KR102010031B1 - 게임 지표 정보 예측 방법 및 장치 - Google Patents

게임 지표 정보 예측 방법 및 장치 Download PDF

Info

Publication number
KR102010031B1
KR102010031B1 KR1020180159804A KR20180159804A KR102010031B1 KR 102010031 B1 KR102010031 B1 KR 102010031B1 KR 1020180159804 A KR1020180159804 A KR 1020180159804A KR 20180159804 A KR20180159804 A KR 20180159804A KR 102010031 B1 KR102010031 B1 KR 102010031B1
Authority
KR
South Korea
Prior art keywords
game
target
predicting
prediction model
information
Prior art date
Application number
KR1020180159804A
Other languages
English (en)
Inventor
김경호
석영민
이기훈
Original Assignee
넷마블 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 넷마블 주식회사 filed Critical 넷마블 주식회사
Priority to KR1020180159804A priority Critical patent/KR102010031B1/ko
Application granted granted Critical
Publication of KR102010031B1 publication Critical patent/KR102010031B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

게임 지표 정보 예측 방법 및 장치가 개시된다. 게임 지표 정보 예측 방법은 복수의 게임들의 로그 데이터에 기초하여 통계 데이터를 생성하는 단계, 통계 데이터에 기초하여 예측 모델을 학습시키기 위한 학습 데이터를 생성하는 단계, 학습 데이터를 이용하여 예측 모델을 학습시키는 단계, 및 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함한다.

Description

게임 지표 정보 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING GAME INDICATOR INFORMATION}
아래 실시예들은 게임 지표 정보를 예측하는 기술에 관한 것이다.
게임 지표 정보를 예측하는 것은 모든 게임 기업의 주요한 사항이다. 예를 들어, 매출, 게임 유저 수와 같은 게임 지표 정보를 예측하는 것은 기업의 입장에서 중요한 문제이다. 이러한 게임 지표 정보를 예측하는 것은 어떠한 전략을 수립할 것인지에 대한 해법의 단서가 될 수 있다.
예를 들어, 일반적인 매출 예측 방식의 경우, 인문사회적 통계 및 통계적 기법에 의해서 매출을 추정하는 과정으로 진행된다. 이는 과거의 정보에 기초하여 현재를 진단하는 방법으로서 효율적인 방법인 것처럼 보이지만, 어떠한 전략으로 미래의 매출 목표를 준비해야 하는지에 대한 해법이 명확하게 제시되지 못하기 때문에 실질적인 적용에는 한계가 있다. 통계적 설명력이 높다고 하더라도 기업들의 현장 업무에서 제대로 활용할 수 없는 문제점이 있다.
따라서, 위와 같은 문제점을 해결하고 게임 지표 정보를 정확하고 효과적으로 예측할 수 있는 기술적 수단의 개발이 요구되는 실정이다.
국제출원 국제공개번호 제WO 2017/200234호
일 실시예에 따른 게임 지표 정보 예측 방법은, 복수의 게임들의 로그 데이터에 기초하여 통계 데이터를 생성하는 단계; 상기 통계 데이터에 기초하여 예측 모델을 학습시키기 위한 학습 데이터를 생성하는 단계; 상기 학습 데이터를 이용하여 상기 예측 모델을 학습시키는 단계; 및 상기 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함할 수 있다.
상기 통계 데이터를 생성하는 단계는, 상기 복수의 게임들을 게임 장르별로 분류하는 단계; 및 상기 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성하는 단계를 포함할 수 있다.
상기 예측 모델을 학습시키는 단계는, 상기 통계 데이터에 기초하여 상기 통계 데이터에 대응하는 게임 장르의 예측 모델을 학습시키는 단계를 포함할 수 있다.
상기 예측 모델은, 상기 타겟 게임의 게임 플레이 유저 수를 예측하기 위한 예측 모델 및 상기 타겟 게임의 일 매출을 예측하기 위한 모델을 포함할 수 있다.
상기 로그 데이터는, 접속 정보, 결제 정보, 상품 정보, 이벤트 정보 및 점검 정보 중 적어도 하나를 포함할 수 있다.
상기 타겟 게임의 게임 지표 정보를 예측하는 단계는, 상기 예측 모델을 통해 N일 이후의 상기 타겟 게임의 게임 플레이 유저 수와 상기 타겟 게임의 일 매출을 예측하는 단계를 포함할 수 있고, 상기 N은, 2 이상의 자연수일 수 있다.
상기 타겟 게임의 게임 지표 정보를 예측하는 단계는, 기초 범용 통계 데이터 및 게임 상태 통계 데이터 중 적어도 하나를 입력으로 하는 상기 학습된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함할 수 있다.
상기 타겟 게임의 게임 지표 정보를 예측하는 단계는, 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함할 수 있다.
상기 타겟 게임의 게임 지표 정보를 예측하는 단계는, 상기 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하는 단계; 상기 계산된 유사도 또는 사용자의 선택에 기초하여 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택하는 단계; 및 상기 선택된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함할 수 있다.
상기 유사도를 계산하는 단계는, 상기 타겟 게임의 게임 장르, 상기 타겟 게임의 이전 게임 플레이 유저 수, 상기 타겟 게임의 이전 매출 정보 및 상기 타겟 게임의 이전 게임 지표 중 적어도 하나에 기초하여 상기 유사도를 계산하는 단계를 포함할 수 있다.
상기 예측 모델은, 선형 회귀 모델, 뉴럴 네트워크 및 장단기 메모리 방식의 순환 신경망 중 적어도 하나에 기초할 수 있다.
다른 실시예에 따른 게임 지표 정보 예측 방법은, 복수의 게임들에 대한 로그 데이터를 게임 장르별로 분류하는 단계; 상기 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성하는 단계; 상기 통계 데이터에 기초하여 게임 지표 정보를 예측하는 예측 모델을 학습시키는 단계; 및 상기 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함할 수 있다.
일 실시예에 따른 게임 지표 정보 예측 장치는, 메모리 및 프로세서를 포함하고, 상기 메모리는 상기 프로세서에 의해 실행 가능한 인스트럭션들을 저장하고, 상기 인스트럭션들이 상기 프로세서에 의해 실행될 때, 상기 프로세서는, 복수의 게임들의 로그 데이터에 기초하여 통계 데이터를 생성하고, 상기 통계 데이터에 기초하여 예측 모델을 학습시키기 위한 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 상기 예측 모델을 학습시키고, 상기 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측할 수 있다.
