KR102641885B1 - 게임 제공 장치에서 결제 분석 정보를 제공하는 방법 및 게임 제공 장치 - Google Patents
게임 제공 장치에서 결제 분석 정보를 제공하는 방법 및 게임 제공 장치 Download PDFInfo
- Publication number
- KR102641885B1 KR102641885B1 KR1020180145748A KR20180145748A KR102641885B1 KR 102641885 B1 KR102641885 B1 KR 102641885B1 KR 1020180145748 A KR1020180145748 A KR 1020180145748A KR 20180145748 A KR20180145748 A KR 20180145748A KR 102641885 B1 KR102641885 B1 KR 102641885B1
- Authority
- KR
- South Korea
- Prior art keywords
- payment
- information
- users
- game
- group
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 title description 2
- 230000009471 action Effects 0.000 claims abstract description 33
- 230000006399 behavior Effects 0.000 claims description 165
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 238000004891 communication Methods 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000007654 immersion Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
- A63F13/792—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for payment purposes, e.g. monthly subscriptions
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
제1 게임에 대한 복수의 사용자의 행위 정보를 포함하는 로그 데이터를 상기 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 결제 확률 모델에 적용하여, 상기 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득하는 단계; 상기 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계; 상기 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 상기 제1 그룹의 특성 정보를 획득하는 단계; 및 상기 제1 그룹의 특성 정보를 제공하는 단계를 포함하는, 게임 제공 장치의 동작 방법이 제공된다.
Description
게임 제공 장치에서 결제 분석 정보를 제공하는 방법 및 게임 제공 장치에 관한 것이다.
소정 게임으로부터 획득될 수 있는 데이터의 종류 및 양은 방대하다. 예를 들어, 소정 게임에 대한 게임의 동시 접속자 수, 게임 내의 아이템 구매 정보, 게임 내에서 사용자의 활동 정보 등 게임과 관련된 각종 데이터들은 게임에서 사용자의 결제 행위를 분석하는 데에 이용될 수 있다.
따라서, 게임 내에서 사용자의 결제 행위를 분석하는 데에 이용되는 데이터를 보다 빠르고 정확하게 처리할 수 있는 기술이 요구된다.
소정 게임에 대한 복수의 사용자의 결제 가능성을 정확하게 예측하고, 결제 가능성에 따라 분류된 그룹의 특성을 결정하고자 한다.
소정 게임에 대한 복수의 사용자의 예상 결제 금액을 나타내는 구매력을 정확하게 예측하고, 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율을 제공하고자 한다.
일측에 따르면, 제1 게임에 대한 복수의 사용자의 행위 정보를 포함하는 로그 데이터를 상기 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 결제 확률 모델에 적용하여, 상기 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득하는 단계; 상기 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계; 상기 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 상기 제1 그룹의 특성 정보를 획득하는 단계; 및 상기 제1 그룹의 특성 정보를 제공하는 단계를 포함하는, 게임 제공 장치의 동작 방법이 제공된다.
다른 일측에 따르면, 1 게임에 대한 복수의 사용자의 소정 기간 동안의 결제 데이터에 기초하여, 상기 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득하는 단계; 상기 구매력 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계; 상기 복수의 그룹 별로, 상기 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 획득하는 단계; 및 상기 결제 전환율 정보를 제공하는 단계를 포함하는, 게임 제공 장치의 동작 방법이 제공된다.
또 다른 일측에 따르면, 상기 게임 제공 장치의 동작 방법을 하드웨어와 결합되어 실행시키기 위해 매체에 저장된 컴퓨터 프로그램이 제공된다.
또 다른 일측에 따르면, 상기 게임 제공 장치의 동작 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공된다.
일측에 따르면, 통신 장치; 사용자 인터페이스 장치; 스토리지; 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고, 상기 프로세서는, 상기 명령어들을 실행함으로써, 제1 게임에 대한 복수의 사용자의 행위 정보를 포함하는 로그 데이터를 상기 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 결제 확률 모델에 적용하여, 상기 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득하고, 상기 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하고, 상기 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 상기 제1 그룹의 특성 정보를 획득하고, 상기 제1 그룹의 특성 정보를 상기 사용자 인터페이스 장치를 통해 제공하는, 게임 제공 장치가 제공된다.
다른 일측에 따르면, 통신 장치; 사용자 인터페이스 장치; 스토리지; 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고, 상기 프로세서는, 상기 명령어들을 실행함으로써, 제1 게임에 대한 복수의 사용자의 소정 기간 동안의 결제 데이터에 기초하여, 상기 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득하고, 상기 구매력 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하고, 상기 복수의 그룹 별로, 상기 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율의 정보를 획득하고, 상기 결제 전환율의 정보를 상기 사용자 인터페이스 장치를 통해 제공하는, 게임 제공 장치가 제공된다.
게임 제공 장치는 소정 게임에 대한 복수의 사용자의 결제 가능성을 정확하게 예측하고, 결제 가능성에 따라 분류된 그룹의 특성 정보를 제공할 수 있다. 결제 가능성에 따라 분류된 그룹의 특성 정보는, 게임의 개발 및 복수의 사용자의 결제 가능성을 높이기 위한 마케팅 전략에 이용될 수 있다.
게임 제공 장치는 소정 게임에 대한 복수의 사용자의 예상 결제 금액을 나타내는 구매력을 정확하게 예측하고, 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 제공할 수 있다. 결제 전환율 정보는, 게임의 개발 및 결제 전환율을 높이기 위한 마케팅 전략에 이용될 수 있다.
본 개시는, 다음의 자세한 설명과 그에 수반되는 도면들의 결합으로 쉽게 이해될 수 있으며, 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미한다.
도 1은 일실시예에 따라, 서버 및 클라이언트를 포함하는 온라인 게임 제공 시스템을 도시한다.
도 2는 일실시예에 따라, 복수의 사용자의 결제 가능성에 따라 분류된 복수의 그룹의 특성 정보를 제공하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 3은 일실시예에 따라, 게임 제공 장치에서 복수의 사용자의 결제 가능성을 예측하고, 예측 결과에 따라 복수의 사용자를 복수의 그룹으로 분류하는 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따라, 게임 제공 장치에서 복수의 그룹의 정보를 표시하는 방법을 설명하기 위한 도면이다.
도 5는 일실시예에 따라, 결제 확률 모델을 생성하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 6은 일실시예에 따라, 게임 제공 장치가 결제 확률 모델을 학습할 때 이용하는, 복수 개의 계층 구조를 갖는 인공 신경망을 개략적으로 도시한 도면이다.
도 7은 일실시예에 따라, 게임 제공 장치가 결제 확률 모델을 학습하는 과정을 설명하기 위한 도면이다.
도 8은 일실시예에 따라, 게임 제공 장치에서 제공되는 복수의 그룹의 특성 정보를 설명하기 위한 도면이다.
도 9는 다른 일실시예에 따라, 게임 제공 장치에서 제공되는 복수의 그룹의 특성 정보를 설명하기 위한 도면이다.
도 10은 일실시예에 따라, 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 11은 일실시예에 따라, 게임 제공 장치에서 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 과정을 설명하기 위한 도면이다.
도 12는 일실시예에 따라, 복수의 사용자의 구매력 정보 및 결제 전환율 정보를 제공하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 13은 일실시예에 따라, 게임 제공 장치에서 결제 전환율 정보를 제공하는 과정을 설명하기 위한 도면이다.
도 14는 일실시예에 따라, 게임 제공 장치의 구성을 도시한 블록도이다.
도 1은 일실시예에 따라, 서버 및 클라이언트를 포함하는 온라인 게임 제공 시스템을 도시한다.
도 2는 일실시예에 따라, 복수의 사용자의 결제 가능성에 따라 분류된 복수의 그룹의 특성 정보를 제공하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 3은 일실시예에 따라, 게임 제공 장치에서 복수의 사용자의 결제 가능성을 예측하고, 예측 결과에 따라 복수의 사용자를 복수의 그룹으로 분류하는 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따라, 게임 제공 장치에서 복수의 그룹의 정보를 표시하는 방법을 설명하기 위한 도면이다.
도 5는 일실시예에 따라, 결제 확률 모델을 생성하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 6은 일실시예에 따라, 게임 제공 장치가 결제 확률 모델을 학습할 때 이용하는, 복수 개의 계층 구조를 갖는 인공 신경망을 개략적으로 도시한 도면이다.
도 7은 일실시예에 따라, 게임 제공 장치가 결제 확률 모델을 학습하는 과정을 설명하기 위한 도면이다.
도 8은 일실시예에 따라, 게임 제공 장치에서 제공되는 복수의 그룹의 특성 정보를 설명하기 위한 도면이다.
도 9는 다른 일실시예에 따라, 게임 제공 장치에서 제공되는 복수의 그룹의 특성 정보를 설명하기 위한 도면이다.
도 10은 일실시예에 따라, 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 11은 일실시예에 따라, 게임 제공 장치에서 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 과정을 설명하기 위한 도면이다.
도 12는 일실시예에 따라, 복수의 사용자의 구매력 정보 및 결제 전환율 정보를 제공하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 13은 일실시예에 따라, 게임 제공 장치에서 결제 전환율 정보를 제공하는 과정을 설명하기 위한 도면이다.
도 14는 일실시예에 따라, 게임 제공 장치의 구성을 도시한 블록도이다.
이하에서는 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 이하에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략한다.
한편, 본 명세서에서 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, '그 중간에 다른 구성을 사이에 두고 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성이 다른 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들 더 포함할 수도 있다는 것을 의미한다.
또한, 본 명세서에서 사용되는 '제 1' 또는 '제 2' 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다.
명세서 전체에서, "게임 제공 장치"는 사용자의 클라이언트로 게임 서비스를 제공하고, 게임 서비스를 관리하기 위해 이용되는 장치를 의미할 수 있다. "게임 제공 장치"는 서버일 수 있다. 또한, "게임 제공 장치"는 특수 목적 컴퓨터(Special-purpose Computer), 범용 컴퓨터(General-purpose Computer), 슈퍼 컴퓨터(Supercomputer), 대형 컴퓨터(Mainframe Computer) 등으로 구현될 수 있고, 이에 제한되지 않는다.
