모바일 F2P 게임에서 빠른 플레이어 유지 예측

본 논문은 모바일 무료‑플레이(F2P) 게임에서 플레이어 유지(레텐션)를 신속히 예측하는 방법을 제시한다. 기존 연구들은 주로 일주일 이상 축적된 데이터를 활용해 복잡한 머신러닝 모델을 구축했지만, 실제 비즈니스 현장에서는 설치 직후부터 가능한 한 빨리 이탈 가능성을 파악해야 한다는 요구가 있다. 이를 해결하고자 저자들은 ‘휴리스틱 모델링’이라는 접근법을 도입해, 간단한 규칙 기반 의사결정트리를 사용해 초기 행동 데이터를 기반으로 레텐션을 예측한다. 데이터는 2014년 iOS 플랫폼에서 서비스된 퍼즐 게임 ‘Jelly Splash’의 로그이며, 137 397명의 설치자 중 112 000명을 분석 대상으로 삼았다. 분석 대상은 설치 후 7일 이내에 최소 한 번이라도 세션을 열고 라운드를 플레이한 사용자로 제한했으며, 이는 설치 직후 실제 게임에 참여한 플레이어만을 대상으로 함으로써 데이터의 일관성을 확보했다. 특징 설계는 총 18개 변수로 구성되었으며, 설치 시점의 디바이스 종류, 지역, 마케팅 유입 여부와 같은 정적 정보와, 플레이 시간(총 세션 수, 총 라운드 수, 평균 세션·라운드 시간), 인터세션(현재 부재 시간, 평균 세션 간격), 소셜 상호작용(친구 수, 상호작용 횟수), 라운드‑특화 지표(평균 이동 수, 평균 별점, 최고 레벨) 등을 포함한다. 이러한 특징은 세 가지 관측 윈도우(첫 세션 종료 시점, 첫 날 종료 시점, 첫 주 종료 시점)마다 별도로 계산되어, 정보량이 늘어날수록 예측 정확도가 어떻게 변하는지를 정량적으로 평가한다. 휴리스틱 모델은 깊이 3~4 수준의 의사결정트리를 사용했으며, 10‑fold 교차검증을 통해 최적의 규칙을 도출했다. 핵심 분기 변수는 ‘라운드 수’, ‘현재 부재 시간’, ‘최고 레벨’이며, 특히 부재 시간이 20시간을 초과하면 이탈 확률이 급격히 상승한다는 직관적인 규칙을 발견했다. 모델의 일반화 능력은 데이터 샘플을 10개로 나누어 각각 학습·테스트하고, 테스트 샘플을 가장 가까운 이웃으로 교체하는 ‘perturbation’ 실험을 통해 검증했으며, 정확도 변동이 미미함을 확인했다. 머신러닝 비교군으로는 로지스틱 회귀(LR), 서포트 벡터 머신(SVM), 랜덤 포레스트(RF)를 사용했으며, 각 모델의 하이퍼파라미터는 10‑fold 교차검증 기반 그리드 서치를 통해 최적화했다. 결과는 관측 윈도우가 1주일일 때 모든 모델이 0.785~0.792의 정확도를 보였으며, 이는 휴리스틱 트리(약 0.77)의 성능과 크게 차이 나지 않았다. 즉, 비선형 관계를 포착하는 복잡한 모델이 큰 이점을 제공하지 못한다는 점을 시사한다. 논문의 주요 기여는 다음과 같다. 첫째, 매우 짧은 초기 행동 데이터만으로도 레텐션을 예측할 수 있음을 입증했다. 둘째, 휴리스틱 기반 의사결정트리는 구현 비용이 낮고 클라이언트‑사이드에 직접 탑재 가능하므로, 소규모 개발사나 제한된 인프라 환경에서도 활용할 수 있다. 셋째, 모델 성능 차이가 미미하므로, 비즈니스 요구에 따라 해석 가능성과 배포 용이성을 중시하는 휴리스틱을 선택해도 손실이 적다. 넷째, 부재 시간과 같은 행동 패턴이 강력한 이탈 신호임을 확인함으로써, 실시간 알림이나 맞춤형 보상 정책을 설계할 때 핵심 지표로 활용할 수 있다. 결론적으로, 이 연구는 빠른 레텐션 예측을 위한 실용적인 프레임워크를 제공하며, 복잡한 머신러닝 파이프라인 대신 간단한 규칙 기반 모델을 사용해도 충분히 경쟁력 있는 성능을 달성할 수 있음을 보여준다. 이는 모바일 F2P 게임 산업에서 초기 사용자 관리와 맞춤형 마케팅 전략을 설계하는 데 중요한 시사점을 제공한다.