온라인 게임은 오늘날 전체 게임 산업의 핵심 분야로 지속적인 성장을 통해 게임 산업 전반의 발전을 이끌어 가고 있다. 2018년 기준으로 전 세계 게임 산업 매출은 약 1,349억 달러에 이르는 것으로 추정된다. 게임 사용자 중 일부는 시간이 지남에 따라 흥미를 잃어 지속적으로 즐기지 못하고 이탈하게 된다. 사용자의 이탈은 게임사의 수익 감소로 직접적으로 연결되며, 간접적으로는 이탈한 사용자에 의한 부정적인 소문이 잠재 사용자와 기존 사용자에게 영향을 미칠 수 있다. 따라 게임 산업의 규모가 점차적으로 커지고 조직화되면서 게임사의 꾸준한 성장과 수익을 위해 게임사에서는 사용자 이탈을 예상하고 방지하기 위한 연구의 필요성이 강조되고 있다. 게임 사용자가 게임 내에서 보여주는 활동을 기반으로 각 콘텐츠와 게임 이탈과의 상관관계를 분석하게 된다면 이탈 방지에 있어 활용하기 적합한 정보를 추출할 수 있을 것이다. 더 나아가 이탈하는 데에 있어 핵심이 되는 콘텐츠를 찾을 수 있다면 해당 콘텐츠의 특징을 분석하고 이를 통해 이탈을 방지하기 위한 개선안을 찾아 게임에 반영함으로써 장기적으로 사용자의 ...
온라인 게임은 오늘날 전체 게임 산업의 핵심 분야로 지속적인 성장을 통해 게임 산업 전반의 발전을 이끌어 가고 있다. 2018년 기준으로 전 세계 게임 산업 매출은 약 1,349억 달러에 이르는 것으로 추정된다. 게임 사용자 중 일부는 시간이 지남에 따라 흥미를 잃어 지속적으로 즐기지 못하고 이탈하게 된다. 사용자의 이탈은 게임사의 수익 감소로 직접적으로 연결되며, 간접적으로는 이탈한 사용자에 의한 부정적인 소문이 잠재 사용자와 기존 사용자에게 영향을 미칠 수 있다. 따라 게임 산업의 규모가 점차적으로 커지고 조직화되면서 게임사의 꾸준한 성장과 수익을 위해 게임사에서는 사용자 이탈을 예상하고 방지하기 위한 연구의 필요성이 강조되고 있다. 게임 사용자가 게임 내에서 보여주는 활동을 기반으로 각 콘텐츠와 게임 이탈과의 상관관계를 분석하게 된다면 이탈 방지에 있어 활용하기 적합한 정보를 추출할 수 있을 것이다. 더 나아가 이탈하는 데에 있어 핵심이 되는 콘텐츠를 찾을 수 있다면 해당 콘텐츠의 특징을 분석하고 이를 통해 이탈을 방지하기 위한 개선안을 찾아 게임에 반영함으로써 장기적으로 사용자의 기대 수명을 높이는데 활용할 수 있다. 사용자의 행동 로그를 36개 변수로 나타내어 해당 사용자가 각 콘텐츠를 얼마나 이용하는지 보여주고, 이를 로지스틱 회귀분석을 통해 이탈 정도에 미치는 영향을 알아내고 이탈을 예측, 방지할 수 있는 모델을 구축하였다. 박스플롯 그래프, 로지스틱 회귀분석, 딥 러닝 모델을 통한 분석 3가지 방법을 통해 사용자의 로그 데이터를 분석, 예측해 이탈 사용자를 구분하고자 하였다. 사회적 상호작용이 필요한 콘텐츠가 이탈 구분에 정의 영향을 미치는 것으로 나타났고, 이는 사회적 상호작용이 적은 사용자는 이탈 확률이 높다는 결론을 낼 수 있다. 딥 러닝 모델을 통한 분석에서는 이탈 여부에 대하여 85% 예측률을 나타냈다. 본 연구가 실제 게임에 적용된다면 게임 실사용자의 로그 데이터를 활용해 각 콘텐츠가 이탈 여부에 긍정적인 영향을 미치는지, 부정적인 영향을 미치는지 확인하고 이를 개선할 때 사용할 수 있다.