명세서 전체에서, 소정 게임에 대한 사용자의 "로그 데이터"는 사용자가 소정 게임 내에서 활동한 기록을 포함하는 데이터 일 수 있다. 예를 들면, "로그 데이터"에는, 사용자가 소정 게임에 로그인 한 기록, 사용자가 소정 게임 내에서 아이템을 구매한 기록, 사용자가 소정 게임 내에서 결제한 내역, 사용자가 소정 게임 내에서 플레이 한 기록, 사용자가 소정 게임에 로그 아웃 한 기록 등에 대한 정보 또는 데이터가 포함될 수 있다.
명세서 전체에서, "머신 러닝"은 게임에 대한 데이터를 기반으로 학습을 수행하고, 예측을 수행하고, 스스로의 성능을 향상시키는 시스템 또는 시스템을 위한 알고리즘을 연구하고 구축하는 기술을 의미할 수 있다.
명세서 전체에서, 소정 게임에 대한 "결제 확률 모델"은 소정 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 모델을 의미할 수 있다. 또한, 소정 게임에 대한 "결제 확률 모델"은 소정 게임에 대한 복수의 사용자의 행위 정보와 소정 기간 동안 소정 게임에서 결제 행위를 수행한 사용자의 행위 정보의 유사도에 기초하여, 소정 기간 동안 소정 게임에서 복수의 사용자의 결제 가능성을 예측하는 모델을 의미할 수 있다.
명세서 전체에서, 소정 그룹의 "특성 정보"는 타 그룹과 구별될 수 있는 소정 그룹의 특징 또는 속성 정보를 의미할 수 있다.
명세서 전체에서, 소정 게임에 대한 "결제 행위 예측 모델"은 복수의 사용자의 로그 데이터에 기반하여 복수의 사용자의 결제 행위를 예측하고, 소정 게임에서 사용자의 결제 행위에 영향을 미친 요소 정보를 결정하는 데에 이용되는 모델일 수 있다.
명세서 전체에서, "구매력 정보"는 소정 기간 동안 소정 게임에서 사용자의 예상 결제 금액 정보를 의미할 수 있다.
명세서 전체에서, "결제 전환율 정보"는 소정 게임에서 예상 결제 금액 대비 실제 결제 금액을 나타내는 비율 정보를 의미할 수 있다.
도 1은 일실시예에 따라, 서버 및 클라이언트를 포함하는 온라인 게임 제공 시스템을 도시한다.
일 실시예에 따른 온라인 게임 제공 시스템은 도 1 에 도시된 바와 같이 서버 (4000) 와 복수의 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 를 포함할 수 있다. 서버 (4000) 는 네트워크를 통해 게임을 서비스함으로써, 복수의 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 에게 게임을 제공할 수 있다.
도 1 은 사용자에 의해 사용되는 클라이언트의 예들로서, 데스크톱 컴퓨터 (2000a), 태블릿 (2000b), 휴대폰 (2000c), 노트북 (2000d), 스마트폰 (2000e), 및 텔레비전 (2000f) 을 도시하지만, 클라이언트는 이에 제한되지 않고 PDA (Personal Digital Assistants), PMP (Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 냉장고, 세탁기, 청소기 등의 다양한 전자 디바이스를 포함할 수 있다.
복수의 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 에서 게임이(예를 들면, 온라인 게임) 실행될 수 있다. 게임을 실행하기 위해, 프로그램, 예를 들어, 애플리케이션, 또는 런처 (launcher) 가 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 에 설치될 수 있으나, 이에 제한되지 않는다. 사용자들은 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 에 설치된 프로그램을 실행하여, 서버 (4000) 에 의해 제공되는 게임을 즐길 수 있다. 후술하는 본 개시의 다양한 실시예들은 게임을 실행시키기 위한 프로그램 내에서 구현되거나, 그 프로그램과는 별도의 프로그램을 통해 구현될 수 있다.
서버 (4000) 는 게임 제공업자에 의해 운영될 수 있고, 서버 (4000) 는 단일 서버, 서버의 집합체, 및 클라우드 서버를 포함할 수 있으나, 이에 제한되지 않는다. 서버 (4000) 는 사용자들에게 게임을 제공하고, 사용자들의 데이터를 저장하는 데이터 베이스를 포함할 수 있다. 또한, 서버 (4000) 는 결제 이벤트를 생성 및 처리하는 결제 서버 또는 지불 서버를 더 포함할 수 있다. 결제 서버 또는 지불 서버는 서버 (4000) 와 별개의 서버일 수 있고, 서버 (4000) 및 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 간의 결제나 지불을 매개할 수도 있다. 서버 (4000) 는 사용자 데이터를 저장하고 관리하는 데이터베이스 (database: DB) 서버를 더 포함할 수 있고, DB 서버는 서버 (4000) 와 별개의 서버일 수 있다.
서버 (4000) 에서는 게임을 서비스하기 위한 프로그램이 구동될 수 있다. 후술하는 본 개시의 다양한 실시예들은 게임을 서비스하기 위한 프로그램 내에서 구현되거나, 그 프로그램과는 별도의 프로그램을 통해 구현될 수 있다.
네트워크는 소정의 통신 방식을 이용하여 설립 (또는 형성) 된 연결을 의미하고, 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 사이 또는 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 과 서버 (4000) 사이에서 데이터를 전달하는 소정의 통신 수단을 통해 연결된 통신망을 의미할 수 있다.
통신 수단은 소정의 통신 규격, 소정의 주파수 대역, 소정의 프로토콜 또는 소정의 채널을 통한 통신, 근거리 통신, 원거리 통신, 무선 통신 및 유선 통신을 포함한다. 예를 들어, 통신 수단은 블루투스, BLE, Wi-Fi, Zigbee, 3G, LTE, 초음파를 통한 통신 수단 등을 포함할 수 있으나, 이에 제한되지 않는다.
근거리 통신 수단은, 통신을 수행하는 디바이스들이 소정의 범위 내에 있을 때에만 서로 통신이 가능한 통신 수단을 의미할 수 있고, 예를 들어, 블루투스 및 NFC 를 포함할 수 있으나, 이에 제한되지 않는다.
원거리 통신 수단은, 통신을 수행하는 디바이스들이 거리와 관계 없이 서로 통신이 가능한 통신 수단을 의미할 수 있다. 예를 들어, 원거리 통신 수단은 AP와 같은 중계기를 통해 통신을 수행하는 두 디바이스가 소정의 거리 이상일 때에도 통신할 수 있는 수단, 및 문자 전송과 전화 통화에 사용되는 셀룰러 네트워크 (3G, LTE) 를 이용한 통신 수단을 포함할 수 있으나, 이에 제한되지 않는다.
서버 (4000) 가 네트워크를 이용하여 온라인 게임을 서비스하는 과정에서, 임의의 통신 수단을 통해 서버 (4000) 와 클라이언트들 (2000a, 2000b, 2000c, 2000d, 2000e, 및 2000f) 간의 통신이 수행될 수 있다.
온라인 게임은 RPG (Role Playing Game), TRPG (Tabletop RPG), MMORPG (Massively Multiplayer Online RPG), MOBA (Multiplayer Online Battle Arena), AOS (Aeon of Strife), RTS (Real Time Strategy), FPS (First-person shooter), TCG (Trading Card Game), CCG (Collectible Card Game), 스포츠, 대전격투 등 다양한 장르의 게임일 수 있으나, 이에 제한되지 않는다. 온라인 게임은 사용자들 간의 대전 또는 사용자와 컴퓨터 (예를 들면, 인공지능) 과의 대전으로 진행될 수 있으나, 이에 제한되지 않고, 다양한 형태로 구현될 수 있다.
도 1 에 도시된 온라인 게임 제공 시스템은 온라인 플랫폼 제공 시스템으로서도 기능할 수 있다. 한편, 도 1에 도시된 서버(4000)는 도 2 내지 도 14에서 설명하는 게임 제공 장치(10)와 대응될 수 있다.
도 2는 일실시예에 따라, 복수의 사용자의 결제 가능성에 따라 분류된 복수의 그룹의 특성 정보를 제공하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 2의 단계 S210에서, 게임 제공 장치(10)는 제1 게임에 대한 복수의 사용자의 로그 데이터를 결제 확률 모델에 적용하여, 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득할 수 있다. 복수의 사용자의 로그 데이터는 복수의 사용자의 행위 정보를 포함할 수 있다.
여기서, 결제 확률 모델은, 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 모델일 수 있다. 예를 들면, 결제 확률 모델은, 복수의 사용자의 로그 데이터가 입력되면, 복수의 사용자의 행위 정보와 소정 기간 동안 결제 행위를 수행한 사용자의 행위 정보의 유사도에 기초하여, 복수의 사용자의 결제 가능성을 예측하는 모델일 수 있다.
단계 S220에서, 게임 제공 장치(10)는 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 복수의 사용자를 복수의 그룹으로 분류할 수 있다. 예를 들면, 결제 가능성은 확률로 표현될 수 있다. 게임 제공 장치(10)는 결제 가능성의 확률이 0 이상 0.3 미만인 사용자를 제1 그룹으로, 결제 가능성의 확률이 0.3이상 0.6 미만인 사용자를 제2 그룹으로, 결제 가능성의 확률이 0.6 이상 1 이하인 사용자를 제3 그룹으로 분류할 수 있다.
단계 S230에서, 게임 제공 장치(10)는 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 제1 그룹의 특성 정보를 획득할 수 있다.
예를 들면, 게임 제공 장치(10)는 제1 그룹의 로그 데이터와 제2 그룹의 로그 데이터를 비교하여, 제1 그룹과 제2 그룹을 구분할 수 있는 적어도 하나의 특성을 포함하는 제1 그룹의 특성 정보를 획득할 수 있다.
구체적으로, 게임 제공 장치(10)는 제1 그룹의 로그 데이터와 제2 그룹의 로그 데이터를 비교하여, 제1 게임에 대한 사용자의 몰입도를 판단하는 데에 기준이 되는 적어도 하나의 카테고리에 대한 제1 그룹의 특성 정보를 획득할 수 있다.
다른 예를 들면, 게임 제공 장치(10)는 제1 그룹의 사용자의 실제 결제 데이터로부터 획득된 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보에 기초하여 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득할 수 있다. 게임 제공 장치(10)에서 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 과정은 도 10 내지 도 11에서 설명한다.
