시장이 확대되면서 모바일게임 유저들의 이탈률을 예측하기 어려운 경우가 많다. 이에 연구팀들은 두 가지 종류의 예측하는 방법을 제시했다. 앱과 특정 사용자 간의 미시적 예측과 앱과 모든 유저들 간의 거시적 예측이 존재한다. 이 팀은 미국의 삼성연구팀, 텍사스 A&M대, 피츠버그대, 애리조나대 연구진으로 결성됐으며 이들이 공동 집필한 프리프린트 서버 Arxiv.org에선 “새로운 방법은 기계학습의 도움으로 더 큰 이해를 제공할 것을 약속한다”며 서술했다.
또한 “모바일 기기가 점점 더 인기를 끌면서 모바일 게임은 수십억 달러의 수익을 내는 유망한 시장으로 떠오르고 있다”며 “이러한 플랫폼과 서비스에 있어 가장 중요한 과제는 모바일 게임의 이탈률을 이해하는 것이다”고 말했다. 연구진들이 서술한 논문에서는 미시적 커브 예측과 거시적 커브 순위를 모두 지원하는 모바일 게임 부문에서 최초의 대규모 이탈률 분석을 제시했다.

이탈률 예측 시스템의 등장

유저들의 이탈률 예측 시스템은 새로운 것이 아니었다. 하지만 이전의 접근법은 단일 게임 또는 몇 개의 모바일 게임만 예측할 수 있었고, Wi-Fi 연결 상태, 화면 밝기 및 오디오 볼륨과 같은 사용자-앱 상호 작용 데이터를 고려하지 않았다. 반면에 이번에 새로 제시한 시스템은 삼성을 사용하고 있는 유저가 특정한 변수에 충족되었을 경우 휴대 전화의 반응을 상호작용한다. 이는 삼성 게임런처에서 수집한 것으로 게임 상호작용 데이터를 개방하거나 폐쇄, 설치, 제거를 해준다. 게다가 이 방법은 그래프(관계를 묘사하는 데이터베이스)로 사용자와 게임 사이의 관계를 모델링하고, 네트워크를 사용하여 다양한 정보와 사용자가 게임과 상호작용하는 동적인 방법을 모두 포착할 수 있다. 또한 추가적인 그래프의 생성과 알고리즘으로 거시적 예측이 가능하다. 가까운 미래에 유저가 빠져나갈 가능성이 있는 유저 수를 바탕으로 게임 목록을 생성할 수 있다.
연구원들은 데이터 세트를 구축하기 위해 삼성 게임런처에서 수만 개의 모바일 게임과 수억 명의 유저들을 계산하여 4개월 분량의 데이터를 수집했다. 특히, 연구원들은 플레이 시간, 게임 프로필, 유저의 정보를 구체적으로 기록했다.

이전의 거시적인 이탈률 예측 방법을 비교해 볼 때, 연구원들은 몇 개의 기준선에 비해 뛰어난 성능을 보여준 바 있다. 결과적으로 미시적 예측과 거시적 예측 모두에서 성공적인 결과를 달성했다. 또한 이 이탈률 예측 방법을 쓸 경우 게임을 객체로 두면 그 관계만을 포함하고 있어 연구원들은 “다른 도메인에서의 이탈을 예측하는 데 이 방법을 활용할 수 있다”고 밝혔다.

[경향게임스=신은선 기자]