들어가며
내가 보려고 정리하는 게임 데이터 분석 기본 개념 상편. 유저 및 게임 관련 개념, 지표에 대해 간략히 남겨두고자 한다.
다음 편에서는 사업 및 마케팅 개념, 지표를 기록할 예정이다.
유저
이용자의 규모, 흐름을 확인할 수 있는 자료. 큰 숲을 살펴보며 대강의 패턴을 파악하는 훑어보기(Browsing)에 쓰인다.
제공하는 정보가 한정되어 있어 더 파보아야 할 부분이 확인되었다면 아래에 기술할 게임 지표, 이용자 개인의 기록을 살펴보아야 한다.
1. 주요 개념
| 구분 | 풀이 | |
| UV (Unique Visitor) | 순 방문자 | |
| MUV (Multigame Unique Visitor) | 특정 기간 클라이언트 혹은 애플리케이션을 내려받아 로그인 및 플레이한 방문자 | |
| AU (Active User) | 활성 사용자를 가리키며 일반적으로 DAU와 동일시 | |
| DAU (Daily Active User) | 하루 내 게임 순 방문자 수 | |
| WAU (Weekly Active User) | 한 주 내 게임 순 방문자 수 | |
| MAU (Monthly Active User) | 한 달 내 게임 순 방문자 수 | |
| RU (Registered User) | 전체 가입자 수 | |
| NRU (New Registered User) | 기간 내 순 신규 가입자 수 | |
| DL (Download) | 기간 내 다운로드 횟수 | |
| TS (Time Spent) | 게임에 방문한 이용자의 평균 체류 시간 ∑(로그아웃 시간 - 로그인 시간)/UV |
|
| CU (Councurrent User) | 특정 시간의 동시 접속자 값 | |
| MCU (Max Councurrent User) 혹은 PCU (Peark Concurrent User) | 기준 단위 동시 접속자 최대값 (예. 5분) | |
| ACU (Average Concurrent User) | 기준 단위 동시 접속자 평균값 (예. 5분) | |
[표 1] 이용자의 규모를 확인하기 위한 대표적인 지표.
1) 활성 사용자 (Active User) 및 파생 개념
- 순 방문자 (Unique Visitor) 카운트
- 일, 주, 월 중 기준 단위를 선택하고 DAU, WAU, MAU를 체크한다.
- 이용자가 기준 단위 내에 여러 번 게임에 접속하더라도 1명의 유저로 간주(Unique count)한다.
- 예를 들어 기준 단위를 일로 설정한 후 관찰하여보니 24시간 내에 한 명의 이용자가 한 시간에 한 번씩 접속하였다면 방문 횟수는 24회이지만, 이용자는 1명으로 간주한다. 따라서 DAU는 1.
- 이탈 이용자 (Churn User)
- 최종 접속일로부터 특정 기간이 경과하여 이탈로 판단된 이용자.
- 대개 모바일 게임은 3일, 온라인 게임은 7일을 기준으로 삼는다.
- 만약 모바일 게임 이용자가 가입 첫 날(D0)에만 방문하고 3일 연속으로 접속하지 않을 시, 최종 방문일로부터 3일(D3) 되는 날 이탈 이용자로 판정한다.
- 이밖에 '이탈 위험 비율(Risk Ratio)'을 측정하는 경우도 있다. 이용자가 평균 접속 주기보다 긴 기간 접속하지 않을 시, 이탈하였을 가능성이 높다. 예컨대 3일에 한 번 이상은 서비스를 사용하던 이용자가 5일이 흘러도 접속하지 않는 경우 이탈하였을 수 있다는 것. 이때, 최종 접속 경과일을 평균 접속 주기로 나눈 값을 이탈 위험 비율이라 한다.
| 구분 | 측정식 |
| 이탈 안정군 | 0.0<Risk Ratio≤1.0 |
| 이탈 잠재군 | 1.0<Risk Ratio≤2.0 |
| 이탈 임박군 | 2.0<Risk Ratio≤3.5 |
| 이탈 확정군 | Risk Ratio>3.5 |
[표 2] 이탈 안정군에 속하는 이용자가 점차 늘어나는 게 바람직하다. 동시에 이탈 임박군, 이탈 확정군 비율이 유지 혹은 감소하도록 관리해야 한다.