상기 프로세서는, 상기 복수의 게임들을 게임 장르별로 분류하고, 상기 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성할 수 있다.
상기 프로세서는, 상기 통계 데이터에 기초하여 상기 통계 데이터에 대응하는 게임 장르의 예측 모델을 학습시킬 수 있다.
상기 예측 모델은, 상기 타겟 게임의 게임 플레이 유저 수를 예측하기 위한 예측 모델 및 상기 타겟 게임의 일 매출을 예측하기 위한 모델을 포함할 수 있다.
상기 프로세서는, 상기 예측 모델을 통해 N일 이후의 상기 타겟 게임의 게임 플레이 유저 수와 상기 타겟 게임의 일 매출을 예측하고, 상기 N은, 2 이상의 자연수일 수 있다.
상기 프로세서는, 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측할 수 있다.
상기 프로세서는, 상기 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하고, 상기 계산된 유사도 또는 사용자의 선택에 기초하여 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택하고, 상기 선택된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측할 수 있다.
다른 실시예에 따른 게임 지표 정보 예측 장치는, 메모리 및 프로세서를 포함하고, 상기 메모리는 상기 프로세서에 의해 실행 가능한 인스트럭션들을 저장하고, 상기 인스트럭션들이 상기 프로세서에 의해 실행될 때, 상기 프로세서는, 복수의 게임들에 대한 로그 데이터를 게임 장르별로 분류하고, 상기 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성하고, 상기 통계 데이터에 기초하여 게임 지표 정보를 예측하는 예측 모델을 학습시키고, 상기 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측할 수 있다.
상기 프로세서는, 상기 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하고, 상기 계산된 유사도 또는 사용자의 선택에 기초하여 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택하고, 상기 선택된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측할 수 있다.
일 실시예에 따르면, 새로운 게임이 런칭(launching)되었을 때, 해당 게임에 대응하는 게임 지표 정보가 충분하지 않은 콜드 스타트의 경우에도, 게임과 관련된 게임 지표 정보를 정확하고 효과적으로 예측할 수 있다.
일 실시예에 따르면, 게임 지표 정보 예측 방법을 통해 예측된 게임 지표 정보에 기초하여 게임의 런칭 초반에도 게임의 미래 게임 지표 정보를 예측하여 게임 운영에 대한 신속한 의사 판단을 지원할 수 있다.
일 실시예에 따르면, 게임의 운영자가 게임의 업데이트 또는 이벤트를 기획할 때, 게임이 업데이트되거나 게임의 이벤트가 실시되었을 경우에 따른 게임 지표 정보를 게임 지표 정보 예측 방법을 통해 미리 예측하여 게임의 업데이트 또는 이벤트를 통한 예상 효과를 미리 예측해 볼 수 있고, 예측 결과에 따라 게임에 대한 운영 전략을 수립할 수 있다.
도 1은 일 실시예에 따른 게임 시스템의 개요를 제공하는 도면이다.
도 2는 일 실시예에 따른 게임 지표 정보 예측 방법의 동작을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 게임 지표 정보의 예측 모델을 학습시키는 과정의 일례를 설명하기 위한 도면이다.
도 4은 일 실시예에 따른 게임의 게임 지표 정보 예측 모델이 N(N은 자연수)일 이후의 게임의 게임 지표 정보를 예측하는 과정의 일례를 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따른 게임 장르별 통합 예측 모델을 통해 타겟 게임의 게임 지표 정보를 예측하는 과정의 일례를 설명하기 위한 도면이다.
도 6는 일 실시예에 따른 게임 별 예측 모델을 통해 타겟 게임의 게임 지표 정보를 예측하는 과정의 일례를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 게임 지표 정보 예측 장치의 구성을 도시하는 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 게임 시스템의 개요를 제공하는 도면이다.
도 1을 참조하면, 게임 시스템(100)은 게임 서버(110)를 통해 복수의 사용자 단말(130)들에 게임 서비스를 제공한다. 게임 시스템(100)은 게임 서버(110), 네트워크(120), 복수의 사용자 단말(130)들을 포함하고, 게임 서버(110)와 복수의 사용자 단말(130)들은 네트워크(120)(예를 들어, 인터넷 통신망, 유무선의 근거리 통신망 또는 광역 데이터 통신망 등)를 통해 서로 통신할 수 있다.
서버(110)는 게임 프로그램의 실행을 위해 접속을 요청한 사용자 단말(130)에 대한 인증 절차를 수행하고, 인증이 완료된 사용자 단말(130)에 게임 서비스를 제공할 수 있다.
게임을 플레이하고자 하는 사용자는 사용자 단말(130)에 설치된 게임 어플리케이션(또는 게임 프로그램)을 실행하고, 서버(110)에 접속을 요청한다. 사용자 단말(130)은 온라인 접속을 통해 사용자의 게임 접속을 가능하게 하는 컴퓨팅 장치로서, 예를 들어 셀룰러 폰, 스마트 폰, 퍼스널 컴퓨터, 랩탑, 노트북, 넷북, 태블릿 또는 휴대 정보 단말기(personal digital assistant; PDA)일 수 있다.
게임 서버(110)는 게임 지표 정보 예측 장치를 포함할 수 있고, 네트워크(120)를 통해 사용자 단말(130)로부터 게임 지표를 예측하기 위한 정보를 수집할 수 있다. 게임 지표를 예측하기 위한 정보는, 예를 들어 각 사용자의 게임 지표를 예측하고자 하는 게임(타겟 게임)과 관련한 접속 정보, 결제 정보, 상품 정보, 이벤트 정보, 점검 정보 등을 포함할 수 있다. 일 실시예에서, 게임 서버(110)는 복수의 게임들의 로그 데이터를 사용자 단말(130)로부터 수집하여 복수의 게임들에 대한 로그 데이터를 게임 장르별로 분류할 수 있다. 게임 서버(110)는 분류 결과인 게임 장르별로 분류된 로그 데이터를 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성할 수 있다.
게임 서버(110)는 각 게임 장르에 대응하는 통계 데이터에 기초하여 통계 데이터에 대응하는 게임 장르의 예측 모델을 학습시키기 위한 학습 데이터를 생성할 수 있다. 또한, 게임 서버(110)는 학습 데이터에 기초하여 학습 데이터에 대응하는 게임 장르의 예측 모델을 학습시킬 수 있다. 여기서, 예측 모델은 게임 지표 정보를 예측하고자 하는 타겟 게임의 게임 플레이 유저 수를 예측하기 위한 예측 모델 및 타겟 게임의 일 매출을 측정하기 위한 예측 모델을 포함할 수 있다.
