큰 관심을 기울여 왔습니다. 저희는 14년 설립 이후 자체 개발한 운영 리포트 시스템을 구축했고, 이를 지속적으로 개선해 수억 원의 물량이 투입된 성숙작인 파라다이스 워페어, 루나 스토리 등 자체 개발 게임을 지원하며 매우 좋은 성과를 거뒀습니다.

하지만 게임의 복잡성과 품질 요구 사항이 증가함에 따라 데이터 분석에 대한 요구 사항도 점점 더 복잡해지고 빈번해졌습니다. 당시 '케페우스M'을 집중 개발 중이었고, 기획과 운영에서 요구하는 일부 복잡한 데이터는 운영 및 유지보수 부서에서 온라인 데이터베이스에서 데이터를 수동으로 가져온 다음, 기획과 운영에서 SQL 또는 EXCEL을 사용하여 추가 처리를 수행해야 했습니다. 이는 많은 인력의 시간과 에너지를 소모하고 오류가 발생하기 쉬웠습니다. 무엇보다 데이터 처리 전체 과정에 몇 시간이 걸리고, 출시 과정에서 문제가 발생하면 이 시간 공백으로 인해 추가적인 손실이 발생할 수 있었습니다. 이러한 이유들로 인해 손쉽게 사용이 가능하고, 복잡한 데이터도 처리할 수 있는 ThinkingData를 구축하기로 결정했습니다.

‍

‍

Q. ThinkingData의 전반적인 사용 경험은 어떠셨나요?

‍

1년 정도 사용하며 느낀 바로는,ThinkingData는 편의성 측면에서 매우 뛰어납니다. 또한 칸반 보드를 생성하고 보고서를 작성하는 것이 매우 쉽고, 사용자가 매우 쉽게 시작할 수 있고 학습 비용도 거의 들지 않습니다. 현재는 이벤트 분석, 배포 분석, 리텐션 분석에 사용하고 있고, 주로 고객 서비스, 운영, 기획 및 배포 담당자들이 사용하고 있습니다. 고객 서비스는 주로 유저가 어떤 장비를 획득했는지, 얼마나 충전했는지, 다이아는 몇 개를 보유하고 있는지 등 일상적인 유지보수를 위한 데이터, 고객 서비스는 피드백을 주고 운영은 이를 처리하는 역할을 합니다. 운영팀은 매출 데이터, 사용자 데이터, 활동 효과 데이터를 가장 중요하게 생각합니다. 예를 들어 활동 참여자 수, 복권 참여자 수, 운영 활동 참여자 수, 수입 상황 등이 있습니다. 퍼블리싱과 운영은 기본적으로 동일한 콘텐츠에 대해 관심을 가지며 주로 DAU, ARPU 등의 데이터에 집중합니다. 기획자는 주로 플레이 활동 및 레벨 통과율 데이터를 살펴보고, 예를 들어 특정 카피의 통과율이 매우 낮은 것으로 확인되면 그에 따라 난이도를 조정하므로 기획자는 게임 자체의 수치 적 경험에 더 많은 관심을 기울입니다.

‍

‍

Q. ThinkingData가 기획 과정에서 어떤 도움이 되었나요?

‍

커뮤니티 플레이어의 피드백도 중요하지만, ThinkingData에서 제공하는 데이터 피드백은 플레이어 피드백보다 더 설득력이 있습니다.

‍

해외 버전을 출시할 때, 현지 상황에 맞춰 게임 콘텐츠와 결제 방식을 현지화하는 것 외에도, ThinkingData를 통해 해외 버전과 국내 버전을 비교 분석을 진행합니다. 해외 게임 환경은 국내와 다르기 때문에, 게임 성과가 국내와 일치하지 않을 때가 많습니다. 이런 상황에서 “이 지역의 플레이어 유지율이 낮다”거나 “이 지역의 플레이어 결제 선호도가 다르다”는 주관적인 판단만으로는 정확하지 않습니다. 하지만 데이터는 객관적이기 때문에, 예를 들어 어느날 해외 특정 버전의 리텐션 곡선이 국내 버전과 크게 차이 나는 것을 발견했다고 가정해봅시다. TE 시스템을 통해 이 날 플레이어들의 행동을 분석해 보니, 특정 던전에 진입할 때 평균 전투력이 낮아 클리어에 실패하고, 이로 인해 이탈이 발생했다는 것을 확인했습니다. 이에 따라 던전 난이도를 조정했습니다. 조정 후, 해당 날의 유지율이 이전 데이터에 비해 25% 상승했습니다.‍

‍

또 다른 예로는 플레이어 직업 분포를 들 수 있습니다. 만약 특정 나라에서 특정 직업을 선택하는 플레이어가 적다면, 직업의 수치나 조합 요구 사항을 조정하게 되는데, 이때 ThinkingData를 사용해 세밀한 비교 분석을 수행합니다. 예를 들어 퀘스트의 유지율과 던전 통과율을 분석해 최적화 조정 후 결과를 평가합니다. 새로운 직업을 출시할 때도 각 직업의 데이터를 통해 직업 전투력을 분석합니다. 예를 들어, 어떤 싱글 던전 플레이에서 각 직업의 통과율을 확인했는데, 당시 새로운 직업이 너무 강해서 해당 던전의 첫 클리어 분포가 거의 모두 그 직업으로 채워졌습니다. 이에 따라 데이터 결과를 바탕으로 그 직업의 스킬 수치를 조정했습니다.

‍

‍

Q. ThinkingData가 운영 과정에서 어떤 도움이 되었나요?

‍

ThinkingData로 이벤트 성과분석 뿐만 아니라 버그도 파악할 수 있었습니다.