단계 S240에서, 게임 제공 장치(10)는 제1 그룹의 특성 정보를 제공할 수 있다. 예를 들면, 게임 제공 장치(10)는 제1 그룹의 특성 정보를 제2 그룹의 특성 정보와 비교한 결과를 표시할 수 있다.
도 3은 일실시예에 따라, 게임 제공 장치에서 복수의 사용자의 결제 가능성을 예측하고, 예측 결과에 따라 복수의 사용자를 복수의 그룹으로 분류하는 과정을 설명하기 위한 도면이다.
도 3의 블록도(310)을 참고하면, 게임 제공 장치(10)는 복수의 사용자의 로그 데이터를 획득할 수 있다. 예를 들면, 게임 제공 장치(10)는 제1 게임을 수행한 제1 사용자 내지 제10 사용자의 로그 데이터를 획득할 수 있다. 게임 제공 장치(10)는 제1 사용자 내지 제10 사용자의 로그 데이터를 결제 확률 모델에 적용하여, 각 사용자의 결제 확률을 예측할 수 있다. 예를 들면, 게임 제공 장치(10)는 제1 사용자 내지 제10 사용자에 대한 제1 게임의 지난달 로그 데이터를 결제 확률 모델에 적용하여, 제1 사용자 내지 제10 사용자에 대한 제1 게임의 이번달 결제 확률을 예측할 수 있다.
여기서, 결제 확률 모델은, 로그 데이터로부터 획득된 소정 사용자의 행위 정보와 결제 행위를 수행한 사용자의 행위 정보 간의 유사도에 기초하여, 소정 사용자의 결제 가능성을 예측하는 모델일 수 있다.
예를 들면, 제1 사용자의 행위 정보와 결제 행위를 수행한 결제 사용자의 행위 정보 간의 유사도는, 제1 사용자의 제1 게임의 플레이 패턴과 결제 사용자의 제1 게임의 플레이 패턴을 비교함으로써 결정될 수 있다. 플레이 패턴은, 제1 게임 내에서 사용자의 모든 행위 정보로부터 결정될 수 있다.
도 3의 표(320)를 참고하면, 게임 제공 장치(10)는 제1 사용자 내지 제10 사용자의 결제 가능성에 대한 예측 정보를 획득할 수 있다. 예측 정보는 결제 확률로 표현될 수 있다. 결제 확률은 0에서 1 사이의 수치로 표현되거나, 0%에서 100% 사이의 수치로 표현될 수 있다.
게임 제공 장치(10)는 결제 가능성에 대한 예측 정보에 기초하여, 제1 사용자 내지 제10 사용자를 제1 그룹 내지 제3 그룹으로 분류할 수 있다. 예를 들면, 게임 제공 장치(10)는 결제 가능성의 확률이 0% 이상 30% 미만인 사용자를 결제 가능성이 낮은 그룹인 제1 그룹(331)으로, 결제 가능성의 확률이 30% 이상 60% 미만인 사용자를 결제 가능성이 중간 그룹인 제2 그룹(332)으로, 결제 가능성의 확률이 60% 이상 100% 이하인 사용자를 결제 가능성이 높은 그룹인 제3 그룹(333)으로 분류할 수 있다.
구체적으로, 게임 제공 장치(10)는 제1 사용자, 제3 사용자, 제5 사용자, 제7 사용자 및 제9 사용자를 제1 그룹(331)으로 분류할 수 있다. 또한, 게임 제공 장치(10)는 제6 사용자, 제8 사용자 및 제10 사용자를 제2 그룹(332)으로 분류할 수 있다. 또한, 게임 제공 장치(10)는 제2 사용자 및 제4 사용자를 제3 그룹(333)으로 분류할 수 있다.
도 4는 일실시예에 따라, 게임 제공 장치에서 복수의 그룹의 정보를 표시하는 방법을 설명하기 위한 도면이다.
도 4의 그래프(410)을 참고하면, 게임 제공 장치(10)는 제1 게임에서 결제 확률에 따라 분류된 복수의 그룹의 수치 정보를 표시할 수 있다. 구체적으로, 게임 제공 장치(10)는 각 그룹에 속한 사용자의 수를 표시할 수 있다.
또한, 게임 제공 장치(10)는 복수의 사용자의 실제 결제 데이터를 반영하여 복수의 그룹의 정보를 표시할 수 있다. 예를 들면, 게임 제공 장치(10)는 복수의 그룹 별로 결제 사용자의 수와 미결제 사용자의 수를 표시할 수 있다.
구체적으로, 게임 제공 장치(10)는 소정 기간 동안(예를 들면, 지난 6개월, 12개월 등)의 제1 게임의 복수의 사용자의 로그 데이터를 이용하여, 복수의 사용자의 제1 기간(예를 들면, 다음달)의 결제 가능성을 예측할 수 있다. 게임 제공 장치(10)는 결제 가능성을 나타내는 결제 확률에 따라, 복수의 사용자를 제1 그룹 내지 제3 그룹으로 분류할 수 있다. 그리고 나서, 제1 기간이 도래되면, 게임 제공 장치(10)는 실제 결제 데이터에 기초하여, 복수의 그룹 별로 결제 사용자의 수와 미결제 사용자의 수를 확인할 수 있다. 게임 제공 장치(10)는 복수의 그룹 별로 전체 사용자 수에 대한 결제 사용자의 수를 확인하여, 결제 확률 모델의 정확성을 확인할 수 있다. 게임 제공 장치(10)는 실제 결과 데이터에 기초하여, 결제 확률 모델을 업데이트 할 수 있다.
도 4의 그래프(410)에 도시된 바와 같이, 결제 확률에 따라 분류된 복수의 그룹의 수치 정보를 사용자 수로 나타내면, 제1 게임의 관리자는 각 그룹에 대한 변동성을 보다 쉽게 확인할 수 있다. 예를 들면, 이전 달의 결제 확률 그래프와 이번 달의 결제 확률 그래프를 비교하면, 제1 게임의 관리자는 각 그룹의 변동성을 쉽게 확인할 수 있어, 복수의 사용자의 결제 가능성을 높이기 위한 조치를 마련할 수 있다.
도 4에 도시된 3 개의 그룹은 일예시이고, 게임 제공 장치(10)는 복수의 사용자를 3개의 그룹보다 많은 그룹으로 분류하고, 복수의 그룹의 정보를 표시할 수 있다.
도 4의 그래프(420)을 참고하면, 게임 제공 장치(10)는 제1 게임에서 결제 확률에 따라 분류된 복수의 그룹의 수치 정보를 표시할 수 있다. 구체적으로, 게임 제공 장치(10)는 각 그룹에 속한 사용자 수에 대한 결제 사용자 수를 나타내는 비율 정보를 표시할 수 있다.
도 4의 그래프(420)에 도시된 바와 같이, 결제 확률에 따라 분류된 복수의 그룹의 수치 정보를 결제 사용자 비율 정보로 나타내면, 제1 게임의 관리자는 각 그룹에 대하여 결제 전환율을 보다 쉽게 확인할 수 있다. 예를 들면, 지난 달의 결제 확률 그래프와 이번 달의 결제 확률 그래프를 비교하면, 제1 게임의 관리자는 결제 전환율이 증가된 그룹과 결제 전환율이 감소된 그룹을 쉽게 확인할 수 있다. 제1 게임의 관리자는 결제 전환율이 감소된 그룹에 대해 결제 전환율을 높이기 위한 조치를 마련할 수 있다.
도 5는 일실시예에 따라, 결제 확률 모델을 생성하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 5의 단계 S510을 참고하면, 게임 제공 장치(10)는 소정 기간 동안의 제1 게임에서 결제 행위를 수행한 결제 사용자의 로그 데이터를 획득할 수 있다. 또한, 게임 제공 장치(10)는 소정 기간 동안의 제1 게임에서 결제 행위를 수행하지 않은 미결제 사용자의 로그 데이터를 획득할 수 있다. 게임 제공 장치(10)는 머신 러닝을 통한 연산을 수행하여, 결제 사용자의 로그 데이터로부터 결제 사용자의 행위 정보를 학습하고, 미결제 사용자의 로그 데이터로부터 미결제 사용자의 행위 정보를 학습할 수 있다.
단계 S520에서, 게임 제공 장치(10)는 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보에 기초하여, 결제 사용자의 결제 행위에 영향을 미친 요소를 학습할 수 있다. 게임 제공 장치(10)는 결제 사용자의 결제 행위에 영향을 미친 요소를 학습 결과를 이용하여 결제 확률 모델을 생성할 수 있다.
또한, 결제 확률 모델은, 제1 게임에 대한 사용자의 결제 가능성을 결정하는 데에 이용되는 데이터 인식 모델일 수 있다. 데이터 인식 모델은, 인공 신경망(ANN: artificial Neural Network)을 기반으로 구축된 딥 러닝(deep learning)을 통해 획득된 모델일 수 있다. 예를 들면, 학습 모델은 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
단계 S530에서, 게임 제공 장치(10)는 복수의 사용자의 실제 결제 데이터 및 결제 사용자의 결제 행위에 영항을 미친 요소 정보에 기초하여, 제1 게임에 대한 결제 확률 모델을 업데이트 할 수 있다. 예를 들면, 게임 제공 장치(10)는 결제 사용자의 결제 행위에 영항을 미친 요소 정보에 가중치를 두어 결제 확률 모델을 재학습할 수 있다.
도 6은 일실시예에 따라, 게임 제공 장치가 결제 확률 모델을 학습할 때 이용하는, 복수 개의 계층 구조를 갖는 인공 신경망을 개략적으로 도시한 도면이다.
도 6을 참고하면, 인공 신경망은 입력 레이어(610), 적어도 하나의 히든 레이어(620, 630) 및 출력 레이어(640)를 포함할 수 있다. 또한, 인공 신경망을 통한 연산은 게임 제공 장치(10) 내의 프로세서에서 수행될 수 있다.