일 실시예에서, 예측 모델의 형태는 선형 회귀 모델(linear regression), 뉴럴 네트워크(neural network, NN) 및 장단기 메모리 방식의 순환 신경망(long short-term memory, LSTM) 중 적어도 하나일 수 있다. 예를 들어, 게임 서버가 예측 모델을 학습시키는 방법으로 뉴럴 네트워크를 활용한 경우, 게임 서버는 X(자연수, 예를 들어 7일, 30일 등)일 치의 학습 데이터를 입력하여 선형 회귀 뉴럴 네트워크 모델을 통해 예측 모델을 학습시킬 수 있다. 또한, 게임 서버는 일정 기간 타겟 게임의 게임 지표 정보에 영향을 줄 수 있는 마케팅 효과 및 이벤트 효과를 예측하는 경우, 예측 모델을 학습시키는 방법으로 장단기 메모리 방식의 순환 신경망을 활용할 수 있다. 이 경우, 장단기 메모리 방식의 순환 신경망은 시계열 예측 모델을 기반으로 하는 선형 회귀 모델을 활용할 수 있다. 여기서, 시계열은 시간의 경과에 따라 연속적으로 관측된 관측 값의 계열을 의미하고, 시계열 예측은 주어진 시계열을 보고 수학적인 모델을 만들어서 미래에 일어날 것들을 예측하는 예측 방법이다.
게임 서버(110)는 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측할 수 있다. 예측 모델을 이용하여 예측할 수 있는 타겟 게임의 게임 지표 정보에는 타겟 게임의 게임 플레이 유저 수 및 일 매출이 포함될 수 있다. 일 실시예에서, 학습된 예측 모델은 기초 범용 통계 데이터 및 게임 상태 통계 데이터 등을 입력으로 하여 타겟 게임의 게임 지표 정보를 예측할 수 있다.
위와 같은 본 발명은 타겟 게임이 런칭 되었을 때, 타겟 게임에 대응하는 게임 지표 정보가 충분하지 않아 타겟 게임과 관련한 게임 지표 정보를 예측하기 어려운 콜드 스타트의 문제를 해결할 수 있는 효과를 가진다. 게임 지표 정보 예측 방법을 통해 예측된 게임 지표 정보에 기초하여 타겟 게임의 런칭 초반에도 타겟 게임의 미래 게임 지표 정보를 예측할 수 있다. 예측된 게임 지표 정보는 타겟 게임 운영에 대한 신속한 의사 판단을 지원할 수 있다. 게임 서버(110)는 복수의 게임들의 통계 데이터를 게임 장르별로 분류하여 예측 모델을 생성할 수 있어, 보다 다양한 예측 모델을 생성할 수 있다.
또한, 타겟 게임의 개발사가 타겟 게임의 업데이트 및 이벤트와 같은 게임 운영과 관련된 액션을 취할 때, 게임 서버(110)는 액션에 따른 게임의 게임 플레이 유저 수, 게임의 일 매출, 비즈니스 정보(business information, BI) 지표를 비롯한 게임 지표 정보를 예측할 수 있다. 이를 통해 타겟 게임의 개발사는 타겟 게임의 운영과 관련된 액션을 통한 예상 효과를 미리 예측할 수 있다. 뿐만 아니라, 타겟 게임의 개발사는 예측한 효과에 따라 게임에 대한 운영 준비를 할 수 있고, 예측한 정보를 제공함으로써, 게임의 사업부나 개발사의 핵심 성과 지표(key performance indicator, KPI) 선정에도 도움이 될 수 있다.
이하에서는, 도면들을 참조하여 게임 지표 정보 예측 방법을 보다 자세히 설명한다.
도 2는 일 실시예에 따른 게임 지표 정보 예측 방법의 동작을 설명하기 위한 흐름도이다. 게임 지표 정보 예측 방법은 본 명세서에서 설명되는 게임 지표 정보 예측 장치에 의해 수행될 수 있다.
도 2를 참조하면, 단계(210)에서 게임 지표 정보 예측 장치는 복수의 게임들의 로그 데이터에 기초하여 통계 데이터를 생성할 수 있다. 여기서, 로그 데이터는 게임의 접속 정보, 결제 정보, 상품 정보, 이벤트 정보 및 점검 정보 등이 될 수 있다. 게임 지표 정보 예측 장치는 복수의 게임들의 로그 데이터를 사용자 단말로부터 수집하여 복수의 게임들의 로그 데이터를 게임 장르별로 분류할 수 있다. 게임 지표 정보 예측 장치는 게임 장르별로 분류된 로그 데이터를 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성할 수 있다.
단계(220)에서 게임 지표 정보 예측 장치는 각 게임 장르에 대응하는 통계 데이터에 기초하여 통계 데이터에 대응하는 게임 장르의 예측 모델을 학습시키기 위한 학습 데이터를 생성할 수 있다.
단계(230)에서 게임 지표 정보 예측 장치는 학습 데이터에 기초하여 학습 데이터에 대응하는 게임 장르의 예측 모델을 학습시킬 수 있다. 여기서, 예측 모델은 게임 지표 정보를 예측하고자 하는 타겟 게임의 게임 플레이 유저 수를 예측하기 위한 예측 모델 및 타겟 게임의 일 매출을 측정하기 위한 예측 모델을 포함할 수 있다.
일 실시예에서, 예측 모델은 선형 회귀 모델(linear regression), 뉴럴 네트워크(neural network, NN) 및 장단기 메모리 방식의 순환 신경망(long short-term memory, LSTM) 중 적어도 하나에 기초하여 학습될 수 있다. 예를 들어, 게임 지표 정보 예측 장치가 예측 모델을 학습시키는 방법으로 뉴럴 네트워크를 활용한 경우, 게임 지표 정보 예측 장치는 X(자연수, 예를 들어 7일, 30일 등)일 치의 학습 데이터를 입력하여 선형 회귀 뉴럴 네트워크 모델을 통해 예측 모델을 학습시킬 수 있다. 또한, 게임 지표 정보 예측 장치는 일정 기간 타겟 게임의 게임 지표 정보에 영향을 줄 수 있는 마케팅 효과 및 이벤트 효과를 예측하는 경우, 예측 모델을 학습시키는 방법으로 장단기 메모리 방식의 순환 신경망을 활용할 수 있다. 이 경우, 장단기 메모리 방식의 순환 신경망은 시계열 예측 모델을 기반으로 하는 선형 회귀 모델을 활용할 수 있다. 여기서, 시계열은 시간의 경과에 따라 연속적으로 관측된 관측 값의 계열을 의미하고, 시계열 예측은 주어진 시계열을 보고 수학적인 모델을 만들어서 미래에 일어날 것들을 예측하는 예측 방법이다.
