추천 시스템을 통한 플레이어 경험 개인화

소개

플레이어 중심의 경험을 만드는 가장 강력한 도구 중 하나는 추천 시스템입니다. 이것은 놀랍지 않을 것입니다: 개인화는 결국 특정 플레이어 또는 플레이어 그룹에게 공명하는 행동, 아이템, 또는 콘텐츠를 추천하는 예술입니다. 추천자는 플레이어 여정의 모든 단계에서 개인화를 향상시킬 수 있는 기본적인 기능을 형성합니다.

이 블로그에서는 추천 시스템이 게임에서 어떻게 사용되어 더 의미있는 플레이어 경험을 만드는지 살펴볼 것입니다. 마케팅과 수익, 사용자 획득, 실시간 운영 등에서 적용되는 곳을 논의하고, 세계적인 게임 개발자들이 채택한 최고의 실천 방법과 접근법을 공유하겠습니다. 마지막으로, 특정 사용 사례와 실제 예를 통해 그들이 업계 전반에 미치는 영향을 살펴볼 것입니다.

무대를 준비하다

대부분의 경우, 추천 시스템은 행동을 제안하는 수단으로 주로 생각됩니다 - 최적의 제안을 제시하거나, 구매를 최적화하거나, 콘텐츠와 상점 캐러셀을 채우는 것입니다. 이들은 전 세계의 플레이어들에게 사랑받는 유용한 응용 프로그램입니다.

그러나 추천 시스템은 개발자들이 플레이어의 선호도를 더 잘 이해하는 데 도움이 될 수도 있습니다. 세분화, 클러스터링 및 기타 플레이어 인사이트는 일반적으로 인간의 해석에 의존하지만, 추천 시스템은 게임 개발자들이 피드백에 대한 반응을 개선하고, 그에 따라 제품을 개선하기 위해 직접 활용할 수 있는 기계 주도 컨텍스트를 플레이어에 대해 구축할 수 있습니다.

플레이어의 선호도에 대한 더 깊은 이해를 바탕으로, 귀하의 게임 회사는 플레이어가 가장 흥미롭고 가치있게 여기는 것에 맞게 경험을 개인화할 수 있습니다. 이는 플레이어의 관심사와 게임 요소, 퀘스트 또는 다른 게임 요소를 맞춤화하여 플레이어 중심의 경험을 제공할 수 있다는 것을 의미합니다.

흔히 묻는 질문은: "우리 비즈니스를 위한 추천 시스템에서 어떤 결과를 기대해야 할까요?"입니다. 결국, 이는 참여도를 높이고 사용자와의 장기적인 관계를 구축하는 데 도움이 됩니다.

특정 사항에 들어가기 전에, A/B 테스팅(카나리아 릴리즈와 기능 플래그와 함께)의 중요한 역할을 강조하는 것이 중요합니다. 대부분의 머신 러닝(ML) 또는 생성 AI(GenAI) 모델과 마찬가지로, 엄격한 A/B 테스팅 방법론을 통해 결과를 검증하는 것이 필수적입니다. 실제로, 그들은 두 가지 목적을 가지고 있습니다: 추천자가 의도한 대로 작동하는지 확인하고 명확한 비즈니스 영향을 보여주는 것입니다.

A/B 테스트를 개발할 때는 명확한 목표와 지표를 미리 정의하는 것이 모범 사례입니다. 예를 들어, 무엇을 증가시키거나 감소시키려는지를 정확히 명시하는 것이 좋습니다. A/B 테스팅이 오늘날 게임 산업에서 더 널리 채택되고 있지만, 명확한 가설 없이 먼저 테스트를 실행하고 나중에 메트릭을 검토하는 경향이 여전히 있습니다. 그리고 명확하게 정의된 결과가 없으면 효과적인 테스트를 설계하고 추천 시스템의 영향을 정확하게 측정하는 것이 어려워집니다.

다음으로, 게임에서 효과적인 추천 시스템을 구축하기 위한 고품질, 잘 라벨링된 데이터의 중요성을 살펴보겠습니다.

추천 시스템은 레이블이 지정된 데이터가 필요합니다

추천 시스템은 잘 라벨링된 데이터셋과 메타데이터를 기반으로 할 때 훨씬 더 효과적입니다. 라벨은 컨텍스트에 따라 크게 달라질 수 있지만, 피처 엔지니어링 주변의 모범 사례를 활용하는 것이 중요하며, 추천과 관련이 없는 라벨을 포함하면 최소한 모델이 더 비싸지게 하고, 최악의 경우 추천의 정확성을 줄일 수 있습니다.

플레이어에게 게임 내 IAP 셔츠를 추천하는 것을 상상해보세요. 그들은 10개의 셔츠를 구매했습니다: 9개는 보라색이고 나머지 하나는 파란색이며, 가격은 1달러에서 100달러까지 다양합니다. 이 세 가지 라벨(색상, 유형, 가격)만으로 모델은 플레이어가 주로 보라색 셔츠에 관심이 있다고 가정하고, 파란색 셔츠를 이상치로 취급하고, 또 다른 보라색 셔츠를 추천할 것입니다. 하지만 그것이 구매를 이끈 것은 아닙니다. 모든 10개의 셔츠는 셜록 홈즈를 특징으로 하였습니다. 그래서 색상이 아니라, 플레이어가 행동을 취하게 만든 캐릭터였습니다. 단순한 예지만, 복잡하게 확장하고 이해하기 쉽습니다.

다른 하나를 보겠습니다. 예술가가 그들의 최신 창작물을 공상 과학(Si-Fi)으로 라벨링합니다. 그 주관적인 라벨이 적용되지만, 플레이어들이 그것을 다른 하위 장르, 예를 들어 사이버펑크로 인식한다면 어떨까요? 결과적으로, 자산은 사이버펑크 테마를 선호하는 플레이어에게 추천되지 않을 것입니다. 따라서 이는 LLM 기반 자동 태깅의 잠재적인 사용 사례로, 라벨의 일관성을 향상시키고 각 제공물과 연관된 라벨의 유형을 확장할 수 있습니다.

이제 결과를 정의하고, A/B 테스팅을 진행하고, 잘 라벨링된 데이터가 있으니, 게임에서 추천자가 어떻게 적용되는지 살펴봅시다.

추천 시스템이 적용되는 곳

추천 시스템은 일반적으로 상점 제안의 컨텍스트에서 생각되지만, UI 요소를 개인화하거나, 절차적으로 생성된 콘텐츠, 멀티플레이어 매치 구성 등 다른 게임플레이 요소를 개인화하는 데 활용될 수 있습니다. 그들의 핵심적인 기능은, 추천 시스템이 플레이어가 다음에 보아야 할 최적의 "무엇"인지 결정하는 것입니다.

대부분의 추천 시스템 배포는 두 가지 경쟁 옵션 사이에서 선택으로 시작합니다. 너무 많은 옵션이 제시되면 플레이어들은 압도되거나 마비될 수 있습니다. 목표는 일반적으로 두세 가지의 높은 잠재력을 가진 대안으로 선택지를 좁히는 것입니다. 그러나 어떤 것이 최선인가요? 좋은 시작 질문은: 플레이어에게 어떤 것이 중요한가요? 더 나은 질문은: 나는 어떤 결과를 달성하려고 하는가? 입니다. 추천을 결과에, 단순히 입력에만 맞추면 모델을 체계적으로 설계하고 테스트하는 것이 더 쉬워집니다.

매장 기반 추천에 대한 생각이 넘치는 동안, 잠시 게임플레이 메커니즘에 초점을 맞춰봅시다.

