매일 전 세계 수백만 플레이어들이 가상의 전투에서 서로의 탱크를 무찌르기 위해 ‘월드 오브 탱크(World of Tanks)’에 접속합니다. 국내에서도 큰 인기를 끌고 있는 월드 오브 탱크는 벨라루스 게임 개발사인 워게이밍(Wargaming)의 온라인 MMO(대규모 다중 사용자) 슈팅 게임인데요. 등록된 온라인 사용자만 무려 1억1,000만명이 넘습니다.
워게이밍은 목표는 모든 레벨의 플레이어에게 멋진 경험을 제공하는 것으로, 부분 유료(free-to-play) 게임 구조를 채택했습니다. 누구나 맥(Mac), 윈도우(Windows), 콘솔, 모바일 버전을 통해 무료로 게임을 즐길 수 있고, 더 다양한 경험을 원하는 플레이어는 게임 내 결제(in-game purchases)를 할 수 있습니다. 그렇기 때문에 전혀 결제하지 않는 플레이어들도 많은데요.
그럼에도 워게이밍은 게임 업계에서 수십억 달러를 벌어 들였습니다. 이 세계적인 게임은 어떻게 모든 고객의 소중한 가치를 알아보고 수익을 창출하게 됐을까요? 바로 분석이 한 몫을 했습니다! 워게이밍은 모든 온라인 게임에서 발생한 슈팅과 움직임에 대한 데이터를 수집합니다. 동시에 테라바이트(TB) 규모의 일일 고객 데이터를 이해하기 위해 분석 규모를 확장시키고 있는데요.
워게이밍 비즈니스 인텔리전스 데이터 서비스를 총괄하고 있는 알렉산더 리아보브(Alexander Ryabov)는 “하루 중 언제든 약 4백만명의 플레이어가 워게이밍의 게임을 플레이합니다. 플레이어들은 여러 전투에 참여하고, 그 전투에서 발생하는 많은 이벤트들은 매일 수 테라바이트(TB)에 이르는 데이터를 생성합니다.”라고 말합니다.
워게이밍은 플레이가 게임에 로그인하는 순간부터 로그아웃할 때까지의 데이터를 모두 포착합니다. 또 게임 내 채팅 로그는 물론 소셜 미디어 사이트와 여러 게임 토론 커뮤니티에서 언급된 내용을 모두 수집하고 분석하는데요. 이 데이터를 이용해 고객을 유지하고, 다른 게임을 교차 판매하고, 유료 플레이어로 전환시키고, 사용자 경험을 모니터링함으로써 게임 내 불편 사항을 없애는 모델을 실행합니다.
워게이밍이 매월 처리하는 데이터는 총 30테라바이트(TB)에 달합니다. 이 중 98%를 오라클 빅데이터 어플라이언스(Big Data Appliance)의 하둡에 저장하고, 클라우데라는 하둡 실행을 관리합니다. 데이터가 하둡에 저장되면 ETL(추출, 변환, 로딩) 개발자는 SAS와 통합된 데이터 마트를 만들어 모델을 생성하고 운영 환경에 적용시킵니다.
분석을 통한 게임 플레이 및 고객 서비스 개선
워게이밍의 데이터 과학자 팀은 점수를 게임 내 이벤트 처리(event-processing) 구성 요소와 기업의 CRM(고객관계관리) 시스템으로 전송한 후 다시 추가 모델링 작업을 위해 팀으로 거둬들이는 모델을 개발합니다.
예를 들어, 최근에 팀은 데이터 분석을 통해 한 특정 장소에서 플레이어들이 계속 죽는다는 사실을 파악했습니다. 리아보브 총괄은 “데이터 과학자들은 맵의 균형을 맞추기 위해 해당 장소에 언덕을 설치하고, 일정 시간 동안 게임에서 발생한 모든 슈팅을 확인할 수 있는 히트 맵(heat map)을 만들었습니다.”라고 설명했는데요.
또 팀은 분석을 이용해 플레이어들이 특정 게임 요소를 놓치고 있지는 않은지 확인한 후 더 나은 플레이 경험을 위한 알림을 보냅니다. 이를 통해 플레이어에게 특정 무기에 접근할 수 있는 장소나 이전 게임에서 미처 보지 못한 장소 등을 알려줄 수 있죠.
리아보브 총괄은 “이런 방식으로 플레이어들이 다음 번 게임에서 더 즐거운 경험을 누릴 수 있도록 도와줍니다. 그렇지만 하나의 예시일 뿐, 모델을 개발하고 그 모델을 운영 환경에 적용시킴으로써 더 많은 일들을 달성할 수 있습니다.”라고 말했습니다.
워게이밍은 고객 경험을 한층 더 향상시키기 위해 소셜 미디어와 고객과의 대화를 통해 수집한 피드백에 텍스트 분석(text analytics)을 적용합니다. 리아보브 총괄은 “소셜 미디어에 특정 필터를 적용시켜서 모든 플레이어에 대해 감성 분석(sentiment analysis)을 실행할 수 있습니다. 감성 분석은 여러 채널 상에서 고객을 지원하고, 올스타(all-star) 플레이어를 식별할 때에도 유용합니다.”라고 덧붙였습니다.