단계(240)에서 게임 지표 정보 예측 장치는 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측할 수 있다. 예측 모델을 이용하여 예측할 수 있는 타겟 게임의 게임 지표 정보에는 타겟 게임의 게임 플레이 유저 수 및 일 매출이 포함될 수 있다. 일 실시예에서, 학습된 예측 모델은 기초 범용 통계 데이터 및 게임 상태 통계 데이터 등을 입력으로 하여 타겟 게임의 게임 지표 정보를 예측할 수 있다.
기초 범용 통계 데이터는, 예를 들어 예측 모델에 대응되는 게임과 관련한 집계일자의 결제 전환율, 집계일자의 가입자당 평균 매출, 집계일자의 결제자당 평균 매출, 집계일 포함 과거 X(자연수)일 동안의 평균 일일 플레이 유저 수, 집계일 포함 과거 X일 동안의 평균 일 매출, 집계일 포함 과거 X일 동안의 평균 일 결제 전환율, 집계일 포함 과거 X일 동안의 평균 일일 플레이 유저 수의 표준 편차 등을 포함할 수 있다. 또한, 게임 상태 통계 데이터는, 예를 들어 게임 코드, 게임 플레이 시간 평균, 게임 플레이 시간 표준편차, 유저 레벨 평균, 유저 레벨 표준편차, N(N은 자연수)일차 게임 재방문율, 집계일의 결제 상품의 업데이트 유무, 집계일의 결제상품의 업데이트 개수, 집계일의 점검여부, 집계일의 점검 시간 등을 포함할 수 있다.
게임 지표 정보 예측 장치는 타겟 게임의 게임 장르에 대응되는 예측 모델을 이용하여 N(N은 2 이상의 자연수)일 이후의 타겟 게임의 게임 플레이 유저 수 및 일 매출을 비롯한 게임 지표 정보를 예측할 수 있다. 게임 지표 정보 예측 장치는 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하여, 계산된 유사도 또는 사용자의 선택에 기초하여 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택할 수 있다. 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도는 타겟 게임과 복수의 서로 다른 게임들의 게임 장르, 이전 게임 플레이 유저 수, 이전 매출 정보 및 이전 게임 지표 등에 기초하여 계산할 수 있다.
도 3은 일 실시예에 따른 게임 지표 정보의 예측 모델을 학습시키는 과정의 일례를 설명하기 위한 도면이다.
도 3을 참조하면, 단계(320)에서 복수의 게임들의 로그 데이터(310)는 게임 장르별로, 혹은 게임별로 분류될 수 있다. 여기서, 로그 데이터는 게임의 접속 정보, 결제 정보, 상품 정보, 이벤트 정보 및 점검 정보 등이 될 수 있다. 단계(330)에서, 게임 지표 정보 예측 장치는 게임 장르별로, 혹은 게임별로 분류된 로그 데이터에 기초하여 각 게임 장르 혹은 게임에 대응하는 통계 데이터를 생성할 수 있다. 단계(340)에서, 게임 지표 정보 예측 장치는 각 게임 장르 혹은 게임에 대응하는 통계 데이터에 기초하여 통계 데이터에 대응하는 게임 장르 혹은 게임의 예측 모델을 학습시키기 위한 학습 데이터를 생성할 수 있다.
단계(350)에서, 게임 지표 정보 예측 장치는 단계(340)에서 생성된 학습 데이터에 기초하여 예측 모델을 생성할 수 있다. 일 실시예에서, 게임 지표 정보 예측 장치는 게임 지표 정보를 예측하고자 하는 타겟 게임의 게임 플레이 유저 수를 예측하기 위한 제1 예측 모델 및 타겟 게임의 일 매출을 측정하기 위한 제2 예측 모델을 생성할 수 있다. 제1 예측 모델 및 제2 예측 모델은 각각 선형 회귀 모델(linear regression), 뉴럴 네트워크(neural network, NN) 및 장단기 메모리 방식의 순환 신경망(long short-term memory, LSTM) 중 적어도 하나의 형태를 가지고, 학습 데이터에 기초하여 학습될 수 있다.
도 4는 일 실시예에 따른 게임의 게임 지표 정보 예측 모델이 N(N은 자연수)일 이후의 게임의 게임 지표 정보를 예측하는 과정의 일례를 설명하기 위한 흐름도이다. 본 실시예에서 수행되는 게임 지표 정보의 예측 과정은 게임 지표 정보 예측 장치에 의해 수행될 수 있다.
도 4를 참조하면, 단계(410)에서 게임 지표 정보 예측 장치는 예측하고자 하는 기간을 의미하는 자연수 형태의 입력 값 D를 입력 받을 수 있다. 또한, 입력 받은 예측 기간에 대한 타겟 게임의 게임 지표 정보를 반복적으로 예측하는 과정에서 활용될 변수 N이 존재할 수 있다. 변수 N은 초기값이 1인 자연수로서 일차를 의미한다. 타겟 게임의 게임 지표 정보 예측 값이 저장된 후에 변수 N에 자연수 1이 더해지는 반복적인 과정이 수행될 수 있고, 변수 N의 값이 입력 값 D와 동일한 경우, 이 과정이 멈출 수 있다.
단계(420)에서, 타겟 게임의 게임 플레이 유저 수 및 일 매출을 예측하는 예측 모델이 존재할 수 있고, 단계(430)에서, N일차에 대응되는 게임 플레이 유저 수 및 일 매출에 대한 예측 값이 산출되어 저장될 수 있다. 단계(440)에서, 게임 지표 정보 예측 장치는 입력 값 D와 변수 N의 값이 동일한지 여부를 확인할 수 있다. 입력 값 D와 변수 N의 값이 동일하지 않다면 단계(460)을 통해 변수 N의 값은 N+1로 업데이트되어 업데이트된 변수 N에 대응하는 N일차 게임 플레이 유저 수 및 일 매출에 대한 예측 값을 구하는 과정이 반복될 수 있다. 이 과정에서, N+1일차 게임 플레이 유저 수 및 일 매출에 대한 예측 값을 구하기 위해, N일차에 대한 예측 값이 다시 예측 모델의 입력 값으로 이용될 수 있다. N일차에 대한 예측 값이 입력된 예측 모델은 N+1일차에 대한 예측 값을 제공할 수 있다. 입력 값 D와 변수 N의 값이 동일하지 않다면 동일하다면, 단계(450)에서 게임 지표 정보 예측 장치는 D일 기간의 타겟 게임에 대한 게임 플레이 유저 수 및 일 매출에 대한 예측 정보를 제공받을 수 있다.