추천 시스템은 본질적으로 단기적인 적용을 위한 것으로, 다음 최선의 제품이나 서비스를 제안합니다. 하지만 장기적인 목표, 예를 들어 게임 완료, 플레이 시간 또는 일일 세션에 맞추어 짧은 기간의 추천이 플레이어를 의미있는 진행을 위한 "황금 경로"로 안내합니다.

이러한 경로를 구축하려면 개별 플레이어와 더 넓은 게임 플레이 패턴에서 플레이어의 여정에 대한 통찰력이 필요합니다. 이 지식은 텔레메트리 데이터에서 얻을 수 있습니다: 퍼널 드롭오프, 기능 참여도가 낮음, 진행 지점 사이에 이상하게 긴 시간 또는 분명한 마찰의 다른 징후 등. 거의 모든 경우에서, 일부 플레이어는 이러한 장애물을 통과하는 반면, 다른 일부는 투쟁하거나 이탈합니다. 성공하는 사람과 그렇지 않은 사람 사이의 차이를 이해하는 것은 더 많은 플레이어가 진행할 수 있도록 경험을 적응시키는 데 중요한 신호를 제공합니다.

마지막으로, 추천자는 자연스럽게 반복적입니다. 게임 메커니즘과 메타는 진화합니다 - 새로운 기능이 출시되고, 플레이어들의 행동이 변하고 등등 - 그리고 모델들은 그것을 따라잡아야 합니다. 시간이 지남에 따라, 심지어 효과적인 모델들도 최적의 성능에서 벗어나기 시작합니다. 그래서 지속적인 실험이 중요합니다. 플레이어들이 그들의 게임 수명을 다 보내기를 기다릴 수 없기 때문에, 현재의 모델이 제공할 것과 다른 제안을 통해 제어 가능한 변동성을 도입할 수 있습니다. 그것들이 더 나은 결과를 가져온다면, 모델은 새로운 데이터로 다시 훈련될 수 있습니다.

참고: 일반적으로, 우리는 추천 시스템을 플레이어에게 어떤 콘텐츠를 보여줄지 결정하는 도구로 생각합니다. 그러나 반대의 경우도 있습니다. 즉, 어떤 플레이어가 새로운 콘텐츠 형태를 받아야 하는지 파악하려는 경우입니다. 한정된 시간 동안만 제공되는 독점 콘텐츠를 출시하고, 이를 10,000명의 플레이어에게만 제시하려고 한다고 가정해 봅시다. "플레이어에게 어떤 콘텐츠를 보여줄까?"라고 묻는 대신, "이 콘텐츠에 적합한 플레이어는 누구인가?"라고 묻습니다. 이런 경우에, 추천 시스템은 과거 행동, 선호도 또는 참여 가능성을 기반으로 최적의 대상을 식별하는 데 도움이 될 수 있습니다.

응용 사례 하나: 절차적으로 생성된 목표와 미션

현대 게임은 의미 있는 진행을 촉진하기 위해 다양한 종류의 미션, 목표, 활동을 제공할 수 있습니다. 그러나 선택할 수 있는 옵션이 늘어남에 따라 플레이어의 관심사와 일치하는 것들을 우선시하는 필요성도 증가합니다. 단순한 접근 방식은 플레이어가 과거에 선택한 같은 유형의 목표를 더 많이 생성하거나 홍보하는 것일 수 있지만, 이는 빠르게 게임 플레이를 반복적으로 느끼게 하고 탐험을 방해할 수 있습니다. 과거 플레이어의 행동에 대한 접근 권한이 있는 ML 기반 추천 시스템은 매력 없는 미션 디자인과 반복적인 미션 디자인을 모두 피하는 데 도움이 됩니다.

예를 들어, 많은 무료 플레이 게임에서 흔히 볼 수 있는 일일 목표 기능을 생각해보세요. 구조는 동일하게 유지될 수 있지만(예: 목표를 완료하면 보상을 받음), 목표의 세부 사항은 플레이어의 변화하는 선호도에 맞게 맞춤화될 수 있습니다. 한 플레이어는 아이템 수집을 선호할 수 있고, 다른 플레이어는 PvP 전투나 유닛 업그레이드를 즐길 수 있습니다. 건강하고 다양한 일일 목표의 조합은 플레이어가 게임의 다른 측면에 참여하도록 유도할 수 있습니다.

플레이어가 발전함에 따라 그들의 동기는 변합니다. 아마도, 업그레이드는 더 이상 동기 부여가 아니고 이제 그들은 경쟁, 사회적 상호작용 또는 전략을 찾고 있을 수 있습니다. 또는, 그들은 경험에서 하드 통화의 가치를 도입하는 것이 의미가 있는 시점에 접근하고 있을 수 있습니다. 추천 시스템은 이러한 변화에 적응하고 플레이어의 행동, 참여 패턴, 이전 목표에 대한 성공에 기반하여 플레이어를 다른 진행 경로로 밀어내는 목표를 제안할 수 있습니다.

잘 구현되면, "일일 목표"와 같은 허영 기능은 게임에 대한 플레이어의 정서적 및 금전적 투자를 촉진하는 전략적 자산이 됩니다. 개인적으로 관련성이 느껴지는 목표를 추천함으로써, 게임은 소매 플랫폼이 맥락에 따라 올바른 제품을 올바른 시간에 올바른 사람에게 보여줌으로써 전환을 촉진하는 것과 같은 방식으로 참여를 깊게 할 수 있습니다. 게임에서 제품은 플레이이므로, 올바른 종류의 플레이 경험을 추천하는 것은 플레이어의 즐거움과 게임 자체와의 장기적인 공명을 강화합니다.

응용 프로그램 두 번째: 스토어프론트와 제안

게임 내 상업 경험을 개인화하면 IAP 수익과 귀사의 순이익에 즉각적인 개선을 가져올 수 있습니다. 핵심은 올바른 가치를 올바른 시간에 제공하는 것입니다. 이 두 변수는 모두 추천 엔진을 통해 최적화할 수 있습니다.

대부분의 무료 플레이 수익 모델은 $0.99에서 $100 이상의 넓은 가격 범위를 포괄합니다. 이 넓은 범위는 도전을 제시합니다: 주어진 플레이어에게 너무 많은 옵션입니다. 추천 시스템은 선택의 집합을 좁혀 가장 변환 가능성이 높은 것들을 강조할 수 있습니다.

상업적인 추천자들은 게임 플레이 개인화를 위해 사용되는 같은 게임 텔레메트리와 행동 데이터를 활용할 수 있지만, 그들은 또한 실제 세계의 지표를 고려할 수도 있습니다. 장치 유형, 지리적 소득 데이터, 게임 내 친구들의 소비 행동과 같은 신호는 플레이어의 처분 가능한 소득과 소비 의향 또는 능력을 추정하는 데 도움이 될 수 있습니다. 부유한 지역의 플레이어가 최신 하드웨어를 사용하면 고가의 번들에 더 잘 반응할 수 있고, 다른 사용자 신호를 가진 다른 플레이어는 $1-10 옵션을 선호할 수 있습니다.

대부분의 추천 엔진이 "무엇"을 보여줄 것인지에 초점을 맞추는 반면, "언제"인지, 즉 타이밍은 LiveOps, GaaS 또는 모바일 게임에서 특히 중요합니다. 제안은 종종 시간에 민감하며, 잘 타이밍 된 추천은 플레이어의 무관심 또는 항상 거래가 가능한 피로감을 극복할 수 있습니다. 플레이어가 처음으로 또는 가장 자주 IAP를 하는 것이 일반적으로 어떤 이벤트(예: 경기 승리, 더 높은 레벨 도달)를 선행하는지 분석함으로써, 모델은 최적의 트리거 시점을 식별하고 게임 내에서 상점 방문 초대를 알릴 수 있습니다.

