게임 산업 데이터 분석

게임 산업에서의 데이터 분석 가이드. 핵심 메트릭 체계, 유저 세그멘테이션, 리텐션 분석, 매출 예측, 밸런스 분석 등 게임 데이터 분석의 전 영역을 다룬다.

---

개요

게임 데이터 분석은 다른 산업과 구별되는 특수성이 있다. 실시간 이벤트 기반 데이터, 복잡한 경제 시스템, 유저 행동의 높은 다양성, 콘텐츠 소비 속도와 라이브 운영의 결합이 핵심 도전 과제다.

게임 데이터의 특수성

특성	설명	분석 영향
이벤트 기반	모든 행동이 이벤트로 기록	이벤트 설계가 분석 품질 결정
실시간성	라이브 운영, 즉시 반응 필요	실시간 대시보드 필수
세션 구조	접속-플레이-이탈 패턴	세션 기반 분석
경제 시스템	인게임 재화, 거래, 인플레이션	경제 시뮬레이션
소셜 요소	길드, 파티, PvP	네트워크 분석
긴 수명 주기	출시-성장-성숙-하락	코호트 분석

---

핵심 메트릭 체계

유저 메트릭

메트릭	산식	의미	건강한 수치
DAU	일일 순 접속자	일일 활성 규모	장르 의존적
MAU	월간 순 접속자	월간 활성 규모	장르 의존적
DAU/MAU	DAU / MAU	점착도 (Stickiness)	20-30% (캐주얼), 40%+ (하드코어)
CCU	동시 접속자	피크 부하	-
세션 수	일인당 일 세션	접속 빈도	2-4회
세션 시간	평균 플레이 시간	몰입도	장르 의존적
NRU	신규 가입자	유입 규모	UA 예산 의존

리텐션 메트릭

메트릭	정의	목표 (모바일)
D1 Retention	가입 다음날 복귀율	40-50%
D7 Retention	가입 7일 후 복귀율	15-25%
D30 Retention	가입 30일 후 복귀율	5-10%
Rolling Retention	D이후 아무 때나 복귀	D1보다 높음
Return Rate	이탈 후 복귀율	5-15%

매출 메트릭

메트릭	산식	의미
Revenue	총 매출	전체 수익
ARPU	Revenue / DAU	유저당 평균 매출
ARPPU	Revenue / 결제 유저 수	결제 유저당 매출
Paying Rate	결제 유저 / DAU	결제 전환율 (1-5%)
LTV	유저 생애 총 매출	유저 가치
CPI	UA 비용 / 설치 수	설치당 획득 비용
ROAS	Revenue / UA 비용	광고 투자 수익률

LTV 계산

LTV = ARPDAU x Lifetime

Lifetime = SUM(D(n) Retention) for n = 1 to infinity
         ≈ SUM(D(n) Retention) for n = 1 to 365 (실무적 근사)

또는:

LTV = ARPDAU x (1 / (1 - Retention_rate))  -- 기하급수 근사

---

분석 영역

1. 유저 세그멘테이션

결제 행동 기반으로 유저를 분류하는 것은 게임 분석의 기본이다.

세그먼트	별칭	기준 (월 기준)	비율	매출 기여
Non-payer	물고기	결제 0원	95-97%	0% (광고 수익만)
Minnow	작은 물고기	< 1만원	1-2%	5-10%
Dolphin	돌고래	1만-10만원	1-2%	20-30%
Whale	고래	> 10만원	0.1-0.5%	50-70%
Super Whale	초고래	> 100만원	< 0.05%	10-20%

def segment_users(df: pd.DataFrame) -> pd.DataFrame:
    """유저 세그멘테이션 (결제 기반)

    Args:
        df: columns = [user_id, total_revenue_monthly]
    """
    conditions = [
        df['total_revenue_monthly'] == 0,
        df['total_revenue_monthly'] < 10000,
        df['total_revenue_monthly'] < 100000,
        df['total_revenue_monthly'] < 1000000,
        df['total_revenue_monthly'] >= 1000000,
    ]
    labels = ['Non-payer', 'Minnow', 'Dolphin', 'Whale', 'Super Whale']

    df['segment'] = np.select(conditions, labels, default='Non-payer')
    return df

2. 이탈 예측 및 방지

유저 이탈을 사전에 예측하고 개입하여 리텐션을 개선한다.

이탈 신호 특성:

특성	설명	중요도
접속 빈도 감소	최근 7일 세션 수 변화	높음
세션 시간 감소	평균 플레이 시간 변화	높음
콘텐츠 진행 정체	레벨업/스테이지 클리어 정체	중간
소셜 활동 감소	채팅, 길드 활동 변화	중간
결제 패턴 변화	결제 금액/빈도 변화	높음
접속 시간대 변화	주 접속 시간 이동	낮음

def build_churn_features(events_df: pd.DataFrame, 
                         user_id: str,
                         ref_date: str) -> dict:
    """이탈 예측용 특성 생성"""
    user_events = events_df[events_df['user_id'] == user_id]

    # 최근 7일 vs 이전 7일 비교
    recent = user_events[user_events['date'] >= ref_date - timedelta(days=7)]
    previous = user_events[
        (user_events['date'] >= ref_date - timedelta(days=14)) &
        (user_events['date'] < ref_date - timedelta(days=7))
    ]

    return {
        'sessions_recent_7d': recent['session_id'].nunique(),
        'sessions_prev_7d': previous['session_id'].nunique(),
        'session_ratio': safe_div(
            recent['session_id'].nunique(),
            previous['session_id'].nunique()
        ),
        'avg_session_duration_recent': recent.groupby('session_id')['duration'].sum().mean(),
        'revenue_recent_7d': recent[recent['event'] == 'purchase']['amount'].sum(),
        'revenue_prev_7d': previous[previous['event'] == 'purchase']['amount'].sum(),
        'days_since_last_login': (ref_date - user_events['date'].max()).days,
        'level_progress_7d': recent['level'].max() - previous['level'].max(),
        'social_actions_7d': recent[recent['event'].isin(['chat', 'guild', 'friend'])].shape[0],
    }

3. 매출 예측

총 매출 = DAU x Paying Rate x ARPPU

또는:

총 매출 = SUM(세그먼트별 유저 수 x 세그먼트별 ARPPU)

4. 밸런스 분석

게임 내 난이도, 경제 시스템의 균형을 데이터로 분석한다.