또한, 히든 레이어(620, 630)에서 수행된 학습 및 훈련을 통해 각 레이어와 노드 사이의 가중치가 학습될 수 있다. 예를 들면, 게임 제공 장치(10) 내의 프로세서는 반복적인 학습을 통하여, 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보를 학습하고, 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보를 학습된 결과를 이용하여 결제 사용자의 결제 행위에 영향을 미친 요소를 학습할 수 있다. 게임 제공 장치(10) 내의 프로세서는 결제 사용자의 결제 행위에 영향을 미친 요소들의 가중치의 값들을 획득할 수 있다.
또한, 게임 제공 장치(10)는 획득된 가중치의 값이 결제 확률 모델에 반영되도록, 훈련된 인공 신경망에서 결제 확률 모델을 재학습 할 수 있다.
도 7은 일실시예에 따라, 게임 제공 장치가 결제 확률 모델을 학습하는 과정을 설명하기 위한 도면이다.
게임 제공 장치(10)는 제1 게임에 대한 복수의 사용자의 행위 정보를 포함하는 로그 데이터를 획득할 수 있다. 예를 들면, 도 7에 도시된 바와 같이, 게임 제공 장치(10)는 제1 사용자의 로그 데이터(701), 제2 사용자의 로그 데이터(702), 및 제3 사용자의 로그 데이터(703)를 획득할 수 있다. 게임 제공 장치(10)는 제1 사용자, 제2 사용자 및 제3 사용자 이외의 다른 사용자들의 로그 데이터를 획득할 수 있다. 설명의 편의상, 도 7에서는 제1 사용자의 로그 데이터(701), 제2 사용자의 로그 데이터(702), 및 제3 사용자의 로그 데이터(703)를 예로 들어 설명한다.
게임 제공 장치(10)는 인공 신경망을 통한 연산을 수행하여, 복수의 사용자의 로그 데이터에 기초하여, 복수의 사용자의 행위들 각각을 학습할 수 있다.
도 7을 참고하면, 게임 제공 장치(10)는 제1 사용자의 로그 데이터(701)로부터 제1 사용자의 행위 정보를 학습할 수 있다. 구체적으로, 게임 제공 장치(10)는 제1 사용자의 로그 데이터(701) 내에서 제1 사용자가 제1 게임 내에서 수행한 행위들의 정보를 추출할 수 있다. 예를 들면, 게임 제공 장치(10)는 제1 사용자의 제1 행위, 제2 행위, 제3 행위에 대한 정보를 추출할 수 있다. 게임 제공 장치(10)는 제1 사용자의 행위 정보에 기초하여, 제1 사용자가 제1 게임에 로그인 한 시간, 로그 아웃 한 시간, 제1 게임을 접속한 지속 시간, 소정 시간 간격 내에서 제1 게임에 접속한 횟수, 제1 게임 내에서 제1 사용자의 구체적인 활동 내역, 제1 게임 내에서 제1 사용자가 결제한 금액, 제1 게임 내에서 제1 사용자가 구매한 아이템, 제1 게임 내에서 제1 사용자가 사용한 캐시 등에 대한 행위들 각각을 구별하여 학습할 수 있다.
마찬가지로, 게임 제공 장치(10)는 제2 사용자의 로그 데이터(702)로부터 제2 사용자의 행위 정보를 학습하고, 제3 사용자의 로그 데이터(703)로부터 제3 사용자의 행위 정보를 학습할 수 있다.
또한, 게임 제공 장치(10)는 제1 게임의 복수의 사용자 중에서 소정 기간 동안 결제 행위를 수행한 결제 사용자의 행위 정보와 결제 행위를 수행하지 않은 미결제 사용자의 행위 정보를 구분하여 학습할 수 있다. 게임 제공 장치(10)는 결제 사용자의 행위 정보와 미결제 사용자의 행위 정보를 학습한 결과에 기초하여, 결제 사용자의 결제 행위에 영향을 미친 요소를 학습할 수 있다.
예를 들면, 게임 제공 장치(10)는 제1 사용자의 로그 데이터(701)로부터 "제1 사용자가 제1 게임에서 제3 라운드의 미션을 달성하기 위해 제1 아이템을 구매"한 행위를 학습할 수 있다. 게임 제공 장치(10)는 제2 사용자의 로그 데이터(702)로부터 "제2 사용자가 제1 게임에서 제1 아이템을 이용하여 제3 라운드의 미션을 달성"한 행위를 학습할 수 있다. 게임 제공 장치(10)는 제3 사용자의 로그 데이터(703)로부터 "제3 사용자가 제1 게임에서 제1 아이템을 구매하고, 제1 아이템을 이용하여 제3 라운드의 미션을 달성"한 행위를 학습할 수 있다. 도 7의 블록(710)을 참고하면, 게임 제공 장치(10)는 제1 사용자 내지 제3 사용자의 행위 정보로부터 학습한 결과에 기초하여, "제1 게임의 제3 라운드"를 사용자의 결제 행위에 영향을 미친 요소로 결정하고, 결정된 결과를 학습할 수 있다.
도 8은 일실시예에 따라, 게임 제공 장치에서 제공되는 복수의 그룹의 특성 정보를 설명하기 위한 도면이다.
도 8의 그래프(810)를 참고하면, 게임 제공 장치(10)는 제1 게임에서 결제 확률에 따라 분류된 복수의 그룹의 수치 정보를 표시할 수 있다. 구체적으로, 게임 제공 장치(10)는 각 그룹에 속한 사용자의 수를 표시할 수 있다. 도 8의 그래프(810)에서, 도 4의 그래프(410)에 대한 설명과 중복되는 부분은 생략한다.
게임 제공 장치(10)는 복수의 그룹 중 적어도 두 개의 그룹의 로그 데이터를 비교하여, 각 그룹을 구분할 수 있는 적어도 하나의 특성을 포함하는 특성 정보를 획득할 수 있다. 구체적으로, 게임 제공 장치(10)는 적어도 두 개의 그룹의 로그 데이터를 비교하여, 제1 게임에 대한 사용자의 몰입도를 판단하는 데에 기준이 되는 적어도 하나의 카테고리에 대한 그룹의 특성 정보를 획득할 수 있다. 여기서, 적어도 하나의 카테고리는, 제1 게임에 대한 업적, 경제 활동, 사용된 캐시, 성장, 커뮤니티, 인게임, 접속, 아웃 게임 중 하나일 수 있고, 상기 예시에 한정되지 않는다.
구체적으로, 제1 게임에 대한 "업적" 카테고리의 내용은 제1 게임과 관련된 사용자의 행위 정보를 포함할 수 있다. 예를 들면, "업적" 카테고리의 내용은 제1 게임 내에서 사용자가 보유한 캐릭터의 경험치, 제1 게임에서 진행하는 이벤트 참여 등의 정보를 포함할 수 있다. 제1 게임에 대한 "경제 활동" 카테고리의 내용은 제1 게임에서 사용자의 각종 상점 활동, 사용자들 간의 거래 등의 정보를 포함할 수 있다. 제1 게임에 대한 "캐시" 카테고리 내용은 제1 게임에서 사용자가 지출한 현금 정보를 포함할 수 있다. 제1 게임에 대한 "성장" 카테고리 내용은 제1 게임 내에서 사용자가 보유한 캐릭터의 경험치, 사용자의 레벨 등의 정보를 포함할 수 있다. 제1 게임에 대한 "커뮤니티" 카테고리 내용은 제1 게임 내에서 사용자들 간의 채팅, 계획을 세우는 등의 정보를 포함할 수 있다. 제1 게임에 대한 "인게임" 카테고리 내용은 제1 게임 내에서 발생되는 이벤트 정보를 포함할 수 있다. 제1 게임에 대한 "접속" 카테고리 내용은 제1 게임에 접속하는 횟수, 시간, 지속 시간 등의 정보를 포함할 수 있다. 제1 게임에 대한 "아웃 게임" 카테고리 내용은, 제1 게임 외부에서 발생되는 이벤트 정보를 포함할 수 있다.
예를 들면, 게임 제공 장치(10)는 결제 확률이 높은 그룹인 "제3 그룹"의 특성을 파악하기 위해, 결제 확률이 낮은 그룹인 "제1 그룹"의 로그 데이터와 결제 확률이 높은 그룹인 "제3 그룹"의 로그 데이터를 비교할 수 있다. 게임 제공 장치(10)는 비교 결과에 기초하여, 제3 그룹과 제1 그룹을 구분할 수 있는 제3 그룹의 특성 정보를 획득할 수 있다.
구체적인 예를 들면, 게임 제공 장치(10)는 제3 그룹의 로그 데이터와 제1 그룹의 로그 데이터를 비교하여, 제1 게임에 대한 사용자의 몰입도를 판단하는 데에 기준이 되는 "성장" 카테고리에 대한 제3 그룹의 특성 정보를 획득할 수 있다. 도 8의 그래프(820)는 "성장" 카테고리에 대하여, 인게이지먼트 지수에 따른 사용자 비율을 결제 확률이 높은 그룹인 "제3 그룹"과 결제 확률이 낮은 그룹인 "제1 그룹" 별로 나타낸 그래프이다. 인게이지먼트 지수는 소정 게임에 대한 사용자의 몰입도를 나타내는 지수를 나타낼 수 있다. 인게이지먼트 지수가 높을수록 소정 게임에 대한 사용자의 몰입도는 높은 것으로 판단될 수 있다.
도 8의 그래프(820)을 참고하면, 결제 확률이 높은 그룹인 "제3 그룹"은 인게이지먼트 지수가 높을수록 성장에 대한 사용자 비율이 높은 성향이 있고, 인게이지먼트 지수가 낮을수록 성장에 대한 사용자 비율이 낮은 성향이 있다. 반면에, 결제 확률이 낮은 그룹인 "제1 그룹"은 인게이지먼트 지수가 높을수록 성장에 대한 사용자 비율이 낮은 성향이 있고, 인게이지먼트 지수가 낮을수록 성장에 대한 사용자 비율이 높은 성향이 있다. 게임 제공 장치(10)는 제1 게임에 대한 결제 확률이 높은 그룹일수록 제1 게임의 성장과 관련된 활동 성향이 높다고 결정할 수 있다. 제1 게임의 관리자는 제1 게임의 성장과 관련된 활동 성향을 더 높이도록 제1 게임의 개발을 유도할 수 있다.
도 9는 다른 일실시예에 따라, 게임 제공 장치에서 제공되는 복수의 그룹의 특성 정보를 설명하기 위한 도면이다.