주의: 계절적인 이벤트와 거시경제적 추세는 소비 행동에 영향을 미칩니다. 휴일 동안에는 소비 의향이 증가하거나 경기 침체 기간 동안에는 감소할 수 있습니다. 그래서 상업 모델은 계속해서 재교육하고 검증해야만 관련성을 유지할 수 있습니다.

응용 사례 세 가지: 멀티플레이어 매치

추천 시스템은 또한 플레이어를 서로 매칭시킬 수도 있습니다, 단일 멀티플레이 세션을 위해 또는 길드나 클랜과 같은 지속적인 사회 구조를 위해. 
기본 매치메이킹은 기술 수준과 연결 품질을 사용하여 게임에서 긍정적이고 공정한 플레이 경험을 보장합니다. 경쟁적인 매치, 특히 플레이어 수가 적은 경우, 연결성에 대한 외부 제한이 있는 ELO 매칭 시스템이 일반적입니다. 더 혼란스럽거나 캐주얼한 멀티플레이어 형식에서는, 매치의 속도와 연결 안정성이 스킬보다 우선할 수 있습니다.

하지만 경쟁적인 균형 이상으로, 추천 시스템은 사회적 호환성을 향상시킬 수 있습니다. 가장 기억에 남는 멀티플레이 경험에 대해 생각해보세요. 아마도, 그들은 당신이 누구와 함께 플레이했는지, 게임의 메카닉만이 아니라, 그것에 의해 형성되었을 것입니다. 누군가의 플레이 스타일, 장비 및 기타 속성을 이해함으로써, 매칭 알고리즘은 팀원으로서 보완적인 또는 상대적인 플레이어의 조합을 만들 수 있습니다.  

모델이 더욱 복잡해짐에 따라, 플레이어 프로필은 ELO를 넘어서 더욱 미세한 특성을 포함할 수 있습니다. 이러한 특성들은 매치메이킹을 위해 실시간으로 저장되고 접근할 수 있습니다. 그러면 도전이 되는 것은 매치 품질을 측정하는 것입니다. 플레이어에게 매치를 평가하도록 요청하는 것이 하나의 방법이지만, 더 객관적인 지표로는 하루에 세션 수가 증가하거나, 주당 플레이한 날 수, 친구들과 보낸 시간, 커뮤니케이션 도구의 사용 등 지속적인 사회적 참여의 다른 신호들이 있습니다.

어떤 결과를 선택하든, 그것은 증가하고, 일관되고, 장기적인 플레이어 참여와 연관되어야 합니다. 측정 가능한 결과를 가지고, 모델에 대한 A/B 테스트를 구축하고 가장 영향력 있는 것을 찾을 수 있습니다. (물론, 이 모든 것은 특정 지역 내에서 이러한 테스트를 실행할 충분한 인구를 가지고 있다는 전제하에 이루어집니다. 이는 연결성, 언어, 시간대의 변화가 결과를 손상시키는 것을 방지합니다.)

예를 들어, 과거의 채팅 메시지, 음성 채팅 또는 플레이어의 선호 언어를 사용하여, 추천 시스템은 잘 소통하거나 "친절하게 플레이"하는 플레이어들을 매칭할 수 있습니다. 다른 경우에는, 사회적 매칭은 제한된 플레이 시간을 가진 플레이어들에게 이익을 줄 수 있습니다 - 새로운 부모들처럼 - 그들은 고강도 팀과 속도를 유지하는 데 어려움을 겪을 수 있지만, 비슷한 참여 수준을 가진 그룹에서는 번창할 수 있습니다.

소비 행동도 중요합니다. 고소득자 그룹은 재정적으로 따라잡지 못하는 플레이어를 무심코 소외시킬 수 있으며, 잠재적으로 많은 돈을 쓸 수 있는 플레이어는 무료 플레이 사용자 중에서 어색하게 느낄 수 있습니다. 시간과 금전적 투자에 일부 변동이 있으면 그룹 성과를 향상시킬 수 있지만, 큰 차이는 종종 의식적이든 무의식적이든 동기를 잃게 만듭니다. 따라서, 비슷한 참여 수준과 재정 상황을 가진 플레이어들을 매칭하는 것은 더욱 즐거운 그리고 오래 지속되는 게임 경험을 보장하고, 전체 커뮤니티를 성장시킵니다.

게임에서 추천 시스템의 예시 응용

플레이어 중심 경험

앞서 언급했듯이, 추천 시스템은 플레이어의 선호도와 일치해야 하며, 이를 통해 참여도를 극대화하고 플레이어가 계속 돌아오게 만들어야 합니다 — 모두가 그들이 소중하게 여겨지는 것을 보장하는 동시에. 다음 섹션에서는 개발자들이 현재 자신들의 회사에서 추천 시스템을 어떻게 사용하고 있는지에 대해 자세히 살펴볼 것입니다.

개발자 이야기: 2K Games
데이터 및 AI 서밋 2025의 게임 산업 포럼에서 2K Games의 스포츠* GM인 Dennis Ceccarelli는 추천자와 개인화 프로젝트에 대한 그들의 생각을 공유했습니다. 특히 통찰력 있는 것은 그들이 팁과 보상을 활용하여 플레이어들을 황금 경로에 유지하는 메커니즘을 어떻게 활용하고 있는지였습니다. 2K Games는 플레이어 경험, 과거 플레이어 경험, 잘 정의된 플레이어 결과에 대한 세부 정보를 입력으로 사용하여 플레이어들이 매우 참여하고 개인화된 게임 경험을 즐길 수 있도록 보장했습니다.

골든 패스는 게임에서 매우 중요한 개념이지만, 그것은 많은 다른 것을 의미할 수 있습니다. 모든 게임에 대한 단일 골든 패스는 없습니다. 사실, 단일 게임에 대한 것조차 없을 수 있습니다. 추천 모델 테스팅을 하류의 비즈니스 메트릭, KPI 또는 결과와 일치시킴으로써, 플레이어가 그들의 골든 결과로 이동함에 따라 추천할 중간 비트를 더 잘 결정할 수 있습니다. 그것이 일일 참여를 지속시키는 것이든, 플래티넘 등급에 도달하는 것이든, 주요 스토리라인을 완료하는 것이든, 장기적인 지출자로 전환하는 것이든 상관없습니다.

플레이어를 알아보다

추천 시스템은 Player360 노력을 강화하는 강력한 방법입니다. 이 문맥에서 목표는 즉시 행동하는 것이 아니라, 각 플레이어에 대한 포괄적인 이해를 구축하는 것입니다. 이 기반은 게임 경험의 다양한 부분에서 더 빠르고 맞춤화된 추천을 가능하게 합니다. 플레이어의 선호도를 다양한 벡터에서 계산함으로써, 개발자는 새로운 기능을 활성화하고 다양한 사용 사례를 지원할 수 있습니다.

그럼 이것은 K-평균 군집화, 세분화 또는 추천 시스템을 해야 한다는 것을 의미합니까? 일반적으로 대답은 예, 하지만 다른 이유들 때문입니다. 각 접근법은 다른 목적을 가지고 있습니다. 세분화는 넓고, 사람이 읽을 수 있는 그룹화가 필요하고, 특히 사람이 참여하는 경우에 쉽게 행동할 수 있을 때 이상적입니다. 지리, 인구 통계, 코호트 또는 플레이 시간과 같은 속성을 기반으로 플레이어를 나누는 데 좋습니다. 이러한 세그먼트는 팀이 캠페인을 계획하고, 행동을 분석하고, 고수준에서 전략적 결정을 내리는 데 도움이 됩니다.

