게임 이탈률 분석

이탈률

이탈률은 고객이 제품 또는 서비스 사용을 중지하는 비율을 말한다.

모바일 앱 세계에서는 사용자가 앱에서 이탈하는 비율을 뜻하며, 게임에서는 유저가 더이상 게임을 하지 않는 것을 의미한다. 

 

이탈 예측은 크게 4가지 단계로 진행된다.  

1. 학습 데이터 생성
2. 데이터 가공
3. 모델 생성
4. 성능 평가 

첫 과정인 학습 데이터 생성은 이탈 예측에서 체크할 '이탈'이 무엇인지, 체크하고자 하는 이탈자가 누구인지 확실히 정의하는 과정으로 이 과정을 소홀히 할 경우 나머지 과정이 제대로 돼도 의미 없는 결과값을 얻게 된다. 

 

그렇다면 학습 데이터는 어떻게 구성되어 있을까? 아래와 같다.

• 학습 대상
  개발자가 어떤 유저층을대상으로 '이탈 예측'을 할 것인지 정하는 단계이다.
  이 단계에서 유저층은 좁고 상세할수록 의미있는 결과를 얻을 수 있다.  
• 대상에 대한 정보
• 레이블
  유저의 이탈, 생존을 정의하는 기준이다. 

 

 

게임 유저 이탈 예측

이탈 예측은 유저가 계속 유저로 남아 있을 것인지, 이탈자가 되는 것인지를 알아보는 것이다.

즉, 개별 생존확률(이탈확률)이 어떻게 되는지, 생존 기간이 어떻게 되는지, 유저군의 잔존율은 어떻게 되는지를 알 수 있는 것이다.   

 

이탈 예측의 목적은 고객의 이탈을 방지하고 고객 생애 가치, 투자 대비 수익 등을 정확히 계산해 데이터 기반 의사 결정에 일조하는 것이다. 

 

예측 모델링의 프로세스 및 고려 사항

• 학습 데이터 생성
  • 학습 데이터는 학습대상과 각 대상에 대한 정보 그리고 레이블에 대해 알아본다.    
  • 학습 대상 
    • 이탈을 어떻게 정의할 것인지, 누구를 대상으로 정할 것인지를 판단하는 것이다. 
    • 학습 대상을 당연히 유저라고 생각할 수 있지만 그렇지 않다. 
      왜냐하면 전체 유저에 대한 이탈 예측은 유저마다 성향이 달라 정확도가 떨어지기 때문에 성능뿐만아니라 비용적인 측면에서도 비효율적이다.
    • 그렇다면 어떤 대상자로 정해야 할까? 진성유저 혹은 이탈 정책/목표에 맞는 유저들을 대상으로 할 수 있다.  
  • 레이블
    • 탈퇴를 했다고 해서 이탈은 아니다. 게임 유저들은 탈퇴보다 연속 미접속 기간을 기준으로 정의한다. 
    • 미접속 기간을 정할 때는 적절한 미접속 기간이 필요하다.
      미접속 기간이 짧으면 비이탈자를 이탈자로 오탐할 수 있고, 미접속 기간이 길면 이탈자가 방치되기 때문이다.   
• 데이터 가공
  • 활동 이력을 사용할 수 있다. 활동 이력은 이탈 시점에 도달할 수록 이탈자의 플레이 타임은 서서히 감소하지만 비이탈자는 일정한 것을 알 수 있다. 
  • 사회 활동 데이터를 사용할 수 있다. 사회 활동 데이터는 길드, 클랜, 파티 등을 이야기는데 비이탈자 대비 이탈자들은 이탈 시점에 가까워질수록 사회활동 탈퇴횟수가 높다. 
  • 결제 이력을 사용할 수 있다.   
• 모델 생성
  • 모델링 기법은 크게 예측력 + 해석력으로 구분이 가능하다. 
  • 이탈 예측의 후속 작업으로 이탈 방지를 하는데 이탈 요인이 무엇인지 모델에서의 해석력을 통해서 추정하게 된다. 해석력이 떨어지는 모델을 사용하면 이탈 원인 추정이 어려워 이탈 방지가 어렵다. 
• 성능 평가
  • 이탈자냐 아니냐 단순히 분류의 정확도를 특정할 때 가장 많이 사용하는 것은 Precision과 Recall, Precision과 Recall 둘 다 고려하는 F-Score이다. 
  • 어떤 것을 써야 하는지는 정해져 있지 않지만 어떤 지표를 쓰기 위해서는 이탈의 정책과 목표를 고려해서 선정해야한다.  

 

 

이탈을 예측하더라도 막지 못하면 의미 없다. 

정확도가 높은 예측 모델을 사용하더라도 예측만 하고 막지 못하면 의미가 없다.  

그러니 단순히 이탈 예측말고도 이탈 원인과 이탈을 유발하는 구간이나 콘텐츠를 함께 아는 것이 좋다.  

 

이탈 원인 활용하기

어느 유저가 언제 '왜' 이탈하는지 알고 있다면 어떨까.