게임 제공 장치(10)는 적어도 두 개의 그룹의 로그 데이터를 비교하여, 제1 게임에 대한 사용자의 몰입도를 판단하는 데에 기준이 되는 적어도 하나의 카테고리에 대한 그룹의 특성 정보를 획득할 수 있다. 또한, 게임 제공 장치(10)는 적어도 두 개의 그룹의 로그 데이터를 비교하여, 소정 카테고리의 하위 카테고리들에 대한 그룹의 특성 정보를 획득할 수 있다.
도 9의 그래프(900)을 참고하면, 게임 제공 장치(10)는 결제 확률이 높은 "제3 그룹"(예를 들면, 결제 확률이 60% 이상)의 로그 데이터, 및 결제 확률이 중간인 "제2 그룹"(예를 들면, 결제 확률이 30% 이상 60% 미만)의 로그 데이터에 기초하여, "경제 활동" 카테고리에 대한 제3 그룹 또는 제2 그룹의 특성 정보를 획득할 수 있다.
예를 들면, 게임 제공 장치(10)는 "경제 활동" 카테고리의 하위 카테고리인 "아이템 업그레이드" 카테고리, "아이템 개시" 카테고리, "아이템 획득" 카테고리, "아이템 생성" 카테고리, "게임 머니 사용" 카테고리, "게임 머니 획득" 카테고리에 대하여, 제3 그룹 및 제2 그룹 간의 특성 정보를 획득하여 표시할 수 있다. 도 9의 그래프(900)를 참고하면, 게임 제공 장치(10)는 결제 확률이 높은 "제3 그룹" 내의 사용자가 결제 확률이 중간인 "제2 그룹" 내의 사용자보다 "아이템 생성"과 관련된 활동 성향이 높다고 판단할 수 있다. 또한, 게임 제공 장치(10)는 결제 확률이 높은 "제3 그룹" 내의 사용자와 결제 확률이 중간인 "제2 그룹" 내의 사용자는 "아이템 획득"과 관련된 활동 성향이 비슷하다고 판단할 수 있다.
도 10은 일실시예에 따라, 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 10의 단계 S1010에서, 게임 제공 장치(10)는 제1 그룹의 사용자의 결제 데이터로부터 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보를 획득할 수 있다.
단계 S1020에서, 게임 제공 장치(10)는 머신 러닝을 통한 연산을 수행하여, 복수의 파라미터들 중 제1 파라미터를 고려한 제1 결제 행위 예측 모델을 생성하고, 제1 파라미터를 고려하지 않은 제2 결제 행위 예측 모델을 생성할 수 있다. 예를 들면, 게임 제공 장치(10)는 랜덤 포레스트(Random Forest) 알고리즘 또는 인공 신경망을 이용하여 결제 행위 예측 모델을 생성할 수 있다.
단계 S1030에서, 게임 제공 장치(10)는 제1 결제 행위 예측 모델의 성능과 제2 결제 행위 예측 모델의 성능을 비교한 결과에 기초하여, 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득할 수 있다.
예를 들면, 제1 결제 행위 예측 모델과 제2 결제 행위 예측 모델 간의 성능 차이가 미리 설정된 범위를 초과하면, 게임 제공 장치(10)는 제1 파라미터와 관련된 사용자의 행위 정보를 결제 사용자의 결제 행위에 영향을 미친 요소 정보로 결정할 수 있다.
다른 예를 들면, 제1 결제 행위 예측 모델과 제2 결제 행위 예측 모델 간의 성능 차이가 미리 설정된 범위 이내라면, 게임 제공 장치(10)는 제1 파라미터와 관련된 사용자의 행위 정보를 결제 사용자의 결제 행위에 거의 영향이 없는 요소 정보로 결정할 수 있다.
도 11은 일실시예에 따라, 게임 제공 장치에서 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 과정을 설명하기 위한 도면이다.
게임 제공 장치(10)는 소정 파라미터를 고려하여 생성된 결제 행위 예측 모델의 성능과 소정 파라미터를 고려하지 않고 생성된 결제 행위 예측 모델의 성능을 비교하고, 비교 결과에 기초하여, 소정 파라미터와 관련된 사용자 행위 정보를 결제 사용자의 결제 행위에 영향을 미친 요소 정보인지를 결정할 수 있다.
예를 들면, 게임 제공 장치(10)는 머신 러닝에 기반하여 복수의 사용자의 로그 데이터를 학습할 수 있다. 게임 제공 장치(10)는 학습 결과에 기초하여, 제1 파라미터를 고려하여 제1 결제 행위 예측 모델을 생성할 수 있다. 마찬가지로, 게임 제공 장치(10)는 학습 결과에 기초하여, 제1 파라미터를 고려하지 않고 제2 결제 행위 예측 모델을 생성할 수 있다. 게임 제공 장치(10)는 복수의 사용자의 실제 결제 데이터와 결제 행위 예측 모델로 산출된 예측 데이터를 비교할 수 있다.
도 11의 표(1100)에 도시된 바와 같이, 제1 결제 행위 예측 모델에서 산출된 예측 데이터가 실제 결제 데이터와 2%의 오차율이 있고, 제2 결제 행위 예측 모델에서 산출된 예측 데이터가 실제 결제 데이터와 15%의 오차율이 있다면, 게임 제공 장치(10)는 제1 파라미터와 관련된 사용자 행위 정보를 결제 사용자의 결제 행위에 영향을 미친 요소 정보로 결정할 수 있다.
다른 예를 들면, 게임 제공 장치(10)는 학습 결과에 기초하여 제2 파라미터가 고려된 제3 결제 행위 예측 모델, 및 제2 파라미터가 고려되지 않은 제4 결제 행위 예측 모델을 생성할 수 있다. 게임 제공 장치(10)는 복수의 사용자의 실제 결제 데이터와 결제 행위 예측 모델로 산출된 예측 데이터를 비교할 수 있다.
도 11의 표(1100)에 도시된 바와 같이, 제3 결제 행위 예측 모델에서 산출된 예측 데이터가 실제 결제 데이터와 -1%의 오차율이 있고, 제4 결제 행위 예측 모델에서 산출된 예측 데이터가 실제 결제 데이터와 -2%의 오차율이 있다면, 게임 제공 장치(10)는 제3 결제 행위 예측 모델의 성능과 제4 결제 행위 예측 모델의 성능의 차이가 크지 않은 것으로 판단하고, 제2 파라미터와 관련된 사용자 행위 정보를 결제 사용자의 결제 행위에 거의 영향이 없는 요소 정보로 결정할 수 있다.
게임 제공 장치(10)는 소정 파라미터를 고려하여 생성된 결제 행위 예측 모델의 성능과 소정 파라미터를 고려하지 않고 생성된 결제 행위 예측 모델의 성능의 차이가 미리 설정된 범위를 초과하면, 소정 파라미터와 관련된 사용자 행위 정보를 결제 사용자의 결제 행위에 영향을 미친 요소 정보로 결정할 수 있다. 그리고, 게임 제공 장치(10)는 결제 행위 예측 모델 간의 성능 차이가 미리 설정된 범위를 초과한 정도에 기초하여, 소정 파라미터에 가중치를 부여할 수 있다. 게임 제공 장치(10)는 가중치를 고려하여 제1 게임에 대한 결제 가능성을 예측하는 결제 확률 모델을 학습할 수 있다.
도 11의 표(1100)에 기재된 각 파라미터에 대한 오차율 및 중요도는 일예시이고, 다른 수치가 기재될 수 있다.
도 12는 일실시예에 따라, 복수의 사용자의 구매력 정보 및 결제 전환율 정보를 제공하는 게임 제공 장치의 동작 방법을 설명하기 위한 흐름도이다.
도 12의 단계 S1210에서, 게임 제공 장치(10)는 제1 게임에 대한 복수의 사용자의 소정 기간 동안의 결제 데이터에 기초하여, 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득할 수 있다. 이 경우, 게임 제공 장치(10)는 선형 회귀 모델, 랜덤 포레스트 알고리즘 또는 인공 신경망 등을 이용하여 복수의 사용자의 구매력 정보를 예측할 수 있다. 예를 들면, 제1 사용자의 구매력 정보는, 제1 사용자의 소정 기간 동안(예를 들면, 지난 달, 6개월 또는 12개월 등) 결제 데이터에 기초하여 결정된 이번 달의 예상 결제 금액 정보를 포함할 수 있다.
단계 S1220에서, 게임 제공 장치(10)는 구매력 정보에 기초하여, 복수의 사용자를 복수의 그룹으로 분류할 수 있다.
단계 S1230에서, 게임 제공 장치(10)는 복수의 그룹 별로, 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 획득할 수 있다.
단계 S1240에서, 게임 제공 장치(10)는 결제 전환율 정보를 제공할 수 있다. 예를 들면, 게임 제공 장치(10)는 복수의 그룹 중 제1 그룹에서 결제 전환율의 제1 구간을 선택하는 입력을 수신할 수 있다. 게임 제공 장치(10)는 제1 구간에 속한 사용자의 구매력 정보 및 실제 결제 금액 정보를 표시할 수 있다.
도 13은 일실시예에 따라, 게임 제공 장치에서 결제 전환율 정보를 제공하는 과정을 설명하기 위한 도면이다.
게임 제공 장치(10)는 구매력 정보에 따라 분류된 복수의 그룹에 대하여 결제 전환율 정보를 획득할 수 있다.
도 13의 그래프(1310)를 참고하면, 게임 제공 장치(10)는 복수의 사용자의 구매력 정보에 따라, 복수의 사용자를 6개의 그룹으로 분류할 수 있다. 예를 들면, 게임 제공 장치(10)는 복수의 사용자의 구매력 정보에 기초하여, 복수의 사용자를 예상 결제 금액이 5,000원 미만인 제1 그룹, 예상 결제 금액이 5,000원 이상 20,000원 미만인 제2 그룹, 예상 결제 금액이 20,000원 이상 50,000원 미만인 제3 그룹, 예상 결제 금액이 50,000원 이상 100,000원 미만인 제4 그룹, 예상 결제 금액이 100,000원 이상 200,000원 미만인 제5 그룹, 예상 결제 금액이 200,000원 이상인 제6 그룹으로 분류할 수 있다.