자동 클러스터링의 결과, 예를 들어 K-평균,은 사람이 읽기 어려울 수 있습니다. 전통적으로, 이러한 프로젝트들은 클러스터를 명명하고 마케팅 및 리마케팅을 위한 실질적인 사용 사례로 만드는 데 상당한 노력이 필요합니다. 이 과정을 간소화하기 위해, LLM-지원 클러스터링 과 같은 기법을 사용하여 자동 생성된 클러스터 간의 차이를 설명할 수 있습니다. 이를 통해 프로젝트 시간을 몇 달에서 몇 일 — 또는 심지어 몇 시간으로 줄일 수 있습니다.

최근에는 마케팅 콘텐츠 생성을 위한 자동 클러스터링 접근법에 대한 실험이 증가하고 있습니다. 이는 완전히 인간을 제거합니다. 이러한 방법들은 LLMs와 GenAI를 활용하여 대규모로 개인화된 리마케팅 콘텐츠를 생성합니다.

게임에 다양한 모드나 사용자 생성 콘텐츠 (UGC)가 포함되어 있고, 플레이어 참여 가능성을 높이려는 목표가 있다면, 추천 시스템은 종종 최선의 해결책입니다. 이러한 시스템은 세분화 또는 클러스터링의 결과를 특징으로 포함시키고, 행동 그룹화와 실시간 신호를 결합하여 효과적인 제안을 제공할 수 있습니다.

플레이어 기반 확대

사용자 획득 및 마케팅에 관해서는 추천자가 다양한 응용 프로그램을 가지고 있습니다. 일반적으로 그들의 목표는 플레이어 선호도를 식별하여 캠페인 전략을 알리는 코호트와 유사한 대상을 구축하는 것입니다 - 창의적인 메시지에서 크로스 판매 기회와 광고 네트워크 타겟팅에 이르기까지.

획득 최적화를 위한 사용 사례

• 마케팅 창작물과 타겟팅된 UA: 고LTV 플레이어에게 울림을 주는 마케팅 창작물을 만들려고 할 때, 추천 시스템은 그들에게 가장 매력적인 상위 세 가지 기능, 맵 또는 게임 내 경험을 도출하는 데 도움이 될 수 있습니다. 이러한 인사이트는 사용자 획득 캠페인에서 창의적인 개발과 대상 지정을 안내할 수 있습니다.
• 재마케팅: 이 사용 사례는 타겟팅된 UA와 비슷하지만, 목표가 다릅니다: 새로운, 유사한 그룹에 호소하는 것이 아니라 알려진 플레이어를 재참여시키는 것입니다. 우리는 이전에 세분화 가 원형 기반 프로그램을 생성함으로써 재마케팅 노력을 지원할 수 있는 방법에 대해 논의했습니다. 추천 시스템은 이를 한 단계 더 나아가, 특히 직접 메시지 전달 컨텍스트에서 LLM과 함께 작동하여 개인화된 접근 방식을 생성할 수 있습니다. 이를 통해 일관된 프레임워크를 따르면서 각 플레이어의 독특한 선호도에 적응하는 거의 1대1 메시징이 가능해집니다.
• 초단시간 크로스 마케팅: 만약 당신이 모바일이나 웹 기반의 초단시간 게임 제작자라면, 플레이어들이 이탈하고 다른 곳으로 이동하기 전에 평균적으로 이틀에서 삼일 동안의 짧은 플레이어 수명을 보게 될 것입니다. 목표는 참여를 극대화하고, 충분한 광고를 제공하여 광고 지출에 대한 강력한 수익률(ROAS)을 달성하고, 플레이어를 포트폴리오 내의 다른 타이틀로 전환하는 것입니다. 게임 플레이 데이터와 플레이어 행동을 발굴함으로써, 추천 시스템은 플레이어가 현재 게임을 마치는 시점에 홍보할 다음 최적의 두 세 가지 타이틀을 식별할 수 있습니다. 이것은 단지 당신의 생태계 전체에서의 생애 가치를 연장하는 것이 아니라, 플레이어 당 최대 ROAS를 추출하는 데 도움이 됩니다.

개발자 인사이트: SciPlay
SciPlay에서 마케팅은 성장 엔진입니다. 사용자 획득 비용이 상승함에 따라 더 많이 지출하는 것이 아니라 더 현명하게 지출하는 것입니다. 우리의 마케팅 운영 및 캠페인 전략에 지능형 추천 모델을 내장함으로써, 우리는 예산을 크게 이동시키고 가장 높은 잠재 가치를 가진 플레이어를 전략적으로 찾아냈습니다. 이 데이터 기반 접근법은 모든 달러가 더 열심히 일하도록 보장하며, 경쟁력 있는 환경에서 플레이어 품질과 ROI를 모두 향상시킵니다.

산업 파트너 인사이트: Braze
Braze, 전 세계 게임 회사들이 활용하는 주요 고객 참여 플랫폼은, "고객 참여 플랫폼 내의 추천 시스템은 재참여에 대한 강력한 접근법을 제공할 수 있으며, 플레이어를 매우 개인화된 여정을 통해 이끌 수 있는 능력을 활성화합니다. 플레이어의 참여도가 감소하면, 추천 시스템은 그들의 게임 내 이력, 선호하는 콘텐츠, 심지어 다른 커뮤니케이션 채널에서의 과거 반응성까지 분석할 수 있습니다. 이러한 포괄적인 통찰력은 제공할 가장 관련성 있는 콘텐츠를 결정하고 (예: 새로운 게임 기능, 다른 타이틀, 특정 아이템 또는 사회적 이벤트) 그리고 제공할 최적의 상호작용과 메시지의 순서를 결정하며, 그것을 보내는 최적의 시간과 그 개인에게 가장 효과적인 채널을 포함합니다.

이 지능은 재참여 캠페인에서 플레이어의 진행을 개인화하는 데 활용될 수 있습니다. 예를 들어, 캠페인의 중요한 결정 지점에서, 추천 시스템의 모델은 특정 플레이어가 가장 반응하거나 전환할 가능성이 있는 메시지의 분기 또는 순서를 예측할 수 있습니다. 그런 다음 시스템은 플레이어를 그들의 개별 여정에 가장 적합한 경로로 지능적으로 이동시킵니다.

경쟁 모드에 대한 열정이 있는 플레이어가 참여를 보이지 않는다고 가정해봅시다. 그런 다음 재참여 캠페인이 설계되어 여러 경로를 강조합니다: 하나는 새로운 경쟁적인 도전을 강조하고, 다른 하나는 사회적 길드 이벤트에 초점을 맞춥니다. 고객 참여 플랫폼 내의 추천 시스템은 그들이 "Game X"에 대한 관심과 게임 내 알림에 대한 과거 선호도를 식별합니다.

플레이어가 이 캠페인에 참여하는 순간, 추천자는 그들의 프로필을 평가하고 그 특정 플레이어에게 가장 효과적일 것으로 예측되는 경쟁적인 도전 경로로 그들을 지능적으로 안내합니다. 선택된 경로 내의 메시지도 AI의 도움을 받아 고유하게 관련성이 느껴지도록 맞춤화될 수 있습니다."