- 복귀 이용자 (Return User)
- 최종 접속일로부터 특정 기간이 경과하여 이탈 이용자로 분류되었다가 복귀한 이용자.
- 이탈 이용자였던 유저가 다시 방문한 일자에 복귀 이용자로 판정한다.
2) 고착도 (Stickness)
- DAU/MAU 또는 WAU/MAU를 계산하여 한 달 동안 접속한 이용자가 바로 어제 게임을 이용하였는지 확인하는 것. 점착성이라고도 한다.
- 서비스마다 상이할 수 있어 무조건 높아야 하는 수치는 아니지만, 추세가 감소 중에 있는지는 주의 깊게 살펴봐야 한다.
- 일반적인 모바일 게임은 10~30%, 소셜 네트워크 서비스는 50% 내외.
2. 재방문율 (Retention)
첫 플레이 시점 이후, 일정 기간이 지난 시점에 게임을 플레이하는 이용자의 비율. '잔존율'로도 부른다.
| 구분 | 풀이 | 관계 |
| 기본 리텐션 | - 가입 첫날 이후 일정 기간 경과 후 다시 방문한 이용자의 비율 - D7 기본 리텐션 = D0 방문 후, 7일 차에 다시 접속한 이용자의 비율 (D1~D7 방문 여부와 무관) |
롤링 리텐션 ≥ 기본 리텐션 ≥ 연속 리텐션 |
| 롤링 리텐션 | - 가입 첫날부터 일정 기간 내에 한 번이라도 다시 방문한 이용자의 비율 - D7 롤링 리텐션 = D0 방문 후, D1~D7 중 한 번이라도 다시 접속한 이용자의 비율 |
|
| 연속 리텐션 | - 가입 첫 날부터 일정 기간 동안 연속해서 계속 방문한 이용자의 비율 - D7 연속 리텐션 = D0 방문 후, D1~D7 모두 방문한 이용자의 비율 |
[표 3] 이용자의 적응도, 충성도를 확인할 수 있는 지표. 기본 리텐션이 가장 대중적이다.
1) 리텐션 그래프 (Retention Graph)
- 웃는 커브 (Smiling Curves)
- 재방문율이 하락하다 살짝 반등한 뒤, 유지 또는 상승하는 형태.
- 초반에 이탈한 이용자가 다시 돌아오는 경향을 보일 때 나타난다.
- 납작 커브 (Flattening Curves)
- 재방문율이 하향하다 일정 수준을 유지하는 형태.
- 장기적인 재방문율이 일정 수준에 수렴하는 경향을 보일 때 관측할 수 있다.
- 하강 커브 (Declining Curves)
- 재방문율이 계속 하락 추세를 보이는 형태.
- 이용자가 지속적으로 줄어들다 매우 소수만 남거나 사라질 것으로 예상된다.
2) 코호트 테이블 (Cohort Table)
- 수평선: 코호트 별 특징
- 통계적으로 특정한 인자를 공유하는 그룹 (예. 특정 날짜에 처음으로 게임을 시작한 이용자)
- 위 코호트 테이블 하단의 가로 열은 '특정한 날 접속한 이용자'라는 특성을 공유하는 집단이다.
- 수직선: 주기적 특징 (계절성)
- 날짜, 주기 별 특이 사항을 확인할 수 있는 수단 (예. 특정 간격으로 진행된 이벤트, 프로모션의 효과 분석)
- D1~D6이 꾸준히 하락하다 D7에 상승하는 경향이 꾸준히 관찰된다면 일주일 단위로 재방문율 관리를 위한 주말 이벤트 등이 이루어졌음을 짐작할 수 있다.