이 경우, 게임 제공 장치(10)는 소정 기간 동안(예를 들면, 지난 6개월, 12개월 등)의 복수의 사용자의 결제 데이터에 기초하여, 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득할 수 있다.
결제 데이터는, 소정 기간 동안의 복수의 사용자가 결제한 총 결제 금액, 일정 시간에 따른 결제 금액의 평균 금액, 결제한 시기 중 적어도 하나의 데이터일 수 있다.
예를 들면, 제1 사용자가 매달 30,000원씩 결제하는 경우, 게임 제공 장치(10)는 제1 사용자의 구매력을 30,000원으로 결정하고, 제3 그룹으로 분류할 수 있다.
다른 예를 들면, 제2 사용자가 매년 5월 5일마다 평균 150,000원을 결제하는 경우, 게임 제공 장치(10)는 제2 사용자의 5월 구매력을 150,000원으로 결정하고, 제5 그룹으로 분류할 수 있다.
도 13의 그래프(1310)에 도시된 바와 같이, 게임 제공 장치(10)는 현 시점을 기준으로 복수의 그룹 별로, 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 획득하고, 결제 전환율 정보를 표시할 수 있다.
게임 제공 장치(10)는 제3 그룹 중 현재 결제 전환율이 0% 초과 10% 미만인 구간을 선택하는 입력을 수신할 수 있다. 게임 제공 장치(10)는 제3 그룹 중 현재 결제 전환율이 0% 초과 10% 미만인 구간에 속한 사용자를 추출하고, 추출된 사용자의 구매력 정보 및 결제 금액 정보를 표시할 수 있다.
도 14는 일실시예에 따라, 게임 제공 장치의 구성을 도시한 블록도이다.
도 14에 도시된 게임 제공 장치(10)는, 통신 장치(1410), 사용자 인터페이스 장치(1420), 스토리지(1430), 메모리(1440), 및 프로세서(1450)를 포함할 수 있다. 그러나, 도시된 구성 요소 모두가 필수 구성 요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 게임 제공 장치(10)가 구현될 수 있고, 그보다 적은 구성 요소에 의해서도 게임 제공 장치(10)가 구현될 수 있다. 도 14에 도시된 게임 제공 장치(10)는 도 1에서 설명한 서버(4000)와 동일하게 대응될 수 있다.
통신 장치(1410)는 외부 장치와 통신을 수행할 수 있다. 구체적으로, 통신 장치(1410)는 유선 또는 무선으로 네트워크와 연결되어 외부 장치와 통신을 수행할 수 있다. 여기서, 외부 장치는 서버, 스마트폰, 태블릿, PC 등일 수 있다. 통신 장치(1410)는 다양한 유무선 통신 방법 중 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들면, 통신 모듈은 칩셋(chipset)의 형태일 수도 있고, 또는 통신에 필요한 정보를 포함하는 스티커/바코드(e.g. NFC tag를 포함하는 스티커)등일 수도 있다. 또한, 통신 모듈은 근거리 통신 모듈, 유선 통신 모듈일 수 있다.
예를 들면, 통신 장치(1410)는 무선 랜(Wireless LAN), Wi-Fi(Wireless Fidelity), WFD(Wi-Fi Direct), 블루투스(Bluetooth), BLE(Bluetooth Low Energy), Wired Lan, NFC(Near Field Communication), 지그비(Zigbee) 적외선(IrDA, infrared Data Association), 3G, 4G, 및 5G 중 적어도 하나를 지원할 수 있다.
사용자 인터페이스 장치(1420)는 사용자로부터 게임 제공 장치(10)를 제어하기 위해 데이터를 입력 받는 장치를 의미할 수 있다. 프로세서(1450)는 사용자로부터 소정 명령 또는 데이터를 입력 받기 위한 사용자 인터페이스 화면을 생성 및 출력하도록 사용자 인터페이스 장치(1420)를 제어할 수 있다. 사용자 인터페이스 장치(1420)는 게임 제공 장치(10)의 동작을 제어하는 입력 등을 수신하기 위한 입력부와 게임 제공 장치(10)의 동작에 따른 결과 또는 게임 제공 장치(10)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들면, 사용자 인터페이스 장치(1420)는 사용자 입력을 수신하는 조작 패널, 화면을 표시하는 디스플레이 패널 등을 포함할 수 있다.
구체적으로, 입력부는, 예를 들어, 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는, 예를 들어, 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 사용자 인터페이스 장치(1420)는 다양한 입출력을 지원하는 장치를 포함할 수 있다.
사용자 인터페이스 장치(1420)는 제1 게임에 대한 복수의 사용자의 결제 가능성에 대한 예측 정보를 표시할 수 있다. 또한, 사용자 인터페이스 장치(1420)는 예측 정보에 따라 복수의 사용자를 복수의 그룹으로 분류한 결과를 표시할 수 있다. 또한, 사용자 인터페이스 장치(1420)는 제1 그룹의 특성 정보를 표시할 수 있다. 예를 들면, 사용자 인터페이스 장치(1420)는 1 그룹의 특성 정보를 제2 그룹의 특성 정보와 비교한 결과를 표시할 수 있다.
사용자 인터페이스 장치(1420)는 제1 게임에 대한 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 표시할 수 있다. 또한, 사용자 인터페이스 장치(1420)는 구매력 정보에 따라 복수의 사용자를 복수의 그룹으로 분류한 결과를 표시할 수 있다. 또한, 사용자 인터페이스 장치(1420)는 현재 시점을 기준으로, 복수의 그룹 별로 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 표시할 수 있다.
스토리지(1430)는 게임 제공 장치(10)가 복수의 사용자의 결제 가능성을 예측하여 복수의 사용자를 복수의 그룹으로 분류하고, 복수의 그룹의 특성 정보를 제공하는 데에 이용되는 프로그램, 애플리케이션 등과 관련된 정보를 저장할 수 있다.
또한, 스토리지(1430)는 게임 제공 장치(10)가 복수의 사용자의 결제 데이터로부터 예상 결제 금액을 나타내는 구매력 정보를 획득하고, 구매력 정보에 따라, 복수의 사용자를 복수의 그룹으로 분류하고, 그룹 별로 결제 전환율의 정보를 제공하는 데에 이용되는 프로그램, 애플리케이션 등과 관련된 정보를 저장할 수 있다.
스토리지(1430)는 게임 제공 장치(10)에서 실행되는 프로그램, 애플리케이션, 및 플랫폼 상에서 이용되는 각종 데이터를 저장할 수 있다.
스토리지(1430)는 게임 제공 장치(10)에서 복수의 사용자의 로그 데이터에 기반하여 복수의 사용자의 행위들 각각을 학습한 결과, 학습한 결과를 이용하여 모델을 재학습한 결과 등을 저장할 수 있다.
메모리(1440)는 소프트웨어 또는 프로그램을 저장할 수 있다. 메모리(1440)는 게임 제공 장치(10)에서 복수의 사용자의 결제 가능성에 따라 분류된 그룹의 특성 정보를 제공하는 방법, 또는 복수의 사용자의 결제 전환율 정보를 제공하는 방법을 실행시키기 위한 적어도 하나의 프로그램을 저장할 수 있다. 메모리(1440)에 저장된 적어도 하나의 프로그램은 기능에 따라 복수 개의 모듈들로 분류될 수 있다.
프로세서(1450)는 게임 제공 장치(10)의 전체적인 동작을 제어하며, CPU 등과 같은 적어도 하나의 프로세서를 포함할 수 있다. 프로세서(1450)는 각 기능에 대응되는 특화된 프로세서를 적어도 하나 포함하거나, 하나로 통합된 형태의 프로세서일 수 있다.
프로세서(1450)는 메모리(1440)에 저장된 프로그램을 실행시키거나, 메모리(1440)에 저장된 데이터 또는 파일을 읽어오거나, 새로운 파일을 메모리(1440)에 저장할 수 있다. 프로세서(1450)는 메모리(1440)에 저장된 명령어들을 실행할 수 있다.
프로세서(1450)는 제1 게임에 대한 복수의 사용자의 로그 데이터를 결제 확률 모델에 적용하여, 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득할 수 있다. 복수의 사용자의 로그 데이터는 복수의 사용자의 행위 정보를 포함할 수 있다.
여기서, 결제 확률 모델은, 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 모델일 수 있다. 예를 들면, 결제 확률 모델은, 복수의 사용자의 로그 데이터가 입력되면, 복수의 사용자의 행위 정보와 소정 기간 동안 결제 행위를 수행한 사용자의 행위 정보의 유사도에 기초하여, 복수의 사용자의 결제 가능성을 예측하는 모델일 수 있다.
프로세서(1450)는 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 복수의 사용자를 복수의 그룹으로 분류할 수 있다. 예를 들면, 결제 가능성은 확률로 표현될 수 있다. 프로세서(1450)는 결제 가능성의 확률이 0 이상 0.3 미만인 사용자를 제1 그룹으로, 결제 가능성의 확률이 0.3이상 0.6 미만인 사용자를 제2 그룹으로, 결제 가능성의 확률이 0.6 이상 1 이하인 사용자를 제3 그룹으로 분류할 수 있다.
프로세서(1450)는 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 제1 그룹의 특성 정보를 획득할 수 있다.
예를 들면, 프로세서(1450)는 제1 그룹의 로그 데이터와 제2 그룹의 로그 데이터를 비교하여, 제1 그룹과 제2 그룹을 구분할 수 있는 적어도 하나의 특성을 포함하는 제1 그룹의 특성 정보를 획득할 수 있다.
구체적으로, 프로세서(1450)는 제1 그룹의 로그 데이터와 제2 그룹의 로그 데이터를 비교하여, 제1 게임에 대한 사용자의 몰입도를 판단하는 데에 기준이 되는 적어도 하나의 카테고리에 대한 제1 그룹의 특성 정보를 획득할 수 있다.
다른 예를 들면, 프로세서(1450)는 제1 그룹의 사용자의 실제 결제 데이터로부터 획득된 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보에 기초하여 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득할 수 있다.
구체적으로, 프로세서(1450)는 제1 그룹의 사용자의 결제 데이터로부터 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보를 획득할 수 있다.
프로세서(1450)는 머신 러닝을 통한 연산을 수행하여, 복수의 파라미터들 중 제1 파라미터를 고려한 제1 결제 행위 예측 모델을 생성하고, 제1 파라미터를 고려하지 않은 제2 결제 행위 예측 모델을 생성할 수 있다.
프로세서(1450)는 제1 결제 행위 예측 모델의 성능과 제2 결제 행위 예측 모델의 성능을 비교한 결과에 기초하여, 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득할 수 있다.
예를 들면, 제1 결제 행위 예측 모델과 제2 결제 행위 예측 모델 간의 성능 차이가 미리 설정된 범위를 초과하면, 프로세서(1450)는 제1 파라미터와 관련된 사용자의 행위 정보를 결제 사용자의 결제 행위에 영향을 미친 요소 정보로 결정할 수 있다.
다른 예를 들면, 제1 결제 행위 예측 모델과 제2 결제 행위 예측 모델 간의 성능 차이가 미리 설정된 범위 이내라면, 프로세서(1450)는 제1 파라미터와 관련된 사용자의 행위 정보를 결제 사용자의 결제 행위에 거의 영향이 없는 요소 정보로 결정할 수 있다.
프로세서(1450)는 제1 그룹의 특성 정보를 제공할 수 있다. 예를 들면, 프로세서(1450)는 제1 그룹의 특성 정보를 제2 그룹의 특성 정보와 비교한 결과를 사용자 인터페이스 장치(1420)를 통해 표시할 수 있다. 또한, 프로세서(1450)는 제1 그룹의 특성 정보를 제2 그룹의 특성 정보와 비교한 결과를 통신 장치(1410)를 통해 외부 장치로 전송할 수 있다.
한편, 프로세서(1450)는 소정 기간 동안의 제1 게임에서 결제 행위를 수행한 결제 사용자의 로그 데이터를 획득할 수 있다. 또한, 프로세서(1450)는 소정 기간 동안의 제1 게임에서 결제 행위를 수행하지 않은 미결제 사용자의 로그 데이터를 획득할 수 있다. 프로세서(1450)는 머신 러닝을 통한 연산을 수행하여, 결제 사용자의 로그 데이터로부터 결제 사용자의 행위 정보를 학습하고, 미결제 사용자의 로그 데이터로부터 미결제 사용자의 행위 정보를 학습할 수 있다.
프로세서(1450)는 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보에 기초하여, 결제 사용자의 결제 행위에 영향을 미친 요소를 학습할 수 있다. 프로세서(1450)는 결제 사용자의 결제 행위에 영향을 미친 요소를 학습 결과를 이용하여 결제 확률 모델을 생성할 수 있다.
또한, 결제 확률 모델은, 제1 게임에 대한 사용자의 결제 가능성을 결정하는 데에 이용되는 데이터 인식 모델일 수 있다. 데이터 인식 모델은, 인공 신경망(ANN: artificial Neural Network)을 기반으로 구축된 딥 러닝(deep learning)을 통해 획득된 모델일 수 있다. 예를 들면, 학습 모델은 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
프로세서(1450)는 복수의 사용자의 실제 결제 데이터 및 결제 사용자의 결제 행위에 영항을 미친 요소 정보에 기초하여, 제1 게임에 대한 결제 확률 모델을 업데이트 할 수 있다.
한편, 프로세서(1450)는 제1 게임에 대한 복수의 사용자의 소정 기간 동안의 결제 데이터에 기초하여, 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득할 수 있다. 여기서, 결제 데이터는, 소정 기간 동안의 복수의 사용자가 결제한 총 결제 금액, 일정 시간에 따른 결제 금액의 평균 금액, 결제한 시기 중 적어도 하나의 데이터일 수 있다.
프로세서(1450)는 현 시점을 기준으로 복수의 그룹 별로, 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 획득할 수 있다. 프로세서(1450)는 사용자 인터페이스 장치(1420)를 통해 결제 전환율 정보를 표시할 수 있다.
예를 들면, 사용자 인터페이스 장치(1420)는 복수의 그룹 중 제1 그룹에서 결제 전환율의 제1 구간을 선택하는 입력을 수신할 수 있다. 사용자 인터페이스 장치(1420)는 제1 구간에 속한 사용자의 구매력 정보 및 실제 결제 금액 정보를 표시할 수 있다.
또한, 프로세서(1450)는 통신 장치(1410)를 통해 결제 전환율 정보를 외부 장치로 전송할 수 있다.
이상에서 설명된 게임 제공 장치(10)는 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 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 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 기록 매체에 기록될 수 있다. 컴퓨터 판독 가능 기록 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 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 (27)
- 제1 게임에 대한 복수의 사용자의 행위 정보를 포함하는 로그 데이터를 상기 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 결제 확률 모델에 적용하여, 상기 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득하는 단계;
상기 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계;
상기 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 상기 제1 그룹의 특성 정보를 획득하는 단계; 및
상기 제1 그룹의 특성 정보를 제공하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 제1항에 있어서,
상기 결제 확률 모델은,
상기 복수의 사용자의 로그 데이터가 입력되면, 상기 복수의 사용자의 행위 정보와 소정 기간 동안 결제 행위를 수행한 사용자의 행위 정보의 유사도에 기초하여, 상기 복수의 사용자의 결제 가능성을 예측하는 모델인, 게임 제공 장치의 동작 방법. - 제1항에 있어서,
소정 기간 동안 상기 제1 게임에서 결제 행위를 수행한 결제 사용자의 로그 데이터와 상기 소정 기간 동안 상기 제1 게임에서 결제 행위를 수행하지 않은 미결제 사용자의 로그 데이터에 기초하여, 상기 결제 확률 모델을 생성하는 단계를 더 포함하는, 게임 제공 장치의 동작 방법. - 제3항에 있어서,
상기 결제 확률 모델을 생성하는 단계는,
머신 러닝을 통한 연산을 수행하여, 상기 결제 사용자의 로그 데이터로부터 상기 결제 사용자의 행위 정보를 학습하고, 상기 미결제 사용자의 로그 데이터로부터 상기 미결제 사용자의 행위 정보를 학습하는 단계; 및
상기 결제 사용자의 행위 정보 및 상기 미결제 사용자의 행위 정보에 기초하여, 상기 결제 사용자의 결제 행위에 영향을 미친 요소를 학습하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 제1항에 있어서,
상기 제1 그룹의 특성 정보를 획득하는 단계는,
상기 제1 그룹의 로그 데이터와 상기 복수의 그룹 중 제2 그룹의 로그 데이터를 비교하여, 상기 제1 그룹과 상기 제2 그룹을 구분할 수 있는 적어도 하나의 특성을 포함하는 상기 제1 그룹의 특성 정보를 획득하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 제5항에 있어서,
상기 제1 그룹의 특성 정보를 획득하는 단계는,
상기 제1 그룹의 로그 데이터와 상기 제2 그룹의 로그 데이터를 비교하여, 상기 제1 게임에 대한 사용자의 몰입도를 판단하는 데에 기준이 되는 적어도 하나의 카테고리에 대한 상기 제1 그룹의 특성 정보를 획득하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 제1항에 있어서,
상기 제1 그룹의 특성 정보를 획득하는 단계는,
상기 제1 그룹의 사용자의 실제 결제 데이터로부터 획득된 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보에 기초하여, 상기 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 제7항에 있어서,
상기 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는 단계는,
머신 러닝을 통한 연산을 수행하여, 복수의 파라미터들 중 제1 파라미터를 고려하여 생성된 제1 결제 행위 예측 모델의 성능과 상기 복수의 파라미터들 중 상기 제1 파라미터를 고려하지 않고 생성된 제2 결제 행위 예측 모델의 성능을 비교하는 단계; 및
비교 결과에 따라 상기 제1 결제 행위 예측 모델과 상기 제2 결제 행위 예측 모델 간의 성능 차이가 미리 설정된 범위를 초과하면, 상기 제1 파라미터와 관련된 사용자의 행위 정보를 상기 결제 사용자의 결제 행위에 영향을 미친 요소 정보로 결정하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 제7항에 있어서,
상기 복수의 사용자의 실제 결제 데이터 및 상기 결제 사용자의 결제 행위에 영향을 미친 요소 정보에 기초하여, 상기 제1 게임에 대한 상기 결제 확률 모델을 업데이트 하는 단계를 더 포함하는, 게임 제공 장치의 동작 방법. - 제1항에 있어서,
상기 제1 그룹의 특성 정보를 제공하는 단계는,
상기 제1 그룹의 특성 정보를 상기 복수의 그룹 중 제2 그룹의 특성 정보와 비교한 결과를 표시하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 제1 게임에 대한 복수의 사용자의 소정 기간 동안의 결제 데이터에 기초하여, 상기 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득하는 단계;
상기 구매력 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계;
상기 복수의 그룹 별로, 상기 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 획득하는 단계; 및
상기 결제 전환율 정보를 제공하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 제11항에 있어서,
상기 결제 전환율 정보를 제공하는 단계는,
상기 복수의 그룹 중 제1 그룹에서 결제 전환율의 제1 구간을 선택하는 입력을 수신하는 단계; 및
상기 제1 구간에 속한 사용자의 구매력 정보 및 실제 결제 금액 정보를 표시하는 단계를 포함하는, 게임 제공 장치의 동작 방법. - 통신 장치;
사용자 인터페이스 장치;
스토리지;
프로세서; 및
상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고,
상기 프로세서는, 상기 명령어들을 실행함으로써,
제1 게임에 대한 복수의 사용자의 행위 정보를 포함하는 로그 데이터를 상기 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 결제 확률 모델에 적용하여, 상기 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득하고,
상기 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하고,
상기 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 상기 제1 그룹의 특성 정보를 획득하고,
상기 제1 그룹의 특성 정보를 상기 사용자 인터페이스 장치를 통해 제공하는, 게임 제공 장치. - 제13항에 있어서,
상기 결제 확률 모델은,
상기 복수의 사용자의 로그 데이터가 입력되면, 상기 복수의 사용자의 행위 정보와 소정 기간 동안 결제 행위를 수행한 사용자의 행위 정보의 유사도에 기초하여, 상기 복수의 사용자의 결제 가능성을 예측하는 모델인, 게임 제공 장치. - 제13항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
소정 기간 동안 상기 제1 게임에서 결제 행위를 수행한 결제 사용자의 로그 데이터와 상기 소정 기간 동안 상기 제1 게임에서 결제 행위를 수행하지 않은 미결제 사용자의 로그 데이터에 기초하여, 상기 결제 확률 모델을 생성하는, 게임 제공 장치. - 제15항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
머신 러닝을 통한 연산을 수행하여, 상기 결제 사용자의 로그 데이터로부터 상기 결제 사용자의 행위 정보를 학습하고, 상기 미결제 사용자의 로그 데이터로부터 상기 미결제 사용자의 행위 정보를 학습하고,