수익 증대

추천자가 적용되는 모든 영역 중에서 수익 성장이 가장 많이 이루어지며, 이는 쉽게 이해할 수 있습니다. 게임에서 참여도가 높아질수록 수익도 증가합니다. 추천자는 게임이 제공하는 가치를 가장 감사할 플레이어와 일치시키는 데 도움이 됩니다.

추천자의 수익에 대한 영향은 모든 산업에서 볼 수 있습니다. 디지털 상거래가 나오기 전에도, 식료품점은 종종 기저귀와 맥주와 같은 보완재를 함께 배치하는 등의 추천의 물리적 유사물이 존재했습니다. 이것은 단지 영리한 상품 판매가 아니었습니다. 이것은 원시적인 추천 형태였습니다: "이것을 구매한 사람들은 그것도 구매했습니다."

특정 사용 사례에 깊이 들어가기 전에, 추천 시스템이 단순한 휴리스틱에서 고급 ML 모델에 이르기까지 다양한 형태로 존재한다는 것을 알아두는 것이 중요합니다. 기본 시스템조차도 실제 영향을 미칠 수 있습니다. 많은 개발자들은 간단하게 시작하고, 더 높은 수익을 추구하면서 점차 복잡성을 늘립니다. 이 블로그는 ML 기반 추천 시스템에 초점을 맞추고 있지만, 우리의 주요 조언은: 무언가를 하세요. 플레이어에게 콘텐츠를 어떻게 제시하는지에 대한 조차도 소소한 개선이 수익에 의미있는 영향을 미칠 수 있습니다.

추천 시스템을 이용한 수익 증대 사용 사례

• 다음 최선의 XXXX: 추천자를 사용하여 수익을 늘리려면, 대다수의 사용 사례는 어떤 형태로든 "다음 최선의 XXXX"로 표현할 수 있습니다. 놀랍게도, 추천자의 목표는 플레이어가 다음에 가장 원할 것으로 예상되는 것을 추천하는 것입니다. 가장 일반적인 예는 "다음 최고의 제안"으로, 게임 플레이어 데이터, 아이템 선호도, 캐릭터 사용, 과거 구매가 어떤 SKU가 가장 공감할지를 알려줍니다. 이것은 단일 인게임 광고, 선별된 제안의 캐러셀 또는 인게임 스토어의 동적 재정렬로 나타날 수 있습니다.
• 구매 최적화: 다음 최선의 제안의 하위 집합인 구매 최적화는 플레이어가 받아들일 가능성이 있는 최적 가격의 번들을 찾는 것을 목표로 합니다. 이는 미리 설정된 SKU 중에서 선택하거나, 맞춤형 제안을 실시간으로 생성하는 것을 포함할 수 있습니다. 후자는 그 복잡성 (즉, 개별 수준에서 제품 조합, 가격 책정 및 할인 결정) 때문에 대규모로 구현되는 경우가 드뭅니다, 이는 물류적이고 사회적인 도전을 제기합니다. 예를 들어, 플레이어들이 소셜 미디어에서 제안을 비교하기 시작하면, 인식된 불공정성이 공포를 초래하고 많은 스튜디오가 극도로 개인화된 번들을 완전히 피하게 만들 수 있습니다.
• 상점 주문: 추천자는 게임 내 상점에서 아이템의 최적의 순서를 결정하는 데 중요한 역할을 할 수 있습니다. 한 개발자는 단순히 상점을 과거 구매와 플레이어 참여 지표에 따라 재정렬하는 것만으로도 구매율이 20% 증가했다고 공유했습니다. 또 다른 경우에는 플레이어들이 브라우징할 수 있는 500개 이상의 SKU가 있었고, 각 페이지에는 9개에서 12개의 아이템만 표시되었습니다. 플레이어들은 효과적인 검색 기능이 있음에도 불구하고 원하는 것을 찾는 데 어려움을 겪었습니다. 가장 영향력 있는 해결책은 각 플레이어에게 가장 매력적일 것으로 예상되는 24개 항목을 우선 순위로 두는 것이었습니다. 이들은 두 페이지에 걸쳐 분할되었으며 — 첫 페이지를 넘어서 둘러보는 익숙한 습관을 유지 — 각 페이지 내의 순서는 고정된 콘텐츠의 모습을 피하기 위해 무작위로 배치되었습니다(즉, 한 페이지에 상위 12개, 두 번째 페이지에 13-24개). 이 접근 방식은 발견성과 참여를 향상시켜, 상점이 더욱 반응적이고 개인화된 느낌을 주었습니다.

플레이어 참여와 유지를 위한 사용 사례

• 이탈 방지: 리마케팅 접근법을 기반으로, 게임 개발자들은 이제 한 단계 더 나아가 이탈 방지 전략에 통찰력을 통합하고 있습니다. 이탈한 플레이어에 대한 데이터를 사용할 수 있는 에이전트 AI 시스템을 생각해보세요. 비슷한 추세, 유사한 사례, 행동 변화 (예: 게임 빈도와 세션 플레이 시간의 변화)를 찾아내면, 시스템은 누군가를 이탈 가능성이 있는 사람으로 표시하고, 리마케팅을 위해 구축된 기능을 활용하여 맞춤형, LLM-합성 메시지를 보내 플레이어를 다시 참여시킬 수 있습니다.
• 경험 개인화: 추천 시스템에 대한 가장 진보적이고 전망이 좋은 예는 게임 자체에 그것들을 통합하는 것입니다. 오픈 월드 게임에서 퀘스트를 마친 후, 다음에 어떤 퀘스트를 해야 할지 고민한다고 상상해 보세요. 만약 당신이 주요 스토리 아크를 플레이하고 있다면, 다음 스토리 비트가 될 것입니다, 맞죠? 만약 그것이 사이드 퀘스트라면, 그 퀘스트를 이어갈 수 있는 것이 없다면 어떨까요? 가장 가까운 퀘스트를 선택하시나요, 이미 시작된 퀘스트를 선택하시나요, 아니면 "X 적"을 죽이는 퀘스트를 선택하시나요? 이 게임에 추천 시스템을 통합함으로써, 플레이어들은 참여하고 싶은 퀘스트 유형을 평가하고 다음으로 가장 좋은 퀘스트에 대한 추천을 받을 수 있습니다. 이를 통해 플레이어들이 게임에 더 오랫동안 참여하게 됩니다.
• 새로운 콘텐츠 문제: 이 접근법은 최근에 추가된 SKU, 사용자 생성 항목 또는 완전히 새로운 게임 모드와 같은 모든 종류의 미검증 콘텐츠에 적용됩니다. 이런 경우, 개발자들은 종종 단기 성과와 장기 발견을 균형잡기 위해 탐색/이용 모델에 의존합니다 (여기에서 더 보기). 이용 모델은 안정적으로 참여를 촉진하는 검증된 콘텐츠를 홍보하는 데 초점을 맞추기 때문에 많은 개발자들이 기본으로 선택합니다. 그들은 빠른 결과를 제공하지만, 반드시 새로운 또는 잘 알려지지 않은 콘텐츠를 도출하는 데 도움이 되지는 않습니다. 균형을 맞추기 위해, 일부 개발자들은 추천을 캐러셀에 걸쳐 분할합니다: 첫 번째 행은 "이용" 콘텐츠(검증된 것)를 보여주고, 두 번째 행은 "탐색" 콘텐츠(새롭고 알려지지 않은 것)를 강조합니다. 이것은 콘텐츠 발견을 관리하는 쉽고 효과적인 방법입니다. 이용 추천 시스템은 가격, 설명 또는 구매 유형과 같은 기본 속성에 의존할 수 있지만, 탐색 모델은 색상, 테마 사용 또는 톤과 같은 추가 신호를 고려할 수 있습니다. 이 더 풍부한 데이터 세트는 시스템이 어떤 플레이어가 콘텐츠와 상호작용할 가능성이 있는지에 대해 더 똑똑한 초기 단계 예측을 할 수 있게 도와줍니다, 이는 성과를 검증하기 위해 충분한 행동 데이터를 수집하면서 격차를 메우는 데 도움이 됩니다.

