A
약 90초
경험 중심 1인칭 답변
게임 회사 인턴십에서 신규 캐릭터 출시 이후 리텐션 변화를 분석하는 프로젝트에 참여했습니다. 분석 목표는 신규 캐릭터를 구매한 사용자와 구매하지 않은 사용자 간 7일·30일 리텐션 차이를 확인하는 것이었습니다. 코호트를 구성하고 구매 여부·플레이 시간·배틀패스 보유 여부를 통제 변수로 넣었는데, 단순 구매 여부보다 출시 당일 플레이 시간이 7일 리텐션을 더 잘 예측한다는 것이 발견됐습니다. 이 결과를 기반으로 출시 당일 세션 시간이 짧았던 사용자에게 캐릭터 가이드를 노출하는 푸시 실험을 제안했고, 팀에서 A/B 테스트로 이어졌습니다.
게임 데이터는 행동 로그 볼륨이 커서 분석보다 데이터 선별과 코호트 설계가 더 오래 걸린다는 것을 그 프로젝트에서 배웠습니다. 앞으로도 코호트 설계와 데이터 선별을 분석보다 먼저 하는 방식으로 게임 데이터 분석에 임하겠습니다. 게임 로그는 볼륨이 커서 잘못된 코호트 설계가 분석 전체를 다시 하게 만드는 주요 원인입니다. 행동 지표가 리텐션을 예측하는 경우 단순 구매 여부보다 세션 참여도가 더 강한 예측 변수인 경우가 많습니다. 분석 결과를 팀에 전달할 때는 어떤 실험으로 이어질 수 있는지를 함께 제시하는 방식이 실제 반영률을 높입니다.
이 결의 특징
단순한 구매 신호보다 행동 신호(플레이 시간)가 더 강한 예측 변수임을 통계로 검증하고, 직접 A/B 테스트로 가설을 시험한 점이 두드러집니다. 데이터가 단지 숫자 수집에 그치지 않고 의사결정을 바꾸는 계기가 됐다는 게 핵심입니다.
이 결이 통하는 자리
데이터 신호의 해석 및 우선순위 판단이 중요한 자리에서 특히 설득력이 있습니다. A/B 테스트를 설계·해석하는 역량과 실험 문화를 평가할 때 귀 기울이게 됩니다.