게임 유저 데이터 모델링

게임 유저 데이터 모델링은 MMORPG 등 대규모 게임 환경에서 유저가 생성하는 행동 로그를 분석해 사용자 유형을 정의하는 방법론이다. 엔씨소프트의 실제 사례에서 볼 수 있듯이, 게임은 유저의 모든 행동이 데이터로 기록되는 가장 이상적인 관찰 환경 중 하나다. 단순히 "20~30대 남성"이라는 추상적 이미지로 사용자를 정의하면 실제 유저와 괴리가 생기므로, 데이터를 통한 정밀한 유형화가 필요하다.

핵심은 특질 선택(Feature Selection)이다. 게임에는 수많은 데이터가 쌓이지만 분류 목적에 맞는 데이터를 사전에 선별해야 한다. 어떤 데이터를 봐야 유형이 잘 나뉘는지를 자동으로 알려주는 알고리즘은 없으므로, 게임을 가장 잘 이해하는 운영자나 사업팀과 협의해 분석 데이터 후보군을 먼저 정하는 것이 현실적 최선이다.

분류 후에는 유형 개수 선정이 중요한 결정 지점이다. 유형이 많으면 세분화가 가능하지만 플레이 방식의 미세한 변화에도 유형이 쉽게 바뀐다. 유형이 적으면 결과가 안정적이지만 개선 포인트를 놓칠 수 있다. 정답은 없으며 여러 번의 시도를 통해 인사이트를 발견해 나가는 반복적 과정이다.

핵심 내용

• 행위기반 클러스터링: 유저의 특정 시점 행동 데이터로 유사한 유형끼리 묶는 작업. K-Means Clustering 알고리즘으로 군집을 형성하고, 정의된 특징에 태그를 지정해 신규 유저를 자동 분류하는 데 활용
• 시퀀스 마이닝: 시간 흐름에 따른 유저 유형 변화를 추적. 행위기반 클러스터링 결과를 기반으로 이벤트·기간별 유형 전환, 이탈·복귀 패턴을 파악하고, 매출 기여도 높은 유저를 인구통계가 아닌 행동 패턴으로 식별
• 네트워크 분석: 유저 간 상호작용(대화, 모험, 거래, 결투 등)을 노드-엣지 구조로 시각화해 커뮤니티 유형을 도출. 거래 중심 커뮤니티, 친목 중심 커뮤니티 등 클러스터링만으로는 보이지 않는 관계적 특성 발견 가능
• 세 가지 방법을 병행함으로써 유저를 행동·시간·관계 세 관점에서 입체적으로 이해
• 정량 분석이 주도하더라도 결과를 해석하고 유형을 정의하는 단계에서 정성적 판단은 필수

관련 개념

• 데이터 기반 퍼소나 — 행동 데이터로 사용자 유형을 분류하는 유사한 접근법
• 데이터 기반 UX (DDUX) — UX에서의 데이터 사이언스 활용 전체 프레임워크
• 사용자 행동 패턴 — 관찰을 통한 사용자 행동 이해

출처

• [pxd talks 70] 게임 속 데이터 분석을 통한 사용자 경험 설계 — 2017-03-30, 알 수 없는 사용자