‍

이벤트 운영을 예로 들어 설명하겠습니다. 예를 들어 매 이벤트 시작 후, 우리는 ThinkingData로 이벤트 참여자 수, 자원 소모 및 교환 상황을 확인합니다. 현재 많은 게임 이벤트가 템플릿을 통해 진행되는데, 초기에 사용자와 수익이 좋지만 시간이 지나면 이벤트의 가성비가 떨어지고 이에 따라 수익과 참여자 수가 부진해지는 경우가 많습니다. 예를 들어 “별하늘의 보물”이라는 오픈 이벤트가 있었습니다. 그러나 게임이 지속적으로 업데이트되면서 새로운 기능이 추가되자 이 이벤트는 동일한 프로모션 자원을 사용하면서도 기대한 가치를 발휘하지 못했습니다. 이때 우리는 TE 시스템을 통해 이 이벤트의 수익과 참여자 수를 모니터링하고 데이터를 근거로 이 이벤트를 중단하기로 결정했습니다.

‍

또한, 우리는 ThinkingData를 활용하여 작업장을 모니터링합니다. 초기 데이터 포인트 디자인을 통해 데이터가 들어올 때 플레이어의 IP와 생성 디바이스를 업로드합니다. 이때 IP와 디바이스 수가 특정 수치를 초과하면 이러한 계정을 작업장 계정으로 정의합니다. TE 시스템의 ‘결과 분류’ 기능을 통해 이러한 플레이어를 분류하고, 그 그룹의 데이터를 별도로 분석하여 다른 이상이 있는지 확인할 수 있습니다. 뿐만 아니라, 우리는 ThinkingData를 사용하여 아이템 소모 분석을 수행합니다. 데이터 포인트를 통해 아이템 소모 행위를 기록할 수 있습니다. 예를 들어, 최근에 모든 사용자가 하나만 얻을 수 있는 아이템이 있었는데, DAU(일일 활성 사용자 수)가 10만인 상황에서 15만 개의 아이템이 나타났습니다. 우리는 TE 시스템의 ‘이벤트 분석’을 통해 아이템 획득 경로를 확인하고, 이를 통해 온라인 버그를 발견했습니다. 이전에는 IP를 하나하나 조사해야 했지만, 이제는 ThinkingData의 ‘이벤트 분석’을 통해 다양한 데이터를 조회하여 플레이어의 아이템 획득 및 상자 개봉 데이터를 관찰할 수 있습니다.

‍

‍

Q. ThinkingData가 고객 서비스 담당자에게는 어떤 도움이 되었나요?

‍

ThinkingData로 문제 존재 여부를 신속하게 조사하고 해결가능합니다

‍

고객 서비스는 주로 기본적인 사건 분석을 수행하며, 업무에서는 주로 플레이어의 문제를 처리합니다. 예를 들어, 아이템 분실이나 비정상 소모 등의 문제입니다. 고객 서비스는 ThinkingData를 사용하여 문제의 존재 여부를 신속하게 조사합니다. 문제가 큰 경우, 이는 프로젝트 전체의 문제로서 단일 고객 서비스 담당자가 처리하는 것이 아니라 우리 팀으로 이관되며, 우리는 ThinkingData를 사용하여 구체적인 상황을 조사합니다.

‍

이전에 우리는 성장형 게임 플레이를 출시했는데, 장비를 소모 아이템으로 제련할 수 있었습니다. 그러나 출시 후에 숨겨진 버그가 있어, 업그레이드 시 제련 재료가 반환되는 문제가 있었습니다. 플레이어가 재료 소모 없이 아이템을 세련할 수 있어, 완벽한 속성을 얻을 때까지 반복할 수 있었습니다. 이 아이템의 가치는 높았고, 한 번 세련하는 데 몇 만원이 들었기 때문에 수천 번 세련하는 것은 분명 비정상이었습니다. 그래서 ThinkingData를 사용하여 데이터를 조회한 결과, 설계상의 결함을 발견했습니다. 아이템 소모는 사람과 서버를 기준으로 볼 수 있습니다. 특정 서버에서 플레이어의 아이템 소모 횟수를 볼 때, ThinkingData를 통해 내림차순으로 확인할 수 있습니다. 예를 들어, 특정 플레이어의 소모 횟수가 몇 만 회인 반면 다른 플레이어는 수십 회, 몇 회인 경우 해당 플레이어는 이상이 있을 가능성이 큽니다.

‍

‍

Q. ThinkingData가 글로벌 런칭 시 어떻게 도움이 되었나요?

‍

해외 데이터를 처리할 때, 앞서 언급한 곡선 비교 외에도 ThinkingData를 통해 ‘사용자 분류’를 많이 활용합니다. 국내 플레이어는 결제 정도에 따라 분류하지만, 해외 배포 시에는 국가별로 사용자 분류를 합니다. 국가마다 결제 능력과 플레이어 생태계가 크게 다르기 때문에, 예를 들어 싱가포르의 결제 능력이 말레이시아보다 훨씬 높습니다. 우리는 이를 개별적으로 분류하여 분석해야 합니다. 우리는 주로 국가별 결제율을 주목합니다. 예를 들어, 말레이시아의 결제율이 싱가포르보다 높다면, 게임 내 아이템 생산과 배치가 잘못된 것이 아닌지, 플레이어의 취향에 맞지 않아 구매를 꺼리는지 등을 고려합니다. 이는 후속 이벤트 기획과 버전 변경에 영향을 미칩니다.