개발자 인사이트: SciPlay
유지는 새로운 획득입니다. 잃어버린 모든 고품질 플레이어는 비싼 UA 캠페인을 통해 미래에 회수해야 할 비용입니다. 그래서 SciPlay는 예측적인 이탈 모델에 대해 많은 투자를 했습니다 - 플레이어가 떠날 수도 있다는 것을 식별하는 것뿐만 아니라, 그들이 그 지점에 도달하기 전에 개인화된 개입으로 그들을 참여시키기 위해서입니다. 이러한 모델은 우리의 정확도를 10배 이상 향상시켰고, 잘 의도된 유지 노력이 실제로 역효과를 낼 수 있는 미스타겟팅의 함정을 피하는 데 도움이 되었습니다. 결국에는, 적절한 경험을 적절한 플레이어에게 적절한 시점에 제공하는 것입니다.

추천을 통한 더 나은 게임 만들기

게임 개발자들은 추천 시스템을 단지 출시 후 개선 사항으로만 생각하지 말고, 특히 GaaS 또는 LiveOps 환경에서는 전체 개발 주기 동안 전략적인 구성 요소로 생각해야 합니다.

게임플레이 경험을 형성하는 것부터 수익화 및 개인화에 대한 정보를 제공하는 것까지, 추천자는 더 나은, 더 적응력 있는 게임을 만드는 데 중요한 부분이 되고 있습니다. 그래서 많은 사용 사례가 플레이어 경험 또는 수익 최적화에 속하더라도 일부 추천 응용 프로그램은 직접적으로 개발 위험을 줄이는 데 도움이 됩니다.

아래의 세 가지 사용 사례는 게임 개발 과정에 지능적인 유연성을 도입하여, 팀이 주요 디자인과 생산 결정을 하기 전에 콘텐츠를 테스트하고, 적응하고, 미세 조정하는 데 도움을 줍니다.

개발 프로세스를 위험에서 벗어나게 하는 사용 사례

• 게임 균형: 친구와 가족에서 알파, 소프트 런친, 글로벌 등으로 개발 생명주기를 진행하면서 게임 균형을 맞추는 것은 지속적인 노력입니다.
• 난이도 매핑: 난이도가 상대적으로 일차원적인 간단한 퍼즐 게임의 경우, 휴리스틱을 적용할 수 있습니다. 만남이 절차적으로 생성될 수 있는 더 동적인 게임에 대해 생각해보면, 추천자는 더욱 흥미롭습니다. 플레이어의 과거 경험을 바탕으로, 그들이 XX%의 시간 동안 이길 수 있는 만남의 적절한 구성은 무엇일까요? 이 만남에서 특정 목표를 달성하기 위해 어떤 종류의 적, 지형, 무기 사용 가능성 또는 체력 포션을 포함해야 할까요?
• 소프트 런칭 콘텐츠 가이드: 이는 다음 최선의 XXXX 접근법의 한 분기점이지만, 게임 개발 생명주기 전반에 걸쳐 중요합니다. 기존 타이틀에 대한 새로운 콘텐츠를 개발하거나 아직 제작 중인 게임에 새로운 기능을 도입하면서, 플레이어들이 이러한 시스템과 더 많이 상호작용하도록 노력합니다. 이메일, 비디오, 큐레이션된 퀘스트들은 새로운 제안을 통해 플레이어들을 안내하는 데 종종 사용되고 유용하지만, 이들은 종종 정적이고 일괄적인 접근법입니다. 추천 시스템을 사용하면, 플레이어들이 더 깊게 공감할 수 있는 새로운 콘텐츠로 플레이어들을 안내하는 것이 더 쉽습니다.

개선된 게임플레이를 위한 LiveOperations 최적화

마지막 사용 사례 집합은 LiveOperations, 또는 Live Ops의 우산 아래에 속합니다. 이들은 개인화된, 플레이어 중심의 경험을 우선시하는 동적인, 순간적인 응용 프로그램입니다.

아래는 추천자가 개발자들이 더 참여적이고 반응적이며 맞춤형 게임 경험을 제공하는 데 도움이 되는 세 가지 주요 LiveOps 사용 사례입니다.

LiveOps 내에서 추천자의 사용 사례

• 친구 / 사회적 추천자: 게임 내에서 의미 있는 사회적 참여를 도입하는 것은 종종 플레이어 유지를 향상시키는 효과적인 방법입니다. 우리는 어떤 사회적 상호작용이라도, 심지어 부정적인 것조차도 유지율을 향상시킨다는 피드백을 받았지만, 의미 있는 연결을 만드는 것이 훨씬 더 효과적이고 건강합니다. 추천자를 사용하면, 플레이어의 플레이 스타일, 그들의 의사소통 선호도, 그들이 플레이하는 시간, 그들이 흥미롭게 여기는 주제의 종류에 대한 세부 정보를 활용하여 그들이 함께 플레이할 다른 사람들을 찾는 데 도움을 줄 수 있습니다. 스쿼드 기반 게임의 경우, 그들이 좋아하는 캐릭터의 종류에 대한 세부 정보를 포함시키고 플레이어들이 그들의 경기를 위한 잠재적인 팀원들을 만날 수 있도록 하십시오.
• 게임 서버 추천: 게임 서버 추천은 핑, 가용성, 대기 중인 플레이어 수, 그리고 적절한 경우 대기 중인 플레이어의 ELO 등 소수의 변수를 사용하여 만들어집니다. 대부분의 실시간 경쟁 게임에서는 이 정보가 충분합니다. 지연 시간이 덜 중요한 게임, 플레이어가 영구적으로 서버에 할당될 수 있는 게임, 또는 게임에 무거운 사회적 측면이 있는 경우, 추천 접근법을 고려해보세요. 추천 시스템을 활용하면, 목표는 서로 긍정적인 경험을 가질 플레이어들을 모으는 커뮤니티 중심의 게임 서버를 구축하는 것이 간단해집니다.

개발자 인사이트: SciPlay
LiveOps는 데이터의 과학이 시기와 도전의 예술을 만나는 곳입니다. 플레이어를 의미 있는 경험으로 참여시키는 것과 피로나 좌절을 피하는 것 사이에서 적절한 균형을 찾는 것입니다. 플레이어의 세션을 자연스럽게 연장하도록 설계된 모델을 활용함으로써, 플레이어가 참여를 중단할 가능성이 있는 정확한 순간을 식별하면 개별 플레이어의 경험에 맞는 적절한 경험을 제공하는 것이 덜 복잡해집니다. 목표는 단순히 더 많은 콘텐츠를 추가하는 것이 아니라, 각 상호작용이 개별 플레이어의 경험에 맞는지 확인하는 것입니다.

게임 산업에서 추천자 구축하기

데이터 수집 및 준비

추천 시스템이 데이터에 크게 의존하는 것은 비밀이 아닙니다. 그러나 어떤 종류의 데이터가 필요한가요? 그리고 어떤 종류가 가장 유용한가요? 데이터 과학의 대부분의 것들과 마찬가지로, 답은: 그것은 상황에 따라 다릅니다.  