난이도 곡선 분석:

-- 스테이지별 클리어율, 시도 횟수, 이탈률
SELECT 
    stage_id,
    COUNT(DISTINCT user_id) AS attempt_users,
    SUM(CASE WHEN is_clear = 1 THEN 1 ELSE 0 END) AS clear_count,
    ROUND(
        SUM(CASE WHEN is_clear = 1 THEN 1.0 ELSE 0 END) 
        / COUNT(DISTINCT user_id) * 100, 1
    ) AS clear_rate_pct,
    ROUND(AVG(attempt_count), 1) AS avg_attempts,
    -- 이 스테이지에서 최종 이탈한 유저 비율
    ROUND(
        SUM(CASE WHEN is_last_stage = 1 THEN 1.0 ELSE 0 END)
        / COUNT(DISTINCT user_id) * 100, 1
    ) AS churn_rate_pct
FROM stage_results
WHERE created_at >= CURRENT_DATE - INTERVAL '30 days'
GROUP BY stage_id
ORDER BY stage_id;

경제 시스템 모니터링:

지표	설명	위험 신호
재화 생성량	일일 총 재화 유입	급증 = 익스플로잇
재화 소비량	일일 총 재화 소모	급감 = 콘텐츠 부족
재화 잔고 분포	유저별 보유 재화	양극화 = 경제 불균형
인플레이션율	거래소 평균 가격 변동	급등 = 재화 과잉
Gini 계수	재화 분배 불균형	> 0.7 = 심각한 불균형

5. A/B 테스트 (라이브옵스)

from scipy import stats

def ab_test_analysis(control: pd.DataFrame, 
                     treatment: pd.DataFrame,
                     metric: str,
                     alpha: float = 0.05) -> dict:
    """게임 A/B 테스트 분석

    Args:
        control: 대조군 데이터
        treatment: 실험군 데이터
        metric: 분석 대상 메트릭 (예: 'revenue', 'retention_d7')
    """
    control_vals = control[metric].dropna()
    treatment_vals = treatment[metric].dropna()

    # Mann-Whitney U (비모수, 게임 데이터는 비정규 분포가 많음)
    stat, p_value = stats.mannwhitneyu(
        control_vals, treatment_vals, alternative='two-sided'
    )

    # 효과 크기
    control_mean = control_vals.mean()
    treatment_mean = treatment_vals.mean()
    lift = (treatment_mean - control_mean) / control_mean * 100

    return {
        "control_n": len(control_vals),
        "treatment_n": len(treatment_vals),
        "control_mean": control_mean,
        "treatment_mean": treatment_mean,
        "lift_pct": lift,
        "p_value": p_value,
        "significant": p_value < alpha,
        "recommendation": "adopt" if p_value < alpha and lift > 0 else "reject",
    }

6. 소셜/길드 네트워크 분석

분석	방법	인사이트
길드 영향력	PageRank, Betweenness	핵심 유저 식별
커뮤니티 탐지	Louvain, Label Propagation	자연 그룹 발견
확산 분석	이벤트 참여 전파	바이럴 효과 측정
이탈 전파	길드원 이탈 영향	핵심 유저 이탈 시 연쇄 이탈 예측

---

이벤트 트래킹 설계

이벤트 스키마

{
    "event_name": "stage_clear",
    "timestamp": "2026-03-25T14:30:00+09:00",
    "user_id": "user_12345",
    "session_id": "sess_abc",
    "device_id": "dev_xyz",
    "properties": {
        "stage_id": 150,
        "attempt_count": 3,
        "clear_time_sec": 45,
        "score": 15000,
        "stars": 3,
        "items_used": ["boost_speed", "extra_life"],
        "remaining_hp": 50
    },
    "user_properties": {
        "level": 25,
        "vip_tier": "gold",
        "days_since_install": 14,
        "total_revenue": 29000,
        "country": "KR"
    }
}

필수 이벤트 목록

카테고리	이벤트	필수 속성
세션	session_start, session_end	device, platform, version
진행	stage_start, stage_clear, stage_fail	stage_id, result, duration
경제	earn_currency, spend_currency	currency_type, amount, source
결제	purchase_start, purchase_complete	product_id, price, currency
소셜	guild_join, guild_leave, chat	guild_id, channel
시스템	tutorial_step, level_up, unlock	step_id, new_level
광고	ad_request, ad_show, ad_click	ad_type, placement, network

이벤트 트래킹 도구

도구	특징	가격	적합한 규모
Firebase Analytics	무료, Google 생태계	무료	소규모-중규모
Amplitude	분석 기능 강력	Free tier + 유료	중규모-대규모
Mixpanel	이벤트 분석 특화	Free tier + 유료	중규모
자체 구축	완전 커스텀	인프라 비용	대규모

---

유입 분석

어트리뷰션

| 모델