온라인 게임은 오늘날 전체 게임 산업의 핵심 분야로 지속적인 성장을 통해 게임 산업 전반의 발전을 이끌어 가고 있다. 2018년 기준으로 전 세계 게임 산업 매출은 약 1,349억 달러에 이르는 것으로 추정된다. 게임 사용자 중 일부는 시간이 지남에 따라 흥미를 잃어 지속적으로 즐기지 못하고 이탈하게 된다. 사용자의 이탈은 게임사의 수익 감소로 직접적으로 연결되며, 간접적으로는 이탈한 사용자에 의한 부정적인 소문이 잠재 사용자와 기존 사용자에게 영향을 미칠 수 있다. 따라 게임 산업의 규모가 점차적으로 커지고 조직화되면서 게임사의 꾸준한 성장과 수익을 위해 게임사에서는 사용자 이탈을 예상하고 방지하기 위한 연구의 필요성이 강조되고 있다. 게임 사용자가 게임 내에서 보여주는 활동을 기반으로 각 콘텐츠와 게임 이탈과의 상관관계를 분석하게 된다면 이탈 방지에 있어 활용하기 적합한 정보를 추출할 수 있을 것이다. 더 나아가 이탈하는 데에 있어 핵심이 되는 콘텐츠를 찾을 수 있다면 해당 콘텐츠의 특징을 분석하고 이를 통해 이탈을 방지하기 위한 개선안을 찾아 게임에 반영함으로써 장기적으로 사용자의 기대 수명을 높이는데 활용할 수 있다. 사용자의 행동 로그를 36개 변수로 나타내어 해당 사용자가 각 콘텐츠를 얼마나 이용하는지 보여주고, 이를 로지스틱 회귀분석을 통해 이탈 정도에 미치는 영향을 알아내고 이탈을 예측, 방지할 수 있는 모델을 구축하였다. 박스플롯 그래프, 로지스틱 회귀분석, 딥 러닝 모델을 통한 분석 3가지 방법을 통해 사용자의 로그 데이터를 분석, 예측해 이탈 사용자를 구분하고자 하였다. 사회적 상호작용이 필요한 콘텐츠가 이탈 구분에 정의 영향을 미치는 것으로 나타났고, 이는 사회적 상호작용이 적은 사용자는 이탈 확률이 높다는 결론을 낼 수 있다. 딥 러닝 모델을 통한 분석에서는 이탈 여부에 대하여 85% 예측률을 나타냈다. 본 연구가 실제 게임에 적용된다면 게임 실사용자의 로그 데이터를 활용해 각 콘텐츠가 이탈 여부에 긍정적인 영향을 미치는지, 부정적인 영향을 미치는지 확인하고 이를 개선할 때 사용할 수 있다.
Online gaming is a core area of the entire gaming industry and continues to drive growth throughout the gaming industry. By 2018, global game industry revenue is estimated at $1,349 billion. Online game players often lose their interests in the game over time and are not able to enjoy it continu...
Online gaming is a core area of the entire gaming industry and continues to drive growth throughout the gaming industry. By 2018, global game industry revenue is estimated at $1,349 billion. Online game players often lose their interests in the game over time and are not able to enjoy it continuously. The churn rate is directly linked to the game company's revenue reduction, and negative word-of-mouth by the abandoned users can affect the potential users and the current users. As the size of the game industry gradually grows, the game companies require research to anticipate and prevent users’ departure for the steady growth and increased the profit of the game company. It will be possible to predict when the player quits the game if the player behavior within the game and the abandonment time are analyzed together. Furthermore, it will be also useful to find out the typical behavior of the long-term players vs. short-term players to encourage the potential short-term players to do certain things to prevent them from quitting the game. There were 36 variables, which characterizes each player’s behavior. These variables were used as a part of the logistic regression analysis to predict the abandonment time. The data was also analyzed by using the box plot analysis to get the rough feel then a deep learning neural network model was trained to compare the prediction accuracy from the logistic regression model. We found that the social interaction provided a positive influence on being the long-term players. The analysis based on the deep learning model showed an 85% prediction rate for predicting abandonment.
Online gaming is a core area of the entire gaming industry and continues to drive growth throughout the gaming industry. By 2018, global game industry revenue is estimated at $1,349 billion. Online game players often lose their interests in the game over time and are not able to enjoy it continuously. The churn rate is directly linked to the game company's revenue reduction, and negative word-of-mouth by the abandoned users can affect the potential users and the current users. As the size of the game industry gradually grows, the game companies require research to anticipate and prevent users’ departure for the steady growth and increased the profit of the game company. It will be possible to predict when the player quits the game if the player behavior within the game and the abandonment time are analyzed together. Furthermore, it will be also useful to find out the typical behavior of the long-term players vs. short-term players to encourage the potential short-term players to do certain things to prevent them from quitting the game. There were 36 variables, which characterizes each player’s behavior. These variables were used as a part of the logistic regression analysis to predict the abandonment time. The data was also analyzed by using the box plot analysis to get the rough feel then a deep learning neural network model was trained to compare the prediction accuracy from the logistic regression model. We found that the social interaction provided a positive influence on being the long-term players. The analysis based on the deep learning model showed an 85% prediction rate for predicting abandonment.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.