- 대각선: 특정한 이벤트
- 특정 날짜에 발생한 특이 사항을 확인할 수 있는 수단 (예. 특정 날짜의 신규 콘텐츠 업데이트 반응 분석)
- 위 코호트 테이블을 예로 들면 2015/01/13(화) 신규 콘텐츠가 업데이트되어 01/12(월) 접속자의 D1, 01/11(일) 접속자의 D2, 01/10(토) 접속자의 D3…… 영향력을 검토하고 있다 볼 수 있다.
3) 퍼널 분석 (Funnel Analysis)
- 이용자가 유입된 이후 주요 단계를 수치화하여 언제, 어디에서 이탈하였는지 파악하고 개선하는 것.
- 단계 별로 이용자가 이탈하므로 아래로 갈 수록 좁아지는 깔때기 모양 그래프가 만들어진다.
게임
이용자의 플레이 양상을 관찰하는 데 쓰이는 자료. 유저 지표에 비해 정보의 양이 풍부하고 주제에 따른 세부 분석이 가능하다.
단, 수집 및 가공에 많은 시간과 비용이 소모될 수 있어 주의해야 한다.
1. 주요 개념
| 구분 | 풀이 | 측정식 |
| 플레이 횟수 | 특정 모드, 콘텐츠 플레이 횟수 | ∑(특정 모드, 콘텐츠 플레이 횟수) |
| 평균 플레이 시간 | 평균 게임 플레이 시간 | ∑(게임 종료 시간 - 게임 시작 시간)/UV |
| 평균 승률 | 이용자의 평균 승률 | 승리 횟수/플레이 횟수 |
| 평균 KDA (Kill Death Assist) | 사망 수 대비 제압, 지원 비율 평균 | ∑{(제압 수+지원 수)/사망 수}/UV |
| 평균 KD (Kill Death) | 사망 수 대비 제압 비율 평균 | ∑(지원 수/사망 수)/UV |
| 아이템 보유량 | 기준일에 이용자가 지니고 있는 특정 아이템의 수 합계 | |
| 아이템 획득 수량 | 기준일에 이용자가 획득한 특정 아이템의 수 합계 | |
| 아이템 소비 수량 | 기준일에 이용자가 소비한 특정 아이템의 수 합계 | |
[표 4] 게임의 특성에 따라 구간 별 이용자 수, 재화 또는 아이템의 시세, 친구 수, 길드 수 및 가입자 수 등을 살펴보기도 한다.
2. 상관 관계 분석
두 변수 간 선형(Linear) 관계의 강도를 -1에서 1 사이의 숫자로 나타낸 값으로 0은 상관 관계가 없음을 의미한다.
관계가 있을 것으로 예상되는 두 변수의 추이를 함께 비교하고 산점도, 회귀선을 확인하는 식으로 이용 가능하며 사업적 의사 결정에 유의미한 패턴을 발굴할 수 있다.
예컨대 길드 활성화와 재방문율의 관계, 특정 이벤트 참여자 수와 매출액의 관계, 특정 패키지 구매자 수와 PUR(Paying User Rate, 구매 이용자 비율)의 관계, 레벨과 구매의 관계 등을 검토해보자.
참고 자료
활성 사용자(Active user) 개념잡기
활성 사용자(Active User) 개념잡기 온라인 분석이 모바일 영역으로 확장되면서 웹 분석에서는 사용하지 않던 생소한 용어들이 몇 가지 있습니다. 대표적인 예가 ‘활성 사용자’입니다. 웹 분석에
www.slideshare.net
The laws of nature strongly influence product behavior
Laws of nature strongly influence the behavior of users and ultimately the success of a product.
medium.com
Retention
Wouldn't it be nice if every new user continued to engage with your product forever? That's retention - a measure of the people who tried…
medium.com
Sequoia - Frameworks for Product Success
## FRAMEWORKS: WHAT THEY ARE AND WHY WE NEED THEM
www.sequoiacap.com
사실 어제까지 마무리해 월 5편 이상 글쓰기 기조를 유지하려 했는데 생각보다 오래 걸렸다.
대신이라 하긴 뭐하지만 3월은 보다 성실하게 보내는 걸로 🤣