다른 유형의 추천 시스템은 다른 목표, 콘텐츠 유형 및 사용자 행동에 최적화되어 있습니다. 누구에게 어떤 상황에서 추천하는지에 따라 데이터 요구 사항이 결정됩니다. 예를 들어, 플레이 세션 길이를 늘리기 위해 설계된 시스템은 최대화된 수익화 또는 사회적 참여에 초점을 맞춘 시스템보다 다른 신호를 우선시할 수 있습니다.

그렇지만, 데이터 수집에서 대부분의 사용 사례에 공통적인 주제가 있습니다. 온라인 스토어나 IAP 시나리오에서는 구매 활동이 가장 유용한 신호 중 하나입니다. 다시 말해, 무언가를 사는 것은 강력한 암시적 평가입니다. 마찬가지로, 레벨, 맵 또는 기타 게임 내 경험을 추천하는 경우, 플레이어가 무엇을 플레이하고, 얼마나 오래 플레이하고, 얼마나 자주 돌아오는지 추적하는 것이 중요합니다. 이러한 이벤트에 타임스탬프를 찍어야 합니다. 시간이 지남에 따라 플레이어의 선호도는 변하고, 새로운 콘텐츠가 도입되며, 메타가 변화하므로, 오래된 데이터는 모델 성능을 저하시킬 수 있습니다.

암시적 또는 명시적 평가 외에도, 밀집 또는 범주형 특징이 모델을 풍부하게 만들 수 있습니다. 예를 들어, ESRB, PEGI 또는 ELO와 같은 평가는 입력 및 하드 필터로 유용할 수 있습니다. 폭력, 언어 또는 성적으로 명시적인 콘텐츠와 같은 콘텐츠 속성도 모델에 공급하는 정보로 사용될 수 있습니다.

또한, 플레이어의 맥락적 데이터를 고려해야 합니다: 그들이 주로 어떤 시간에 게임을 하는지, 장치와 플랫폼 특성, 위치 등입니다. 멀티플랫폼 타이틀의 경우, 맥락은 특히 중요하며, 플레이어는 모바일에서는 빠른 세션을, PC에서는 더 복잡한 콘텐츠를 선호할 수 있습니다. 이러한 선호도는 각 시나리오에서 어떤 추천이 제공되는지를 결정하는 데도 도움이 됩니다.
추천 기능을 지원하기 위해, 회사는 대규모로 데이터를 수집, 통합, 정리해야 합니다. 인사이트는 게임 텔레메트리, 스토어프론트, 심지어 Steam이나 Google Play Store와 같은 외부 플랫폼에서도 얻어집니다. 그래서 데이터 레이크하우스는 게임에 잘 맞으며, 플레이어 경험을 한 단계 끌어올리기 위해 추천 모델을 훈련시키고 점수를 매기는 데 필요한 데이터를 수집, 처리, 저장하는 중앙화된 환경을 제공합니다.

모델 훈련

추천 시스템에 대한 모델링 접근법과 구현 패턴은 사용 사례만큼이나 많습니다, 아니 더 많습니다. 유명한 넷플릭스 추천 모델의 출현 이후, 이 분야는 학계와 산업 모두에서 주요한 초점이 되어, 다양한 혁신을 이끌어냈습니다. 데이터 수집과 마찬가지로, 일괄적인 접근법은 없습니다: 올바른 모델 아키텍처는 완전히 특정 사용 사례, 데이터, 목표에 따라 달라집니다.

그렇다고 해서, 풍부한 행동 데이터를 가진 대규모 온라인 게임은 종종 현대의 딥 러닝 기반 추천 시스템에서 이익을 얻을 수 있습니다. TorchRec은 많은 팀에서 효과적으로 사용된 유연하고 생산적인 프레임워크입니다. TorchRec에서 일반적인 첫 단계 아키텍처는 두 개의 타워 모델로, 사용자(한 타워를 통해)와 항목(다른 타워를 통해)에 대한 임베딩을 생성합니다. 이 임베딩은 유사성 검색에 사용되어, 플레이어의 선호도와 콘텐츠를 매칭합니다.

사용자 측 벡터는 벡터 데이터베이스에 저장된 아이템 측 임베딩과 비교하여, 예를 들어, 가장 관련성이 높은 상위 10개 아이템을 빠르게 검색할 수 있습니다. 이들은 직접 표시되거나, 플레이어와 각 아이템 사이의 교차 특징을 고려하는 두 번째 단계 모델을 통해 세밀한 순위 매기기와 더 깊은 개인화를 제공합니다.

간단히 말해서, 시스템은 깔때기처럼 작동합니다:

• 전체 항목 카탈로그는 상단에 표시됩니다.
• 첫 번째 단계 모델은 관련 있는 하위 집합으로 좁혀줍니다.
• 두 번째 단계 모델은 더 세밀한 맥락에 기반하여 그 아이템들을 재정렬합니다.
• 필요에 따라 추가 필터(예: 연령 적합성, 맥락 제외)가 적용됩니다.

이러한 딥 러닝 모델을 훈련시키는 데는 일반적으로 GPU와 분산 컴퓨팅이 필요합니다. TorchDistributor 또는 Ray Train과 같은 도구는 여러 노드 간의 병렬 훈련을 관리하는 데 일반적으로 사용됩니다. 사전 처리된 데이터는 Mosaic Streaming 또는 Ray Data와 같은 솔루션을 사용하여 스트리밍될 수 있습니다. 모델 선택과 하이퍼파라미터 튜닝은 종종 데이터 하위 집합에서 병렬로 실행되며, 결과는 검증 데이터셋에 대해 평가됩니다.

이러한 워크플로의 복잡성을 관리하기 위해, 코드, 메트릭, 매개변수 및 아티팩트를 포함하여, MLflow는 중요한 역할을 합니다. 이를 통해 중앙 집중식 실험 추적, 비교 및 버전 관리가 가능해져 팀이 무엇이 작동하고 다음에 어디를 반복해야 하는지에 대해 일치하게 합니다.

모델 테스팅 및 평가

추천 모델이 훈련되면, 그 효과를 평가하는 것은 원시 모델 메트릭과 플레이어 경험 및 비즈니스 결과에 미치는 영향 측면에서 중요합니다. 이 과정에는 일반적으로 두 단계가 있습니다: 하나는 오프라인 평가(배포 전)이고, 다른 하나는 온라인 평가(배포 후)입니다.

오프라인 평가

오프라인 테스트는 모델이 실시간으로 작동하기 전에 이루어지며, 모델이 과거 데이터에서 얼마나 잘 수행되는지에 초점을 맞춥니다. 이것은 모델이 의도한 대로 작동하고 있다는 첫 번째 신호입니다. 오프라인 테스트에 대한 일반적인 지표는:

• 정밀도 / 재현율: 추천 사항 중에서 올바른 항목이 있는지 측정하기 위해 Top-K 추천 시나리오에서 특히 유용합니다.
• 평균 상호 순위 (MRR): 순위가 중요할 때 유용합니다. 이것은 올바른 항목이 상단에 얼마나 가까이 나타났는지를 알려줍니다.
• 정규화된 할인 누적 이득 (NDCG): 목록 상단의 올바른 항목에 보상을 주는 또 다른 순위 지표입니다.
• RMSE / MAE: 예측된 평점 또는 점수(예: 사용자가 아이템을 얼마나 즐길 것으로 예상되는지)와 함께 사용됩니다.
• LLM-생성 구매 인물: 추천의 관련성을 그들의 전체 인물과 비교하여 측정합니다. 시간이 지남에 따라 여러 모델을 평가하는 데 도움이 되는 사용자의 하위 집합을 선택합니다.