도 5는 일 실시예에 따른 게임 장르별 통합 예측 모델을 통해 타겟 게임의 게임 지표 정보를 예측하는 과정의 일례를 설명하기 위한 도면이다.
일 실시예에서, 게임 지표 정보 예측 장치는 게임 장르별로 분류된 A 게임과 B게임에 대한 통계 데이터(510)를 입력 값으로 하여 예측 모델을 학습시키기 위한 학습 데이터(520)을 생성할 수 있다. 게임 장르별로 분류된 게임은 통계 데이터(510)는 A 게임과 B 게임에 대응되는 각각의 과거 게임의 플레이 유저 수 혹은 일 매출 등을 비롯한 게임 지표 정보와 게임 로그 데이터에 기초하여 생성될 수 있다. 또한, DAU(Daily Active User)는 게임의 게임 플레이 유저 수를 의미할 수 있다. A 게임과 B 게임의 게임 지표 정보와 게임 로그 데이터는 각각의 게임에 따라 분류되는 기준이 되는 레이블을 가질 수 있다.
게임 지표 정보 예측 장치는 통계 데이터(510)에 기초하여 생성된 학습 데이터(520)를 이용하여 예측 모델(530)을 학습시킬 수 있다. 학습된 예측 모델(530)은 타겟 게임의 초반 게임 플레이 유저 수 및 일 매출을 비롯한 타겟 게임의 게임 지표 정보(550)를 예측 모델(530)의 입력 값으로 하여 타겟 게임에 대응되는 게임 지표 정보(540)의 예측 값을 산출할 수 있다. N(N은 자연수)일 후의 게임 지표 정보 예측 값은 예측 모델(530)이 게임 지표 정보(540)를 산출하는 과정을 N번 반복하는 것에 의해 산출될 수 있다.
도 6는 일 실시예에 따른 게임 별 예측 모델을 통해 타겟 게임의 게임 지표 정보를 예측하는 과정의 일례를 설명하기 위한 도면이다.
일 실시예에서, 게임 지표 정보 예측 장치는 각 게임마다 게임별로 분류된 통계 데이터(610)를 입력 값으로 하여 각 게임에 대응되는 예측 모델을 학습시키기 위한 학습 데이터(630)을 생성할 수 있다. 게임 별 통계 데이터(610)는 각 게임에 대응되는 과거 게임의 게임 플레이 유저 수 혹은 일 매출 등을 비롯한 게임 지표 정보와 게임 로그 데이터에 기초하여 생성될 수 있다. 또한, DAU는 게임의 게임 플레이 유저 수를 의미할 수 있다. 게임 지표 정보 예측 장치는 통계 데이터(610)에 기초하여 생성된 학습 데이터(630)를 이용하여 예측 모델(640)을 학습시킬 수 있다. 학습된 예측 모델(640)은 타겟 게임의 초반 게임 플레이 유저 수 및 일 매출을 비롯한 타겟 게임의 게임 지표 정보(620)를 예측 모델(640)의 입력 값으로 하여 타겟 게임에 대응되는 게임 지표 정보(650)의 예측 값을 산출할 수 있다.
일 실시예에 따르면, 서로 다른 게임이나 서로 다른 게임 장르에 대응하는 예측 모델들이 존재할 수 있다. 예를 들어, 예측 모델(640)는 C게임에 대응하는 예측 모델, D게임에 대응하는 예측 모델 및 E 게임에 대응하는 예측 모델을 포함할 수 있다. 여기서, 각각의 예측 모델들은 대응되는 게임의 통계 데이터에 기초하여 학습된 것일 수 있다. 게임 지표 정보 예측 장치는 타겟 게임의 게임 장르, DAU, 매출 변화 및 기타 게임 지표 값 등의 기록된 게임 지표 정보에 기초하여 타겟 게임과 각 게임들(C게임, D 게임, E 게임) 간의 유사도를 계산할 수 있다. 게임 지표 정보 예측 장치는 타겟 게임의 기록된 게임 지표 정보와 각 게임들(C 게임, D 게임, E 게임)의 기록된 게임 지표 정보 간의 비교 결과에 기초하여 유사도를 계산할 수 있다. 게임 지표 정보 예측 장치는, 계산된 유사도에 기초하여 C게임에 대응하는 예측 모델, D게임에 대응하는 예측 모델 및 E 게임에 대응하는 예측 모델 중에서, 타겟 게임의 예측 모델로서 적합한 예측 모델을 선택하고, 선택된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측할 수 있다. 일 예에서, 게임 지표 정보 예측 장치는 유사도가 가장 높은 예측 모델(예, E 게임에 대응하는 예측 모델)을 선택하고, 선택된 예측 모델에 타겟 게임의 게임 지표 정보(620)를 적용하여 타겟 게임의 게임 지표 정보 예측 값을 획득할 수 있다.
도 7은 일 실시예에 따른 게임 지표 정보 예측 장치의 구성을 도시하는 도면이다.
도 7을 참조하면, 게임 지표 정보 예측 장치(700)는 통신 인터페이스(710), 프로세서(720) 및 메모리(730)를 포함할 수 있다. 실시예에 따라, 게임 지표 정보 예측 장치(700)는 데이터베이스(740)를 더 포함할 수도 있다.
메모리(730)는 프로세서(720)에 연결되고, 프로세서(720)에 의해 실행가능한 인스트럭션들, 프로세서(720)가 연산할 데이터 또는 프로세서(720)에 의해 처리된 데이터를 저장할 수 있다. 메모리(730)는, 예를 들어 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.
통신 인터페이스(710)는 외부 장치(예를 들어, 사용자의 단말 및/또는 게임 서버)와 통신하기 위한 인터페이스를 제공한다. 통신 인터페이스(710)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.
데이터베이스(740)는 게임 지표 정보 예측 장치(700)가 동작하는데 필요한 데이터를 저장할 수 있다. 예를 들어, 데이터베이스(740)는 복수의 게임들의 로그 데이터, 게임 장르별로 분류된 로그 데이터, 기초 범용 통계 데이터 및 게임 상태 통계 데이터 등의 통계 데이터, 학습 데이터 및 예측된 게임 지표 정보를 저장할 수 있다.