대규모 다중 사용자 온라인 경험으로 분석 확장 활용
워게이밍은 3년 전 비즈니스 인텔리전스 프로그램을 만들 당시 오픈 소스 기술에 집중했습니다. 리아보브 총괄은 “심층적인 데이터 분석과 데이터 마이닝의 필요성을 인식한 후에는 R, 스파크(Spark), 파이썬(Python) 그리고 여타 모든 오픈 소스 솔루션에서 초기 고급 분석 모델링을 시작했습니다.”라고 회상했는데요.
하지만 이러한 초기의 노력을 수천 개의 모델과 하루가 다르게 증가하는 데이터로 확장하는 것은 큰 도전 과제였습니다. 리아보브 총괄은 워게이밍의 오픈 소스 분석 초기 단계를 설명하면서 “가장 큰 문제는 확장성이었습니다. 당시 데이터 과학자들은 모델 컨셉을 고안하고, 데이터 랭글링(data wrangling) 작업을 거쳐 몇몇 데이터를 추출한 후 그 결과를 자동화했습니다. 모두 수동으로 진행됐으며, 개발자들에게는 무척 힘든 일이었죠.”라고 말했습니다.
리아보브 총괄에 따르면, 그의 팀이 만든 첫 번째 모델을 구현하는 데만 3개월에서 6개월이 걸렸습니다. “우리의 모든 게임, 모든 지역, 모든 시간대에서 수백, 수천 개의 모델을 운영하게 될 것이라는 사실을 깨닫고 확장성을 갖춘 솔루션을 찾기 시작했습니다.”
여러 심층 조사 끝에 리아보브 총괄과 그의 팀은 원하던 해결책을 찾았습니다. "SAS 팩토리 마이너(SAS Factory Miner)와 SAS 모델 메니저(SAS Model Manager)는 우리 환경에 완벽하게 들어맞았습니다. 동일한 모델을 다양한 시간대, 지역, 제품별로 확장시킬 수 있기 때문입니다. 따라서 사실상 동일한 모델을 운영 환경에 배치한 후 산업적인 방식으로 계속해서 모델을 실행, 유지, 촉진시킬 수 있습니다. SAS는 조사 결과 유일한 선택지였습니다.”
리아보브 총괄은 데이터가 준비되고 모델링 방법론을 수립한 후에는 단 한 사람이 모델을 수천 개의 비슷한 모델로 복제시킬 수 있게 됐다고 말합니다. “수작업으로 많은 모델을 만들고 유지하려면 10명에서 20명의 사람이 필요하며 당연히 실수도 발생합니다. SAS와 같은 자동화된 생산 환경에서는 실수가 발생하지 않습니다.”
산업화된 모델링(Industrialized modeling)의 이점
워게이밍은 자동화되고 산업화된 모델링으로 여러 이점을 누렸습니다.
- 모델 구축의 효율성을 위해 대부분의 코딩을 포인트 앤 클릭(point-and-click) 기반의 워크 플로우로 전환했습니다.
- 모델을 개발하고 배포하는 데 필요한 시간을 60% 단축했습니다.
- 모델 배포 및 자동화 시 데이터 웨어하우스 관리의 필요성을 80% 줄였습니다.
전반적으로 워게이밍의 데이터 과학자들이 더 짧은 시간 안에 더 많은 모델을 개발, 배포하게 됨으로써 수익 증진, 리소스 사용 최적화, 기회 비용 감축 등의 성과가 나타났습니다. 시장이 성장하고 워게이밍이 지속적으로 플랫폼을 다양화함에 따라 동일한 분석 플랫폼 내에서 더 많은 모델을 실행하고, 더 많은 고객을 유지 및 확보하고, 보다 복잡한 분석을 적용할 수 있게 될 것입니다.
무엇보다 가장 중요한 것은 플레이어들도 혜택을 누릴 수 있다는 것입니다. 리아보브 총괄은 “우리 데이터 과학자들은 플레이어가 정말 원하는 것을 적절한 시간에 제공할 수 있는 방법에 대한 매우 혁신적인 아이디어를 가진 재능 있는 사람들입니다. SAS는 전반적인 만족도를 높이고 플레이어의 경험을 더욱 향상시킬 수 있도록 지원합니다.”라고 말했습니다.
더욱이 게임 경험을 향상시키면 더 많은 플레이어들을 게임에 투자하는 장기적인 고객으로 이끌 수 있습니다. 리아보브 총괄은 “워게이밍의 창립자 빅터 키슬리(Victor Kislyi)가 ‘우리의 궁극적인 목표는 행복한 플레이어다’라고 말했듯이 플레이어가 행복하면 다른 모든 것들은 뒤따라 올 것입니다.”라고 덧붙였습니다.
오늘날 급변하는 시장 환경과 고객 요구를 충족시키기 위해서는 빠르고 전략적인 의사 결정이 필수입니다. SAS 웹사이트에서 데이터 패턴과 이상 현상을 찾아내고, 미래를 예측함으로써 최적의 의사 결정을 내릴 수 있도록 지원하는 SAS 고급 분석(SAS Advanced Analytics)에 대해 살펴보세요. 예측(predictive)과 탐색 모델(descriptive model)을 구축할 수 있는 광범위한 알고리즘과 함께 데이터 준비부터 모델 개발까지의 데이터 마이닝 프로세스를 간소화하는 GUI 및 기타 요소들을 제공합니다.
