실전 데이터 분석 79: 모바일 게임 가입자 플레이 지속시간 및 게임 모드 대비 인앱 광고 시청 수와 결제액 상관 분석
📌 강의 개요 (30분 완성)
모바일 캐주얼/아케이드 게임 가입자의 접속 세션 로그 데이터셋입니다. 사용자의 게임 플레이 시간, 게임 모드 분류가 실제 인앱 결제 매출(IAP_Amount) 및 광고 시청 만족도에 미치는 기여를 규명합니다.
학습 목표:
- 결제 무과금 유저 0 대치 (
fillna): 이번 판에 한 번도 현질 결제를 수행하지 않은 무과금 유저의 결측을 0.0으로 정밀 대치하여 데이터 연속성을 유지합니다. - 게임 몰입 시점 및 매출 산점도 (
boxplot,scatterplot): 게임 모드별 평균 지속시간 상자 비교 및 세션 지속 시간 대비 결제액 위 모드 오버레이 산점도를 도출합니다.
🧐 실무 도메인 지식 가이드 (Domain Knowledge Guide)
🎬 미디어 및 스트리밍 (Media & Entertainment) 미디어 및 엔터테인먼트 분석은 음원/영상 시청 패턴, 유저 이탈, 콘텐츠 피드 도달율을 극대화하기 위한 행동 정량화 분야입니다.
- 추천 알고리즘 스킵율: 사용자가 재생 중 스킵 버튼을 누르는 순간의 음원 특징점을 포착하여 추천 취향 유사성 스코어를 보정합니다.
- 낚시성 콘텐츠 필터링: 뉴스 헤드라인 키워드와 독자 실제 체류시간 분산을 상관하여 체리피커 유저 행태를 차단합니다.
- 앱 마켓 피드백(Rating): 릴리즈 버전 변경 전후의 마일스톤 별점 분포와 감성 감정을 융합 평가하여 조기 업데이트 버그를 디버깅합니다.
Step 1: 데이터 구조 살펴보기 (Data Overview)
csv_data 폴더에 준비해 둔 gaming_sessions.csv 파일을 판다스로 불러옵니다.
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# 그래프 설정 (한글 폰트 및 마이너스 기호 깨짐 방지)
import koreanize_matplotlib
plt.rcParams['axes.unicode_minus'] = False
sns.set_theme(style="whitegrid")
# 로컬 CSV 파일 불러오기
df = pd.read_csv('./gaming_sessions.csv')
# 데이터 구조 및 첫 5행 확인
df = pd.read_csv('./gaming_sessions.csv')
print(df.info())
print(df.head())
💻 [실행 결과]
<class 'pandas.DataFrame'> RangeIndex: 1000 entries, 0 to 999 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 SessionID 1000 non-null int64 1 PlayerLevel 1000 non-null int64 2 SessionLength_Mins 1000 non-null float64 3 IAP_Amount 985 non-null float64 4 GameMode 1000 non-null str 5 AdsWatched 1000 non-null int64 dtypes: float64(2), int64(3), str(1) memory usage: 52.7 KB None SessionID PlayerLevel SessionLength_Mins IAP_Amount GameMode AdsWatched 0 790001 88 8.7 0.00 Casual 0 1 790002 62 58.1 16.51 Co-op 3 2 790003 75 83.2 10.64 Casual 2 3 790004 68 94.9 10.70 Casual 9 4 790005 21 32.7 0.00 Casual 3
<class ‘pandas.DataFrame’>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 6 columns):
# Column Non-Null Count Dtype
— —— ————– —–
0 SessionID 1000 non-null int64
1 PlayerLevel 1000 non-null int64
2 SessionLength_Mins 1000 non-null float64
3 IAP_Amount 985 non-null float64
4 GameMode 1000 non-null str
5 AdsWatched 1000 non-null int64
dtypes: float64(2), int64(3), str(1)
memory usage: 47.0 KB
SessionID PlayerLevel SessionLength_Mins IAP_Amount GameMode AdsWatched
0 790001 88 8.7 0.00 Casual 0
1 790002 62 58.1 16.51 Co-op 3
2 790003 75 83.2 10.64 Casual 2
3 790004 68 94.9 10.70 Casual 9
4 790005 21 32.7 0.00 Casual 3
```
💡 코드 딥다이브 (Code Deep Dive)
주요 분석 대상 컬럼:
SessionID: 개별 게임 접속 세션 고유 식별 번호PlayerLevel: 해당 가입자 캐릭터 계정 레벨 (1~99)SessionLength_Mins: 이번 판에 접속해서 게임을 지속한 플레이 시간 (분)IAP_Amount: 이번 세션 동안 인앱 결제 상점에서 아이템 구매로 지출한 금액 (USD) (결측치 존재)GameMode: 플레이 진행한 게임 모드 분류 (Ranked: 랭킹 경쟁전, Casual: 일반, Co-op: 협동전)AdsWatched: 이번 판 플레이 중 시청 노출 완료된 보상형 광고 횟수
Step 2: 전처리와 결측치 정제 (Preprocess)
현실의 데이터는 항상 누락이 있거나 유효성 정제가 필요합니다. 데이터 전처리 단계에서 결측 상태를 확인하고 올바르게 보정합니다.