프로세서(720)는 게임 지표 정보 예측 장치(700) 내에서 실행하기 위한 기능 및 인스트럭션들을 실행하고, 게임 지표 정보 예측 장치(700)의 전체적인 동작을 제어한다. 프로세서(720)는 도 1 내지 도 6에서 설명된 게임 지표 정보 예측 장치 (700)의 동작과 관련된 하나 이상의 동작을 수행할 수 있다.
예를 들어, 프로세서(720)는 통신 인터페이스(710)를 통해 사용자 단말로부터 복수의 게임들에 대한 로그 데이터를 수집할 수 있고, 수집한 로그 데이터에 기초하여 통계 데이터를 생성할 수 있다. 프로세서(720)는 복수의 게임들을 게임 장르별로 분류하고, 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성할 수 있다.
프로세서(720)는 생성된 통계 데이터에 기초하여 예측 모델을 학습시키기 위한 학습 데이터를 생성하여, 생성된 학습 데이터를 이용하여 예측 모델을 학습시킬 수 있다. 일 실시예에서 프로세서(720)는 통계 데이터에 기초하여 상기 통계 데이터에 대응하는 게임 장르의 예측 모델을 학습시킬 수 있다. 프로세서(720)는 복수의 게임들에 대한 로그 데이터를 게임 장르별로 분류하고, 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성한 후 통계 데이터에 기초하여 게임 지표 정보를 예측하는 예측 모델을 학습시킬 수 있다.
프로세서(720)는 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측할 수 있다. 일 실시예에서, 프로세서(720)는 타겟 게임의 게임 장르에 대응되는 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측할 수 있다. 예를 들어, 프로세서(720)는 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하고, 계산된 유사도 또는 사용자의 선택에 기초하여 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택할 수 있다. 프로세서(720)는 선택된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측할 수 있다.
다른 실시예에서, 프로세서(720)는 예측 모델을 통해 N(2 이상의 자연수)일 이후의 타겟 게임의 게임 플레이 유저 수와 타겟 게임의 일 매출을 예측할 수도 있다. 프로세서(720)는 예측 모델의 출력 데이터에 기반하여 구성된 입력 데이터를 다시 예측 모델에 인가하여 출력 데이터를 획득하는 과정을 반복적으로 수행함으로써 여러 날 이후의 게임 지표 정보도 예측할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (26)

  1. 게임 지표 정보 예측 장치에 의해 수행되는 게임 지표 정보 예측 방법에 있어서,
    복수의 게임들의 로그 데이터에 기초하여 통계 데이터를 생성하는 단계;
    상기 통계 데이터에 기초하여 예측 모델을 학습시키기 위한 학습 데이터를 생성하는 단계;
    상기 학습 데이터를 이용하여 상기 예측 모델을 학습시키는 단계; 및
    상기 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함하고,
    상기 통계 데이터를 생성하는 단계는, 상기 복수의 게임들을 게임 장르별로 분류하는 단계; 및 상기 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성하는 단계를 포함하고,
    상기 예측 모델을 학습시키는 단계는, 상기 통계 데이터에 기초하여, 상기 통계 데이터의 게임 장르에 대응하는 예측 모델을 학습시키는 단계를 포함하고,
    상기 타겟 게임의 게임 지표 정보를 예측하는 단계는, 상기 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하는 단계; 상기 계산된 유사도 또는 사용자의 선택에 기초하여 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택하는 단계; 및 상기 선택된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함하고,
    상기 예측 모델을 학습시키는 단계는,
    상기 예측 모델에 대응되는 게임과 관련한 평균 일 결제 전환율, 평균 매출 및 평균 일일 플레이 유저 수를 포함하는 기초 범용 통계 데이터, 및 게임 플레이 시간 평균, 게임 플레이 시간 표준편차, 유저 레벨 평균, 유저 레벨 표준편차 및 게임 재방문율을 포함하는 게임 상태 통계 데이터에 기초하여 상기 예측 모델을 학습시키는 단계를 포함하고,
    상기 타겟 게임의 게임 지표 정보를 예측하는 단계는,
    예측하고자 하는 기간을 나타내는 입력 값을 수신하는 경우, 상기 입력 값에 대응되는 횟수만큼 상기 타겟 게임의 게임 지표 정보를 반복적으로 예측함으로써 상기 입력 값에 대응하는 기간의 타겟 게임에 대한 예측 정보를 생성하는 단계를 포함하는,
    게임 지표 정보 예측 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 예측 모델은,
    상기 타겟 게임의 게임 플레이 유저 수를 예측하기 위한 예측 모델 및 상기 타겟 게임의 일 매출을 예측하기 위한 모델을 포함하는,
    게임 지표 정보 예측 방법.
  5. 제1항에 있어서,
    상기 로그 데이터는,
    접속 정보, 결제 정보, 상품 정보, 이벤트 정보 및 점검 정보 중 적어도 하나를 포함하는,
    게임 지표 정보 예측 방법.
  6. 제1항에 있어서,
    상기 타겟 게임의 게임 지표 정보를 예측하는 단계는,
    상기 예측 모델을 통해 N일 이후의 상기 타겟 게임의 게임 플레이 유저 수와 상기 타겟 게임의 일 매출을 예측하는 단계
    를 포함하고,
    상기 N은, 2 이상의 자연수인,
    게임 지표 정보 예측 방법.
  7. 제1항에 있어서,
    상기 타겟 게임의 게임 지표 정보를 예측하는 단계는,
    게임 상태 통계 데이터를 입력으로 하는 상기 학습된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측하는 단계
    를 포함하는,
    게임 지표 정보 예측 방법.
  8. 삭제
  9. 삭제
  10. 제1항에 있어서,
    상기 유사도를 계산하는 단계는,
    상기 타겟 게임의 게임 장르, 상기 타겟 게임의 이전 게임 플레이 유저 수, 상기 타겟 게임의 이전 매출 정보 및 상기 타겟 게임의 이전 게임 지표 중 적어도 하나에 기초하여 상기 유사도를 계산하는 단계
    를 포함하는,
    게임 지표 정보 예측 방법.
  11. 제1항에 있어서,
    상기 예측 모델은,
    선형 회귀 모델, 뉴럴 네트워크 및 장단기 메모리 방식의 순환 신경망 중 적어도 하나에 기초하는,
    게임 지표 정보 예측 방법.
  12. 게임 지표 정보 예측 장치에 의해 수행되는 게임 지표 정보 예측 방법에 있어서,
    복수의 게임들에 대한 로그 데이터를 게임 장르별로 분류하는 단계;
    상기 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성하는 단계;
    상기 통계 데이터에 기초하여 게임 지표 정보를 예측하는 예측 모델을 학습시키는 단계; 및
    상기 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함하고,
    상기 예측 모델을 학습시키는 단계는, 상기 통계 데이터에 기초하여, 상기 통계 데이터의 게임 장르에 대응하는 예측 모델을 학습시키는 단계를 포함하고,
    상기 타겟 게임의 게임 지표 정보를 예측하는 단계는, 상기 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하는 단계; 상기 계산된 유사도 또는 사용자의 선택에 기초하여 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택하는 단계; 및 상기 선택된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측하는 단계를 포함하고,
    상기 예측 모델을 학습시키는 단계는,
    상기 예측 모델에 대응되는 게임과 관련한 평균 일 결제 전환율, 평균 매출 및 평균 일일 플레이 유저 수를 포함하는 기초 범용 통계 데이터, 및 게임 플레이 시간 평균, 게임 플레이 시간 표준편차, 유저 레벨 평균, 유저 레벨 표준편차 및 게임 재방문율을 포함하는 게임 상태 통계 데이터에 기초하여 상기 예측 모델을 학습시키는 단계를 포함하고,
    상기 타겟 게임의 게임 지표 정보를 예측하는 단계는,
    예측하고자 하는 기간을 나타내는 입력 값을 수신하는 경우, 상기 입력 값에 대응되는 횟수만큼 상기 타겟 게임의 게임 지표 정보를 반복적으로 예측함으로써 상기 입력 값에 대응하는 기간의 타겟 게임에 대한 예측 정보를 생성하는 단계를 포함하는,
    게임 지표 정보 예측 방법.
  13. 제12항에 있어서,
    상기 로그 데이터는,
    접속 정보, 결제 정보, 상품 정보, 이벤트 정보 및 점검 정보 중 적어도 하나를 포함하고,
    상기 예측 모델은,
    상기 타겟 게임의 게임 플레이 유저 수를 예측하기 위한 예측 모델 및 상기 타겟 게임의 일 매출을 예측하기 위한 모델을 포함하는,
    게임 지표 정보 예측 방법.
  14. 제12항에 있어서,
    상기 타겟 게임의 게임 지표 정보를 예측하는 단계는,
    상기 예측 모델을 통해 N일 이후의 상기 타겟 게임의 게임 플레이 유저 수와 상기 타겟 게임의 일 매출을 예측하는 단계
    를 포함하고,
    상기 N은, 2 이상의 자연수인,
    게임 지표 정보 예측 방법.
  15. 삭제
  16. 제1항, 제4항 내지 제7항 및 제10항 내지 제14항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  17. 게임 지표 정보 예측 장치에 있어서,
    메모리 및 프로세서를 포함하고,
    상기 메모리는 상기 프로세서에 의해 실행 가능한 인스트럭션들(instructions)을 저장하고,
    상기 인스트럭션들이 상기 프로세서에 의해 실행될 때, 상기 프로세서는,
    복수의 게임들의 로그 데이터에 기초하여 통계 데이터를 생성하고,
    상기 통계 데이터에 기초하여 예측 모델을 학습시키기 위한 학습 데이터를 생성하고,
    상기 학습 데이터를 이용하여 상기 예측 모델을 학습시키고,
    상기 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측하고,
    상기 프로세서는,
    상기 복수의 게임들을 게임 장르별로 분류하고, 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성하며,
    상기 통계 데이터에 기초하여, 상기 통계 데이터의 게임 장르에 대응하는 예측 모델을 학습시키고,
    상기 타겟 게임의 게임 지표 정보를 예측할 때, 상기 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하고, 상기 계산된 유사도 또는 사용자의 선택에 기초하여 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택하며, 상기 선택된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측하고,
    상기 예측 모델을 학습시키는 것과 관련하여, 상기 프로세서는,
    상기 예측 모델에 대응되는 게임과 관련한 평균 일 결제 전환율, 평균 매출 및 평균 일일 플레이 유저 수를 포함하는 기초 범용 통계 데이터, 및 게임 플레이 시간 평균, 게임 플레이 시간 표준편차, 유저 레벨 평균, 유저 레벨 표준편차 및 게임 재방문율을 포함하는 게임 상태 통계 데이터에 기초하여 상기 예측 모델을 학습시키고,
    상기 타겟 게임의 게임 지표 정보를 예측하는 것과 관련하여, 상기 프로세서는,
    예측하고자 하는 기간을 나타내는 입력 값을 수신하는 경우, 상기 입력 값에 대응되는 횟수만큼 상기 타겟 게임의 게임 지표 정보를 반복적으로 예측함으로써 상기 입력 값에 대응하는 기간의 타겟 게임에 대한 예측 정보를 생성하는,
    게임 지표 정보 예측 장치.
  18. 삭제
  19. 삭제
  20. 제17항에 있어서,
    상기 예측 모델은,
    상기 타겟 게임의 게임 플레이 유저 수를 예측하기 위한 예측 모델 및 상기 타겟 게임의 일 매출을 예측하기 위한 모델을 포함하는,
    게임 지표 정보 예측 장치.
  21. 제17항에 있어서,
    상기 프로세서는,
    상기 예측 모델을 통해 N일 이후의 상기 타겟 게임의 게임 플레이 유저 수와 상기 타겟 게임의 일 매출을 예측하고,
    상기 N은, 2 이상의 자연수인,
    게임 지표 정보 예측 장치.
  22. 삭제
  23. 삭제
  24. 게임 지표 정보 예측 장치에 있어서,
    메모리 및 프로세서를 포함하고,
    상기 메모리는 상기 프로세서에 의해 실행 가능한 인스트럭션들(instructions)을 저장하고,
    상기 인스트럭션들이 상기 프로세서에 의해 실행될 때, 상기 프로세서는,
    복수의 게임들에 대한 로그 데이터를 게임 장르별로 분류하고,
    상기 분류 결과에 기초하여 각 게임 장르에 대응하는 통계 데이터를 생성하고,
    상기 통계 데이터에 기초하여 게임 지표 정보를 예측하는 예측 모델을 학습시키고,
    상기 학습된 예측 모델을 이용하여 타겟 게임의 게임 지표 정보를 예측하고,
    상기 프로세서는,
    상기 통계 데이터에 기초하여, 상기 통계 데이터의 게임 장르에 대응하는 예측 모델을 학습시키고,
    상기 타겟 게임의 게임 장르와 복수의 서로 다른 게임 장르들 간의 유사도를 계산하고, 상기 계산된 유사도 또는 사용자의 선택에 기초하여 상기 타겟 게임의 게임 장르에 대응되는 예측 모델을 선택하고, 상기 선택된 예측 모델을 이용하여 상기 타겟 게임의 게임 지표 정보를 예측하고,
    상기 예측 모델을 학습시키는 것과 관련하여, 상기 프로세서는,
    상기 예측 모델에 대응되는 게임과 관련한 평균 일 결제 전환율, 평균 매출 및 평균 일일 플레이 유저 수를 포함하는 기초 범용 통계 데이터, 및 게임 플레이 시간 평균, 게임 플레이 시간 표준편차, 유저 레벨 평균, 유저 레벨 표준편차 및 게임 재방문율을 포함하는 게임 상태 통계 데이터에 기초하여 상기 예측 모델을 학습시키고,
    상기 타겟 게임의 게임 지표 정보를 예측하는 것과 관련하여, 상기 프로세서는,
    예측하고자 하는 기간을 나타내는 입력 값을 수신하는 경우, 상기 입력 값에 대응되는 횟수만큼 상기 타겟 게임의 게임 지표 정보를 반복적으로 예측함으로써 상기 입력 값에 대응하는 기간의 타겟 게임에 대한 예측 정보를 생성하는,
    게임 지표 정보 예측 장치.
  25. 제24항에 있어서,
    상기 프로세서는,
    상기 예측 모델을 통해 N일 이후의 상기 타겟 게임의 게임 플레이 유저 수와 상기 타겟 게임의 일 매출을 예측하고,상기 N은, 2 이상의 자연수인,
    게임 지표 정보 예측 장치.
  26. 삭제
KR1020180159804A 2018-12-12 2018-12-12 게임 지표 정보 예측 방법 및 장치 KR102010031B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180159804A KR102010031B1 (ko) 2018-12-12 2018-12-12 게임 지표 정보 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180159804A KR102010031B1 (ko) 2018-12-12 2018-12-12 게임 지표 정보 예측 방법 및 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020190094953A Division KR20200072391A (ko) 2019-08-05 2019-08-05 게임 지표 정보 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102010031B1 true KR102010031B1 (ko) 2019-08-12

Family

ID=67624752

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180159804A KR102010031B1 (ko) 2018-12-12 2018-12-12 게임 지표 정보 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102010031B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102434391B1 (ko) * 2021-06-11 2022-08-19 성균관대학교산학협력단 상호 의존 LSTM 모델 기반 야구 경기의 domain shift 문제 해결 모델
JP7410334B2 (ja) 2020-05-27 2024-01-09 ロブロックス・コーポレーション ゲームタグの自動生成

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160105277A (ko) * 2015-02-27 2016-09-06 고려대학교 산학협력단 게임에 대한 게임성 평가 장치 및 그 방법
KR101733458B1 (ko) * 2016-11-01 2017-05-10 주식회사 코어사이트 게임 로그 분석 방법
KR20170099750A (ko) * 2016-02-24 2017-09-01 고려대학교 산학협력단 게임 평가 장치 및 방법
WO2017200234A1 (ko) 2016-05-17 2017-11-23 김명락 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치
KR20180063912A (ko) * 2016-11-29 2018-06-14 한국전자통신연구원 온라인 게임 서비스의 운영 결과를 예측하는 방법 및 그 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160105277A (ko) * 2015-02-27 2016-09-06 고려대학교 산학협력단 게임에 대한 게임성 평가 장치 및 그 방법
KR20170099750A (ko) * 2016-02-24 2017-09-01 고려대학교 산학협력단 게임 평가 장치 및 방법
WO2017200234A1 (ko) 2016-05-17 2017-11-23 김명락 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치
KR101733458B1 (ko) * 2016-11-01 2017-05-10 주식회사 코어사이트 게임 로그 분석 방법
KR20180063912A (ko) * 2016-11-29 2018-06-14 한국전자통신연구원 온라인 게임 서비스의 운영 결과를 예측하는 방법 및 그 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7410334B2 (ja) 2020-05-27 2024-01-09 ロブロックス・コーポレーション ゲームタグの自動生成
KR102434391B1 (ko) * 2021-06-11 2022-08-19 성균관대학교산학협력단 상호 의존 LSTM 모델 기반 야구 경기의 domain shift 문제 해결 모델

Similar Documents

Publication Publication Date Title
US11651259B2 (en) Neural architecture search for convolutional neural networks
CN109657805B (zh) 超参数确定方法、装置、电子设备及计算机可读介质
EP3446260B1 (en) Memory-efficient backpropagation through time
AU2021343372A1 (en) Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
Zhang Multi-objective simulation-optimization for earthmoving operations
EP3602419B1 (en) Neural network optimizer search
US20220284235A1 (en) Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
CN113508378A (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
Bernaś et al. Segmentation of vehicle detector data for improved k‐nearest neighbours‐based traffic flow prediction
CN116702843A (zh) 投影神经网络
Zhang et al. Deep learning for day‐ahead electricity price forecasting
Peremezhney et al. Combining Gaussian processes, mutual information and a genetic algorithm for multi-target optimization of expensive-to-evaluate functions
US20240020543A1 (en) Glp-1/gip dual agonists
Azzouz et al. Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems
US20160275806A1 (en) Learning apparatus, learning method, and non-transitory computer readable storage medium
KR102010031B1 (ko) 게임 지표 정보 예측 방법 및 장치
US20200327419A1 (en) Utilizing a genetic algorithm in applying objective functions to determine distribution times for electronic communications
CA3188066A1 (en) Methods and systems for hyperparameter tuning and benchmarking
Yang et al. Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM
CN109800138B (zh) 一种cpu测试方法、电子装置及存储介质
Yun et al. Analysing decision variables that influence preliminary feasibility studies using data mining techniques
Davami et al. Improving the performance of mobile phone crowdsourcing applications
CN116578400A (zh) 多任务数据处理方法和装置
KR20200072391A (ko) 게임 지표 정보 예측 방법 및 장치
CN114757700A (zh) 物品销量预测模型训练方法、物品销量预测方法及装置

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant