Data-Driven Strategies for Enhancing User Engagement in Play-to-Earn Games: Segmentation, Privilege Assignment Optimization, and Redemption Behavior Prediction 리뷰

P2E 게임 유저를 행동 데이터 기반으로 세분화하고, 각 그룹의 참여도를 극대화하기 위한 보상 시스템을 최적화하며, 보상 사용 여부를 예측하는 통합적인 데이터 기반 CRM 프레임워크를 제시한다.

논문 요약

논문 제목: Data-Driven Strategies for Enhancing User Engagement in Play-to-Earn Games: Segmentation, Privilege Assignment Optimization, and Redemption Behavior Prediction
저자: D. Zhang 외
게재 학술지: IEEE
발행 연도: 2024
핵심 요약: P2E 게임 사용자를 플레이 스타일과 지출 패턴에 따라 세분화하고, 각 세그먼트의 참여도를 극대화하기 위한 최적의 보상 시스템을 설계하며, 사용자의 보상 사용 행동을 예측하는 통합적인 데이터 기반 전략을 제시했다.

연구 배경

초기 P2E(Play-to-Earn) 게임 시장은 폭발적인 성장을 경험했지만, 지속 가능성 문제에 직면하며 많은 프로젝트들이 어려움을 겪었다. 문제의 핵심은 신규 사용자 유치에만 집중했을 뿐, 기존 사용자의 **장기적인 참여(Long-term Engagement)**와 **유지(Retention)**를 이끌어낼 체계적인 전략이 부족했다는 점이다. 모든 사용자에게 동일한 보상을 제공하는 것은 비효율적이며, 게임 내 경제(In-game Economy)의 인플레이션을 유발하여 생태계를 위협할 수 있다.

이러한 배경에서, 본 연구는 데이터 과학을 활용하여 이 문제를 해결하고자 한다. 사용자를 동질적인 그룹으로 나누는 **세분화(Segmentation)**를 넘어, 각 그룹의 참여를 가장 효과적으로 유도할 수 있는 보상을 찾는 최적화(Optimization), 그리고 주어진 보상을 사용자가 실제로 사용할지 예측하는 예측(Prediction) 모델을 결합한다. 이는 한정된 자원으로 사용자 참여를 극대화하고 P2E 생태계의 지속 가능성을 높이기 위한, 진보한 형태의 데이터 기반 CRM 전략이라 할 수 있다.

해결하려는 문제

P2E 게임에서 모든 사용자에게 동일한 보상을 제공하는 비효율적인 방식을 넘어, 각 사용자 그룹의 특성에 맞는 최적의 인센티브를 제공하여 게임의 참여도와 지속가능성을 동시에 높이고자 했다.

이 연구는 P2E 게임 운영자가 마주하는 복합적인 문제를 3단계로 나누어 해결하고자 한다.

우리의 사용자는 누구인가? (세분화): 모든 플레이어는 같지 않다. 시간을 많이 투자하는 유저, 돈을 많이 쓰는 유저, 가볍게 즐기는 유저 등 다양한 그룹이 존재한다. 이들을 어떻게 의미 있는 그룹으로 나눌 것인가?
각 그룹은 무엇을 원하는가? (최적화): 각 그룹에게 어떤 보상(게임 아이템, 추가 재화 등)을 제공해야 가장 효과적으로 게임에 더 오래 머물게 할 수 있는가?
보상을 정말 사용할 것인가? (예측): 최적의 보상을 제공했을 때, 사용자가 이를 무시하지 않고 실제로 사용할 확률은 얼마나 되는가? 이는 보상 시스템의 비용 효율성과 직접적으로 연결된다.

이 세 가지 질문에 대한 통합적인 해답을 찾아, 한정된 마케팅 및 운영 자원을 가장 효율적으로 사용하는 시스템을 구축하는 것이 이 연구의 핵심 목표다.

연구 모형

사용자 세분화(Clustering), 보상 할당 최적화(Optimization), 보상 사용 예측(Classification)이라는 세 가지 모델을 순차적으로 연결한 통합 데이터 전략 프레임워크를 제안했다.

이 연구의 모델은 단일 알고리즘이 아닌, 세 가지 분석 모델이 유기적으로 연결된 **통합 프레임워크(Integrated Framework)**다.

1단계: 사용자 세분화 (User Segmentation): 사용자의 인게임 행동 데이터(플레이 시간, 소비 금액, 활동 패턴 등)를 K-평균 군집분석(K-Means Clustering)과 같은 비지도 학습 모델에 입력하여, 유사한 행동 패턴을 보이는 사용자들을 몇 개의 핵심 페르소나(예: ‘고래’, ‘노력파’, ‘캐주얼 유저’)로 분류한다.
2단계: 보상 최적화 (Privilege Optimization): 각 세그먼트별로 여러 종류의 보상(Privilege)을 제공했을 때, 어떤 보상이 향후 사용자 참여도(예: 미래 플레이 시간)를 가장 크게 증가시키는지 시뮬레이션 또는 강화학습과 같은 최적화 기법을 통해 찾아낸다.
3단계: 행동 예측 (Redemption Prediction): 2단계에서 결정된 최적의 보상을 특정 사용자에게 제공하기 직전, 해당 사용자의 과거 데이터를 기반으로 그가 이 보상을 사용할지(Redeem) 안 할지를 예측하는 지도학습 분류 모델(예: 로지스틱 회귀, 의사결정나무)을 사용한다.

이 세 단계는 **’분류 → 최적화 → 예측’**으로 이어지는 폐쇄 루프(Closed-loop)를 형성하여, 데이터 기반 의사결정의 정확성과 효율성을 극대화한다.

데이터 설명

특정 P2E 게임의 서버 로그 데이터를 활용했으며, 여기에는 사용자의 접속 기록, 플레이 시간, 아이템 구매 및 사용, 재화 획득 및 소비 등 상세한 인게임 행동 데이터가 포함된다.

출처: 논문에 구체적인 게임명은 명시되지 않았으나, 상용 P2E 게임 개발사와의 협력을 통해 실제 운영 중인 게임의 내부 서버 데이터를 제공받아 분석했을 것으로 추정된다.
온체인 여부: 데이터의 주된 출처는 게임 서버 로그이므로 오프체인(Off-chain) 데이터에 해당한다. 다만, 게임 내 재화(토큰)나 아이템(NFT)의 최종 소유권 및 거래 기록은 블록체인 상의 온체인 데이터와 연결될 수 있다.
데이터 변수 설명: 이 연구는 사용자의 행동을 다각적으로 파악하기 위해 다음과 같은 변수들을 활용한다.
- 사용자 기본 정보: UserID, 가입일, 최종 접속일, 레벨 등.
- 인게임 행동 변수 (Segmentation & Prediction Features):
  - 참여도 지표: 총 플레이 시간, 일일 평균 접속 횟수, 세션 당 평균 플레이 시간.
  - 소비 지표: 유료 아이템 총 구매 금액, 게임 내 재화 소비량, 거래소 이용 빈도.
  - 활동 지표: PVP(Player vs Player) 참여 횟수, 레이드 참여 횟수, 퀘스트 완료율.
- 보상 관련 변수 (Optimization & Prediction Features):
  - 제공된 보상 유형 및 수량: 시스템이 사용자에게 지급한 보상의 종류.
  - 보상 사용 여부 (Redemption Status): 3단계 예측 모델의 종속 변수(Target Variable).

데이터 분석

1단계로 K-평균 군집분석을 통해 사용자를 세분화하고, 2단계에서 각 세그먼트별로 보상에 따른 참여도 변화를 시뮬레이션하여 최적의 보상을 탐색했으며, 3단계에서는 사용자의 과거 행동 데이터로 보상 사용 여부를 예측하는 분류 모델을 학습시켰다.

이 연구의 분석은 세 가지 다른 방법론을 순차적으로 결합하여 수행되었다.

1단계 (세분화): K-평균 군집분석을 사용하여 플레이어들을 통계적으로 유의미한 몇 개의 그룹으로 나누었다. 각 그룹이 어떤 게임 플레이 스타일을 대표하는지 프로파일링하여 페르소나를 정의했다.
2단계 (최적화): 정의된 각 페르소나 그룹에 대해, 다양한 종류의 보상을 가상으로 지급했을 때 어떤 보상이 미래의 ‘총 플레이 시간’을 가장 많이 증가시키는지 시뮬레이션을 통해 분석했다. 이를 통해 각 그룹별 ‘최적 보상’을 찾아냈다.
3단계 (예측): 사용자의 과거 행동 패턴(예: 과거 보상 사용 이력, 플레이 스타일)을 독립 변수로, ‘이번에 제공된 보상을 사용할 것인가?’를 종속 변수로 하여 로지스틱 회귀나 랜덤 포레스트와 같은 분류 모델을 학습시키고 성능을 평가했다.

핵심 결과

사용자 행동 데이터 기반의 세분화는 효과적이었으며, 세그먼트별로 최적화된 보상을 제공하는 전략이 일괄적인 보상 정책보다 사용자 참여도를 월등히 높이는 것으로 나타났다.

연구 결과, 제안된 통합 프레임워크는 P2E 게임의 사용자 참여도를 높이는 데 매우 효과적임을 증명했다. 특히, 각 세그먼트의 특성에 맞춰 차별화된 보상을 제공하는 전략은 모든 사용자에게 동일한 보상을 주는 것보다 훨씬 높은 ROI(투자수익률)를 보였다. 예를 들어, ‘고래(Whale, 고액 결제 유저)’ 세그먼트는 과시할 수 있는 희귀 아이템에, ‘노력파(Grinder, 장시간 플레이 유저)’ 세그먼트는 시간 효율을 높여주는 부스트 아이템에 더 긍정적으로 반응했다. 또한, 보상 사용 예측 모델은 자원 낭비를 줄이는 데 기여할 수 있음을 보여주었다. 이는 데이터 기반의 정교한 CRM 전략이 Web3 서비스의 핵심 경쟁력이 될 수 있음을 시사한다.

시사점

효과적인 Web3 CRM은 단순히 고객을 분류하는 것을 넘어, ‘분류 → 최적화 → 예측’으로 이어지는 역동적인 폐쇄 루프(Closed-loop) 시스템으로 설계되어야 한다.

이 논문은 Web3 시대의 CRM이 나아가야 할 방향을 제시한다. 이제 CRM은 정적인 고객 목록을 관리하는 것을 넘어, 살아있는 유기체처럼 지속적으로 학습하고 발전하는 시스템이 되어야 한다. 즉, 사용자를 분류하고(Segmentation), 그들에게 최적의 경험을 제공하며(Optimization), 그들의 반응을 예측하고(Prediction), 그 결과를 다시 학습하여 다음 전략을 개선하는 **’학습과 피드백의 순환 고리’**를 만드는 것이 핵심이다. 이러한 폐쇄 루프 시스템은 사용자에게는 높은 만족도를, 프로젝트에게는 높은 참여도와 지속 가능성을 제공하는 강력한 엔진이 될 것이다.

인사이트

고객을 이해하는 것을 넘어, 고객의 행동을 ‘설계’하라.

AI/빅데이터 마케터에게 이 논문은 데이터 분석의 역할을 수동적인 ‘해석’에서 능동적인 ‘설계’로 격상시킨다. 기술적 분석 결과를 즉시 활용 가능한 페르소나와 CRM 액션으로 변환하면 다음과 같다.

Web3 게임 페르소나 예시: ‘근면한 농부 (Grinder)’
- 정의: 하루 평균 4시간 이상 게임에 접속하지만, 유료 결제는 거의 하지 않고 오직 시간과 노력을 투입해 게임 내 재화를 획득하는 사용자. 이들은 DAU(일일 활성 사용자) 지표에 크게 기여하는 핵심 그룹이다.
- 니즈: 이들의 가장 큰 고통은 ‘시간 부족’과 ‘반복 작업’이다. 따라서 이들에게는 강력한 유료 아이템보다, 이들의 노력을 더 가치 있게 만들어주는 시간 효율성 증대 아이템이 훨씬 매력적이다.
실질적인 마케팅 액션 (인게임 CRM)
1. 동적 보상 시스템: ‘근면한 농부’ 세그먼트로 분류된 사용자가 로그인하면, ’30분간 재화 획득량 2배’ 부스트 아이템을 자동으로 제공한다. 반면, ‘고래’ 세그먼트에게는 그들의 지위를 상징하는 한정판 스킨 구매 기회를 우선적으로 제공한다.
2. 예측 기반 인센티브 관리: 특정 보상에 대한 사용 예측 확률이 50% 미만인 사용자에게는 해당 보상을 직접 지급하는 대신, “친구를 초대하면 더 좋은 보상을 드려요!”와 같이 다른 행동을 유도하는 퀘스트를 제공하여 비용 효율성을 높인다.
3. 최적화 기반 A/B 테스트: ‘근면한 농부’ 그룹 내에서도 A그룹에게는 ‘재화 획득량 2배’ 부스트를, B그룹에게는 ‘아이템 강화 확률 10% 증가’ 부스트를 제공한다. 2주 후, 어떤 그룹의 ‘주간 잔존율(Weekly Retention Rate)’이 더 높은지를 분석하여, 이 세그먼트를 위한 최적의 인센티브를 지속적으로 찾아내고 시스템을 업데이트한다.