# 1. 컬럼별 결측치 개수 확인
print("--- 정제 전 결측치 확인 ---")
print(df.isnull().sum())
# 2. 결측치 전처리 및 대치 수행
df['IAP_Amount'] = df['IAP_Amount'].fillna(0.0)
print(df.isnull().sum())
💻 [실행 결과]
--- 정제 전 결측치 확인 --- SessionID 0 PlayerLevel 0 SessionLength_Mins 0 IAP_Amount 15 GameMode 0 AdsWatched 0 dtype: int64 SessionID 0 PlayerLevel 0 SessionLength_Mins 0 IAP_Amount 0 GameMode 0 AdsWatched 0 dtype: int64
— 정제 전 결측치 확인 — SessionID 0 PlayerLevel 0 SessionLength_Mins 0 IAP_Amount 15 GameMode 0 AdsWatched 0
— 정제 후 결측치 확인 — SessionID 0 PlayerLevel 0 SessionLength_Mins 0 IAP_Amount 0 GameMode 0 AdsWatched 0
```
💡 분석가의 통찰 (Analyst’s Insight)
- 무과금 결측 정제의 비즈니스 도메인 타당성: 게이머의 80% 이상은 인앱 결제를 하지 않는 무과금 유저(Non-paying User)입니다. 매출 데이터의 NaN은 시스템 결함 유실이 아니라 무과금 0원 결제를 의미하므로, 0.0으로 깔끔히 전처리 대치하여 플랫폼 총 매출 합계를 정확히 산정합니다.
Step 3: 단변수 분포 분석 (Univariate EDA)
가장 먼저 핵심 변수가 전체 데이터에서 어떤 빈도와 분포를 가졌는지 단일 변수 시각화를 통해 파악해 봅니다.
plt.figure(figsize=(8, 5))
# 단변수 분석 그래프 생성
sns.boxplot(data=df, x='GameMode', y='SessionLength_Mins', palette='rocket')
plt.title('게임 모드별 플레이 체류 시간 분포', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 시각화 차트 읽는 법 & 인사이트
- 게임 모드별 게이머 잔존시간 비교: 승부욕을 자극하는 경쟁전(Ranked) 모드의 플레이 시간 상자 중앙값선과 수염 범위가 일반 캐주얼(Casual) 및 협동전(Co-op) 모드 대비 유의미하게 롱타임 대역에 걸쳐 형성되어 가파른 몰입도를 입증합니다.
Step 4: 다변수 상관관계 및 이상치 분석 (Multivariate EDA)
두 개 이상의 변수를 동시에 결합하여, 조건에 따른 수치 차이나 독립 변수와 종속 변수 간의 통계적 경향을 분석합니다.
plt.figure(figsize=(9, 6))
# 다변수 분석 그래프 생성
sns.scatterplot(data=df, x='SessionLength_Mins', y='IAP_Amount', hue='GameMode', alpha=0.7, palette='Set1')
plt.title('게임 플레이 지속 시간 대비 인앱 결제 금액 상관성', fontsize=14, fontweight='bold')
plt.show()
💻 [실행 결과]
💡 코드 딥다이브 & 비즈니스 통찰 (Analyst’s Insight)
- 장기 몰입 및 결제 시너지 상관성: 플레이 시간(X축)이 40분을 초과하기 전에는 인앱 결제 지출(Y축)이 0원 부근에 납작하게 누워 있지만, 40분 선을 돌파하며 게임에 잔존하는 시간이 늘어날수록 결제 지출 규모가 수직으로 솟아오르는 비선형 시너지 구조를 띱니다. 특히 경쟁전(Ranked, 빨간 점) 모드 유저들의 고액 지출 점 군집이 압도적입니다.
Step 5: 통계적 직관과 해석 (Statistical Logic)
💡 [모바일 프리미엄(Freemium) BM과 멱법칙 기반 ‘고래(Whale)’ 유저 분석] … (생략: 모바일 게임 인앱 비즈니스 모델 및 ARPPU 지표와 멱법칙 분포 설명)
🎯 30분 강의 마무리 및 심화 과제
오늘 우리는 실전 데이터셋을 분석하여 판다스로 데이터를 가공 및 정제하고, 시각화를 활용하여 핵심 변수 간의 통계적 유의성을 검증했습니다. 데이터 속에서 숨겨진 패턴을 올바른 시각으로 탐색하는 능력이 데이터 사이언티스트의 가장 강력한 무기입니다.
📝 심화 과제 (Advanced Challenge)
- 광고 시청 횟수(AdsWatched)와 인앱 결제의 상관 Analysis: 광고를 많이 보는 유저일수록 현질 지출(IAP_Amount)도 적극적으로 수행하는지 상관 통계를 도출해 보세요.
- 상위 5% 초고액 과금 ‘핵심 고래’ 유저 필터링: 1회 세션 결제액이 $50를 초과하는 고액 VIP 플레이어 서브셋의 평균 레벨과 게임 모드 분포를 요약해 보세요.