특정 유저의 이탈하는 이유가 내가 좋아하는 캐릭터의 성능이 좋지 않아 자꾸 패배해서라면 유저가 다시 승리의 기쁨을 느낄 수 있도록 사전에 이탈을막기 위한 조치를 취하는 것이다. 

 

예를 들어 예상 이탈 시점 전에 인게임 쪽지 등을 통해 현재 캐릭터를 강화할수 있는방법을 알려주거나 보다 더 강력한 새 캐릭터를 추천 하는 것이다. 

 

추천한대로 플레이를 해서 승률이 정상 수준이 되었다면 유저가 이탈할 가능성이 낮아지는 것이다.     

 

이탈 구간 활용하기 

게임의 어느 부분이 유저를 힘들게하는 지 알고 그 부분을 개선한다면 이탈률을 낮출 수 있을 것이다. 

예를 들어 스테이지 이탈률을 분석한다면 이탈을 유발하는 스테이지의 문제점을 찾고 고칠 수 있을 것이다. 

 

로그 데이터로 이탈 원인과 이탈 구간 파악하기

유저의 행동 기록. 즉, 로그 데이터를 들여다봐서 유저의 플레이 패턴과 이탈 구간을 파악하는 것이다. 그리고 행동경제학 이론을 접목시킨다면각 유저의 플레이 패턴에서 유저가 어떤 성향의 사람인지, 게임에서 무엇을 원하는지, 또 이탈하는 진짜 원인은 무엇인지 알 수 있을 것이다.  

 

 

게임 유저 이탈 원인 분석

 

게임 서비스 중 유저가 가장 많이 이탈하는 구간은 어디일까? 유저 이탈률은 초반 구간에서 가장 심하다.  

그렇다면 어떻게 체크하고 어떻게 개선해야 할까?

 

먼저 이탈 기준을 세운다. 

예시에서는 이탈의 기준을 'N일 동안 비 로그인 한 유저'로 정의하였다.

위에서부터 순서대로 아래와 같다.

• 일간 이탈자 수 : 일자별 n일 미접속 이탈자 수
• 일간 이탈자 비율 : 일자별 n일 미접속 이탈자 비율 표시(DAU대비)
• 결제/비결제 유저 : 결제/비결제 유저 별로 이탈자 정보 조회 

그리고 위 그래프를 아래와 같이 테이블로 변환해보았다.

 

테이블로 확인해보니 12월 13일의 지표는 D+3일을 기준으로 145명이 이탈한 것을 확인할 수 있다. 

N일자 리텐션율을 계산하듯 N일자 이탈자수/비율 등을 산출하면 현재 게임 유저의 흐름을 추가적으로 분석할 수 있다. 

 

추가로 N일차 레벨별 유저 이탈 지표와 누적플레이기간 별 유저 이탈자수/비율을 확인해보았다. 

 

N일차 레벨별 유저 이탈 지표에서는 초반 레벨인 1 ~ 10레벨과 중상위 레벨인 61 ~ 65레벨의 이탈자 수와 비율이 높은 것으로 분석할 수 있다. 

초반에 높다는 것은 초반 유저 동선중 복잡하거나 플레이에 어려움을 느끼는 부분이 존재하기 때문에 개선이 필요하다고보인다. 

게임 유저의 플레이 기간은 '게임에 대한 유저의 관심도'를 나타내는데 플레이 시간이 짧은 그룹의 이탈률이 높다면 게임의 초반부 콘텐츠가 하드하거나 진입 장벽이 높다고 볼 수 있다.

 

누적 플레이 기간 별 유저 이탈자 수/비율을 보고 개선을 하고자 한다면, 초반부 튜토리얼 및 미션 등의 단순화 작업이나 추가 보상 등의 작업을 통해 유저의 플레이 동기 부여를 높이는 것과 중후반부에는 추가 콘텐츠 업데이트나 강력한 보상 체계 신설을 통해 유저의 플레이 동기를 높이는 작업이 필요해 보인다. 

 

 

인사이트

게임 로그를 이용해 다양한 분석을 한다는 것도 알았지만 이탈률을 알기 위한 다양한 방법도 이번에 알 수 있었다.

또한, 이탈률을 예측하는 것이 끝이 아니라 이탈 방지를 위해 해야하는 분석도 필요하다는 것이 새로웠다. '예측을 하고 예측에 맞게 방향성을 정하면 괜찮지않을까?'라고 생각했었는데 그것이 전혀 아니였음을, 그 외에도 꾸준히 확인하고 대응하기 위해 다양한 데이터로 분석을 해야 한다는 것을 알 수 있었다. 

 

게임에 대한 분석이 다양한 것을 매 주 깨닫게 되어 기쁘다.  

 

 

 

 

 

 

참고 자료

• https://www.appsflyer.com/ko/glossary/churn-rate/
• https://m.thisisgame.com/webzine/news/nboard/227/?page=17&n=82139
• https://blog.naver.com/coresight_company/222198695763
• https://taek98.tistory.com/41
• https://brunch.co.kr/@tentuplay/34
• https://m.blog.naver.com/coresight_company/222601098781