[논문 Review] 온라인 게임의 주간 플레이어 인구 패턴 1

1. Intro

2018년 기준, 전 세계 게임 플레이어 수는 23억 명 이상이 될 정도로 게임 산업이 성장했다. 해당 논문은 플레이어의 행동을 바탕으로 1주일이라는 프레임 내에서의 게임 플레이어 수의 변동 패턴에 대한 내용을 다뤘다.

 

2. 관련 선행 연구

1) 플레이어의 행동을 기반으로 한 다른 플레이어의 행동 프로파일링

2) 시계열 클러스터링을 사용하여 게임 이벤트와 플레이어의 구매 행동 중 다양한 게임 활동 패턴 발견

3) 게임 플레이 시간과 게임 특성에 따라 6개 그룹의 게이머 프로필 식별

이 외에도, 원격 측정을 사용하여 플레이어의 여러 행동 패턴을 연구한 사례 등 다양한 선행 연구가 있다. 그러나 주간 패턴이나 일반적인 플레이어의 변동 패턴에 대해 다룬 사례가 많지는 않다. 그렇기에 해당 연구에서는 게임 사이의 주별 플레이어의 패턴을 발견하는 것에 초점을 두었다.

 

3. 데이터 수집 및 전처리

2017년 12월 14일 ~ 2018년 6월 13일의 Steam 내 2000개 애플리케이션의 인구 데이터를 바탕으로 연구를 진행했다. 이 중 평균 플레이어 수가 많은 게임을 선택하기 위해 SteamDB를 사용해서 1963개의 게임으로 축소했다. 여기서, 982개의 게임은 5분 간격(5mData)으로, 나머지 981개의 게임은 1시간 간격(60mData)으로 나눠서 게임 인구 데이터를 수집했다.

모집단 시계열의 기본 패턴을 더욱 강조하기 위해 중앙값 필터링 데이터 평활 절차를 적용했다. 중앙값 필터링이란 데이터 점을 인접한 데이터 점의 중앙값으로 대체하는 것이다.

중앙값 필터링 예시

또한, 각 게임마다 SteamSpy API를 사용하여 Steam에서 가장 많이 사용된 태그 20개를 추출(2018년 10월 1일 기준)하고. 게임에 대한 연령 제한은 수동으로 수집했다.

 

4. 주간 계절성 탐지

자기상관을 사용하여 주간 계절성을 나타내는 게임을 식별하는 부분이다. 자기상관은 지연 시간에 대한 상관관계로, 계절성이 있다면 계절적 시차의 자기상관 값은 인접 시차와 비교하여 높은 양수의 값이 나타난다.

주간 계절성을 나타내는 게임을 찾기 위해, 5mData와 60mData가 각각 180의 시차를 두고 2030의 시차까지 게임별 자기상관 값을 계산한다. 이후, 각 게임에서 최대 자기상관 값에 해당하는 지연 시간을 식별 후 제거한다. 마지막으로 매 주마다 계절성을 나타내는 게임을 찾아낸다. 게임 플레이어는 전 세계 어디서든 존재하기에, 시간대 차이가 일부 왜곡을 초래할 수는 있다. 확인 결과, 5mData에서는 지연 범위가 2016 7, 60mData에서는 168 3에서 주간 계절성이 나타나는 게임이 많았다.

 

1) 추세 제거

정확한 계절성을 파악하기 전에 추세를 제거했다. 추세를 제거하면 모집단 시계열의 해당 지점에서 다음과 같은 fitted 추세 함수로 계산한 값이 사라진다.

- 선형 추세 제거

- 다항식 추세 제거: 8차 다항식 함수는 선형 함수에 의해 보이지 않는 일부 시계열의 작은 트렌드를 찾는 데 사용된다.

- 조각별 선형 추세 제거: 불규칙한 플레이어 인구 변동으로 인해 발생하는 작은 추세를 제거하는 용도로, Matlab에서 이를 적용한 결과는 다음과 같다.

조각별 선형 추세 제거 전 / 후

 

2) 주간 계절성 탐지 결과

다음은, 1963개의 게임 중 6개월간의 모집단 시계열의 원시 데이터와 추세 제거 데이터에 자기 상관 기반 계절성 감지를 적용하여 주간 계절성을 표시하는 게임 수를 기록한 것이다.

NoTrendRem	Linear	Polynomial	Piecewise
649	668	861	1508

추세 제거 프로세스를 개선할 때마다 계절성을 띄는 게임이 더 많이 식별되었다. 추세 제거 프로세스 없이 있는 데이터를 그대로 사용한 NoTrendRem의 결과와 단일 선형 추세를 제거하는 Linear의 결과의 차이는 매우 유의하지 않다. 한편, 조각별 선형 추세 제거 기술을 사용한 Piecewise에서는 77%의 게임이 계절성이 드러난다고 식별되었다. 다만, 이 결과는 게임마다 플레이어 인구가 어떻게 변동하는지에 대해 주간 패턴이 나타난다는 의미일 뿐이지, 모든 게임이 같은 주간별 패턴을 갖거나 다양한 패턴을 가지는가를 나타내는 것은 아니다. 플레이어 모집단의 변화와 관련하여 게임이 보여주는 주간 패턴의 차이점/비슷한 부분을 살펴보는 것이 해당 논문의 주요 관심사다.

 

Reference

D. Vihanga, M. Barlow, E. Lakshika and K. Kasmarik, "Weekly Seasonal Player Population Patterns in Online Games: A Time Series Clustering Approach," 2019 IEEE Conference on Games (CoG), London, UK, 2019, pp. 1-8, doi: 10.1109/CIG.2019.8848108.