계산 방법 및 로직 설명

이 장에서는 이벤트 분석의 분석 지표, 잔존 분석 및 분포 분석의 [지표 보기]를 설정할 때, 분석 내용에 따라 적절한 계산 방법을 선택하는 것이 필요합니다. 여기에서는 몇 가지 방법의 로직에 대해 설명드리겠습니다.

프리셋 계산 방법

• 총 횟수: 이벤트가 트리거된 횟수
• 유니크 유저: 이벤트를 트리거한 유니크 유저의 수
• 1인당 횟수: 총 횟수 / 이벤트를 트리거한 유저의 수, 이벤트를 트리거한 각 유저의 평균 이벤트 트리거 횟수

수치형 속성

계산 방법	로직
평균값	속성값의 합 / 속성값의 수
1인당 값	속성값의 합 / 트리거 유저 수, 각 트리거 유저의 속성값 평균 합계
중앙값	속성값을 큰 것부터 작은 것으로 나열, 중앙의 속성값을 배열. 속성값의 수가 짝수인 경우, 중앙값은 두 중앙값의 평균으로 합니다.

평균은 데이터의 평균적인 성능을 반영하지만, 다른 값보다 훨씬 높거나 낮은 속성 값이 있을 경우, 중앙값이 평균보다 전체적인 상황을 더 잘 파악할 수 있습니다.

예: 4명의 유저가 총 7개의 결제 이벤트를 트리거한다고 합시다.

유저	각 결제 금액
A	6, 648
B	30, 30, 30
C	128
D	6

- 평균값 = 125.43 - 1인당 값 = 219.5 - 중앙값 = 30

계산 방법	로직
N 백분위수	속성 값을 큰 것부터 작은 것 순으로 재배열합니다. 속성 값의 N 퍼센타일, 중앙값은 50 퍼센타일입니다.

중앙값 이외에서 데이터 분포를 더 적절하게 측정하기 위해 N 백분위수가 자주 사용됩니다.

예를 들어, 핵심 아이템·자원의 N 백분위수 변화를 관찰하고, 새로운 아이템·자원을 만들지 결정합니다.

계산 방법	로직
분산	평균값을 통계하고, 다음에 각 속성 값과 평균의 차이의 제곱을 계산하여 평균을 냅니다.
표준 편차	분산의 제곱근

분산과 표준편차는 데이터의 변동을 측정하기 위해 사용할 수 있습니다. 실험군과 대조군의 1인당 평균 결제 금액이 유사하며, 표준편차가 대조군보다 훨씬 높다고 가정하면, 실험군의 지표 데이터가 큰 금액의 결제로 인해 더 크게 영향을 받는 것으로 나타납니다.

리스트 속성

계산 방법	로직
리스트 중복 제외 수	리스트 전체를 가져와 유니크한 리스트가 몇 개 있는지 통계합니다.
집합 중복 제외 수	각 리스트 내의 요소를 중복 제거하고 정렬하여 집합을 만들고, 중복되지 않는 집합 수를 통계합니다.
요소 중복 제외 수	모든 리스트의 모든 요소를 추출하여 유니크한 요소가 몇 개 있는지를 통계합니다.

게임에서는 전투 중에 여러 히어로 ID가 리스트 속성으로 기록되는 경우가 많습니다. 얼마나 많은 히어로가 전투에 참여했는지 분석하려면, 통계에 '요소 중복 제외 수'를 사용할 수 있습니다; '리스트 중복 제외 수' 또는 '집합 중복 제외 수'를 사용하여 유니크한 출전 조합이 몇 개인지 분석할 수 있습니다. 후자는 리스트 내의 히어로의 순서를 구분하지 않습니다.

4개의 리스트 속성이 있다고 가정할 때: [a,b,c], [a,b,c,c], [c,b,a], [a,b,c,d]:

• 리스트 중복 제거 카운트 = 4
• 집합 중복 제거 카운트 = 2
• 요소 중복 제거 카운트 = 4

부울형(boolean) 속성

계산 방법	로직
참 수, 거짓 수	값이 True/False인 이벤트의 수
null 수, not null 수	값이 null/not null인 이벤트의 수