다른 인구 집단의 슬라이스(예: 새로운 플레이어 대 복귀 플레이어, 모바일 대 데스크톱 또는 저 참여 대 고 참여)에서 테스트하는 것이 중요합니다, 이를 통해 잠재적인 편향이나 성능 차이를 확인할 수 있습니다.

그러나 오프라인 평가만으로는 충분하지 않으므로, 온라인 평가 방법도 있습니다.

온라인 평가

모델이 배포되면, 온라인 테스트는 실제 비즈니스와 플레이어에 미치는 영향을 결정하는 데 도움이 됩니다. 이에는 고전적인 A/B 테스팅(또는 고급 설정에서는 다중 무기 기법)이 포함되며, 여기서는 새로운 모델에 노출된 사용자의 행동을 대조군과 비교합니다.

A/B 테스트를 실행할 때는 다음과 같은 지표를 고려해 보세요:

• 참여: 플레이어 당 세션, 세션 길이 및 다음 세션까지의 시간.
• 전환: 구매율, 사용자당 평균 수익(ARPU) 및 번들 선택.
• 유지: 1/7/30일 유지율 및 코호트 감소 곡선.
• 플레이어 만족도: 감소된 이탈률, 게임 내 채팅 감정, 지원 티켓 볼륨 등의 간접적인 신호들.

흔한 함정들

• 오프라인/온라인 불일치: 오프라인에서 잘 작동하는 모델이 여전히 드리프트, 누락된 특징 또는 서빙 인프라의 차이로 인해 온라인에서는 잘 작동하지 않을 수 있습니다.
• 소규모 테스트 그룹: 통계적 유의성에 도달하지 못하면 결과가 결론이 나지 않고 시간이 낭비됩니다.
• 짧은 테스트 기간: 일부 효과(예: 이탈 방지)는 더 긴 시간 동안만 나타나며, 인내심과 주의 깊은 코호트 추적이 필요합니다.

모델 배포와 추론

추천 모델이 있고, 이해관계자들이 초기 평가에 만족하면, 이를 생산에 배포할 시간입니다. 이것은 종종 다각적인 과정으로 보일 것입니다: 오프라인 추천 점수를 미리 계산하여 플레이어에게 제공할 항목을 미리 계산하거나(배치 또는 스트리밍 모드에서) 또는 온라인 점수, 결과가 항상 실시간으로 계산됩니다.

Databricks는 강력하고 효율적인 배치 및 스트리밍 기능, 그리고 동일한 모델을 온라인 모델 서빙으로 제공하는 능력을 통해 어느 시나리오든 동등하게 지원합니다. 다행히도, 이러한 모든 접근법 사이의 거버넌스는 동일한 기본 메커니즘을 사용합니다: Unity 카탈로그. 모델은 테이블, 함수, 파일 등의 다른 객체와 마찬가지로 Unity 카탈로그에 등록되며, 팀이 효과적으로 공동으로 관리할 수 있도록 필요한 모든 버전 관리와 권한이 제공됩니다. 이를 통해 팀이 일관되고 안전한 환경에서 활동할 수 있습니다.

모델이 카탈로그에 등록되면, 다운스트림 파이프라인이 참조할 수 있는 별칭이 부여되므로, 항상 팀이 게시한 최신 버전을 얻을 수 있습니다 (예: models:/production.personalization.two_tower_item_recommender@champion) 사용할 최고의 두 타워 모델을 위해.

피처 테이블도 비슷하게 배포됩니다. 모델이 피처 엔지니어링 클라이언트를 사용하여 게시되면, 모든 피처 조회와 변환 함수는 자동으로 메타데이터로 캡처됩니다. 이는 하류 팀이 추천을 검색하기 위해 사용자 키와 타임스탬프만 제공하면 되며, 나머지는 모두 피처 엔지니어링 라이브러리에서 처리한다는 것을 의미합니다. 모델은 또한 배치 및 스트리밍 배포에 사용된 동일한 소스를 사용하여 온라인 서빙 엔드포인트로 배포하거나 업그레이드할 수 있으며, 이는 모든 추론 경로에서 일관성을 보장합니다.

모델 모니터링

추천자가 비즈니스 지표를 모두 영향을 미치기 때문에, 오프라인 기능보다 효과적인 온라인 평가 기능을 갖는 것이 더 중요합니다. 훈련 중에 모델에 대해 좋은 RMSE 점수를 얻었다 해도, 수익, 리뷰 또는 다른 지표가 하락하기 시작하면, 문제를 즉시 알아차리는 것이 중요합니다. 따라서, 여러 측정 전략 중 하나를 채택하고 필요한 배포 기법, 예를 들어 A/B 테스팅 배포와 함께하는 것이 일반적입니다.

@champion 별칭과 유사하게, @challenger 별칭 모델을 배포하고, 예를 들어, 트래픽의 작은 부분을 도전자 모델로 보내 실제 사용자와 비즈니스 영향을 가지고 어떻게 수행하는지 확인해보세요. Databricks는 Lakehouse 모니터링을 제공하여 데이터와 시계열 테이블, 추론 테이블 및 결과에 대한 통계와 드리프트 메트릭을 캡처하는 데 도움을 줍니다. 이렇게 하면, 팀은 이러한 변화를 시간에 따라 측정하고 추적하며, 추천 시스템을 통해 실제 비즈니스 결과를 달성할 수 있습니다.

Databricks를 사용하여 게임을 더 직관적으로 만들기

당신이 만드는 게임의 유형에 관계없이, 추천 시스템은 회사가 플레이어 중심의 경험을 구축하는 데 극도로 도움이 될 수 있습니다.

Lakehouse를 기반으로 통합 데이터 플랫폼을 구축함으로써, 대량의 데이터와 다양한 데이터 소스에서 인사이트를 활용하는 추천자를 만들 수 있습니다, 이를 통해 팀은 플레이어, 그들의 선호도 및 게임에서의 경험에 대한 전체적인 이해를 가질 수 있습니다. Lakehouse가 없다면, 플레이어에 대한 중요한 세부 정보를 놓칠 가능성이 있으며, 이는 최적이 아닌 추천을 제공할 수 있습니다.

데이터 플랫폼이 없으면, 팀은 연결성과 기본 기술 도구에 더 많은 시간을 할애하고, 실행 가능한 인사이트를 생성하는 데 덜 시간을 할애하게 될 것입니다. 좋은 소식은 추천 시스템이 계속 발전하고 있으며, 그들의 효과를 더욱 향상시키기 위해 새로운 ML 기능이 개발되고 있다는 것입니다. 이제는 MLOperations, A/B 테스팅, 결과 추적, 새로운 모델의 생산 배포를 가능하게 하는 데이터 플랫폼이 필수적입니다.

플랫폼에는 대화형 분석과 같은 더 쉬운 피처 엔지니어링을 가능하게 하는 도구가 있어야 하며, 데이터 유래와 같은 견고한 거버넌스 기반을 통해 파생된 인사이트에 대한 신뢰를 구축해야 합니다. Unity Catalog와 같은 것입니다. Databricks는 게임 회사가 비용 효율적인 방식으로 추천 시스템을 조사, 생성, 테스트, 배포하는 것을 용이하게 합니다. 

Databricks가 이러한 및 기타 사용 사례를 통해 게임 회사를 어떻게 돕는지 더 알아보려면 databricks.com/games 를 확인하거나 담당 계정 담당자에게 문의하십시오. 우리의 eBook 이나 우리의 솔루션 가속기를 통해 데이터, AI, 게임에 대해 더 자세히 알아볼 수도 있습니다. 

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)