상기 결제 사용자의 행위 정보 및 상기 미결제 사용자의 행위 정보에 기초하여, 상기 결제 사용자의 결제 행위에 영향을 미친 요소를 학습하는, 게임 제공 장치. - 제13항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 제1 그룹의 로그 데이터와 상기 복수의 그룹 중 제2 그룹의 로그 데이터를 비교하여, 상기 제1 그룹과 상기 제2 그룹을 구분할 수 있는 적어도 하나의 특성을 포함하는 상기 제1 그룹의 특성 정보를 획득하는, 게임 제공 장치. - 제17항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 제1 그룹의 로그 데이터와 상기 제2 그룹의 로그 데이터를 비교하여, 상기 제1 게임에 대한 사용자의 몰입도를 판단하는 데에 기준이 되는 적어도 하나의 카테고리에 대한 상기 제1 그룹의 특성 정보를 획득하는, 게임 제공 장치. - 제13항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 제1 그룹의 사용자의 실제 결제 데이터로부터 획득된 결제 사용자의 행위 정보 및 미결제 사용자의 행위 정보에 기초하여, 상기 결제 사용자의 결제 행위에 영향을 미친 요소 정보를 획득하는, 게임 제공 장치. - 제19항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
머신 러닝을 통한 연산을 수행하여, 복수의 파라미터들 중 제1 파라미터를 포함시켜 생성된 제1 결제 행위 예측 모델의 성능과 상기 복수의 파라미터들 중 상기 제1 파라미터를 제외시켜 생성된 제2 결제 행위 예측 모델의 성능을 비교하고,
비교 결과에 따라 상기 제1 결제 행위 예측 모델과 상기 제2 결제 행위 예측 모델 간의 성능 차이가 미리 설정된 범위를 초과하면, 상기 제1 파라미터와 관련된 사용자의 행위 정보를 상기 결제 사용자의 결제 행위에 영향을 미친 요소 정보로 결정하는, 게임 제공 장치. - 제19항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 복수의 사용자의 실제 결제 데이터 및 상기 결제 사용자의 결제 행위에 영향을 미친 요소 정보에 기초하여, 상기 제1 게임에 대한 상기 결제 확률 모델을 업데이트 하는, 게임 제공 장치. - 제13항에 있어서,
상기 프로세서는, 상기 명령어들을 실행함으로써,
상기 제1 그룹의 특성 정보를 상기 복수의 그룹 중 제2 그룹의 특성 정보와 비교한 결과를 상기 사용자 인터페이스 장치를 통해 표시하는, 게임 제공 장치. - 통신 장치;
사용자 인터페이스 장치;
스토리지;
프로세서; 및
상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고,
상기 프로세서는, 상기 명령어들을 실행함으로써,
제1 게임에 대한 복수의 사용자의 소정 기간 동안의 결제 데이터에 기초하여, 상기 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득하고,
상기 구매력 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하고,
상기 복수의 그룹 별로, 상기 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율의 정보를 획득하고,
상기 결제 전환율의 정보를 상기 사용자 인터페이스 장치를 통해 제공하는, 게임 제공 장치. - 제1 게임에 대한 복수의 사용자의 행위 정보를 포함하는 로그 데이터를 상기 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 결제 확률 모델에 적용하여, 상기 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득하는 단계;
상기 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계;
상기 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 상기 제1 그룹의 특성 정보를 획득하는 단계; 및
상기 제1 그룹의 특성 정보를 제공하는 단계를 포함하는, 방법을 하드웨어와 결합되어 실행시키기 위해 매체에 저장된 컴퓨터 프로그램. - 제1 게임에 대한 복수의 사용자의 소정 기간 동안의 결제 데이터에 기초하여, 상기 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득하는 단계;
상기 구매력 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계;
상기 복수의 그룹 별로, 상기 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 획득하는 단계; 및
상기 결제 전환율 정보를 제공하는 단계를 포함하는, 방법을 하드웨어와 결합되어 실행시키기 위해 매체에 저장된 컴퓨터 프로그램. - 제1 게임에 대한 복수의 사용자의 행위 정보를 포함하는 로그 데이터를 상기 제1 게임에서 사용자가 결제 행위를 수행할 가능성을 예측하는 결제 확률 모델에 적용하여, 상기 복수의 사용자의 결제 가능성에 대한 예측 정보를 획득하는 단계;
상기 복수의 사용자의 결제 가능성에 대한 예측 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계;
상기 복수의 그룹 중 제1 그룹에 속한 사용자의 로그 데이터에 기초하여, 상기 제1 그룹의 특성 정보를 획득하는 단계; 및
상기 제1 그룹의 특성 정보를 제공하는 단계를 포함하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체. - 제1 게임에 대한 복수의 사용자의 소정 기간 동안의 결제 데이터에 기초하여, 상기 복수의 사용자의 예상 결제 금액을 나타내는 구매력 정보를 획득하는 단계;
상기 구매력 정보에 따라, 상기 복수의 사용자를 복수의 그룹으로 분류하는 단계;
상기 복수의 그룹 별로, 상기 예상 결제 금액 대비 실제 결제 금액을 나타내는 결제 전환율 정보를 획득하는 단계; 및
상기 결제 전환율 정보를 제공하는 단계를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180145748A KR102641885B1 (ko) | 2018-11-22 | 2018-11-22 | 게임 제공 장치에서 결제 분석 정보를 제공하는 방법 및 게임 제공 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180145748A KR102641885B1 (ko) | 2018-11-22 | 2018-11-22 | 게임 제공 장치에서 결제 분석 정보를 제공하는 방법 및 게임 제공 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200060140A KR20200060140A (ko) | 2020-05-29 |
KR102641885B1 true KR102641885B1 (ko) | 2024-02-27 |
Family
ID=70912637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180145748A KR102641885B1 (ko) | 2018-11-22 | 2018-11-22 | 게임 제공 장치에서 결제 분석 정보를 제공하는 방법 및 게임 제공 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102641885B1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102600765B1 (ko) * | 2021-08-17 | 2023-11-09 | 엘지전자 주식회사 | 반려동물 및 사용자의 정보를 분석하여 메타버스 환경에서 마케팅 정보를 제공하는 방법 및 장치 |
CN114298768A (zh) * | 2021-12-31 | 2022-04-08 | 北京金堤科技有限公司 | 信息推送方法、装置、存储***和电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06119309A (ja) * | 1992-10-02 | 1994-04-28 | Intetsuku:Kk | 購入見込み度合予測方法及び顧客管理システム |
KR20070109328A (ko) * | 2006-05-10 | 2007-11-15 | 주식회사 지에스홈쇼핑 | 고객별 실시간 맞춤 정보 통합 제공 시스템 |
KR20150013378A (ko) * | 2013-07-26 | 2015-02-05 | 주식회사 아베크게임즈 | 온라인 게임 유저 분석방법 및 그 분석시스템 |
KR20160010756A (ko) * | 2014-07-17 | 2016-01-28 | 주식회사 넥스트웹 | 쇼핑 분석기능을 갖는 온라인 쇼핑 시스템 및 쇼핑 분석 방법 |
KR20180098196A (ko) * | 2018-08-23 | 2018-09-03 | 넷마블 주식회사 | 유저 식별 장치 및 방법 |
-
2018
- 2018-11-22 KR KR1020180145748A patent/KR102641885B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR20200060140A (ko) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109621422B (zh) | 电子棋牌决策模型训练方法及装置、策略生成方法及装置 | |
US11471764B2 (en) | Predictive execution of distributed game engines | |
US11478713B1 (en) | Automated detection of emergent behaviors in interactive agents of an interactive environment | |
US11420115B2 (en) | Automated dynamic custom game content generation | |
JP7399277B2 (ja) | 情報処理方法、装置、コンピュータプログラム及び電子装置 | |
CN113365706A (zh) | 使用云游戏网络的人工智能(ai)模型训练 | |
US11673049B2 (en) | Operator interface for automated game content generation | |
US11724193B2 (en) | Automated prediction of user response states based on traversal behavior | |
US20220088486A1 (en) | Game definition file | |
US11565182B2 (en) | Parametric player modeling for computer-implemented games | |
US20220088481A1 (en) | Automated game assessment | |
US11806624B2 (en) | On device game engine architecture | |
US20220088485A1 (en) | Automated generation of custom content for computer-implemented games | |
KR102641885B1 (ko) | 게임 제공 장치에서 결제 분석 정보를 제공하는 방법 및 게임 제공 장치 | |
EP4325440A1 (en) | Method, computer program, and device for identifying hit location of dart pin | |
KR20200029923A (ko) | 컴퓨팅 장치에서 게임에 대한 사용자의 데이터를 처리하는 방법, 및 컴퓨팅 장치 | |
US11660538B2 (en) | Methods and systems for game system creation | |
KR102173452B1 (ko) | 데이터 처리 방법 | |
KR102259786B1 (ko) | 게임 데이터 처리 방법 | |
KR20200029916A (ko) | 컴퓨팅 장치에서 게임에 대한 사용자의 데이터를 처리하는 방법, 및 컴퓨팅 장치 | |
KR20200072391A (ko) | 게임 지표 정보 예측 방법 및 장치 | |
KR102678935B1 (ko) | 설정된 구매 금액 내에서 상품 정보를 제공하는 게임 제공 장치 및 게임 제공 장치의 동작 방법 | |
CN114254260B (zh) | 一种挖掘游戏中的不平衡数据组的方法、装置、设备和存储介质 | |
EP4325164A1 (en) | Method, computer program, and device for identifying hit location of dart pin | |
EP4325163A1 (en) | Method, computer program, and device for generating training dataset for identifying hit location of dart pin |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |