📉 유저 이탈 예측 모델 만들기 – Part 1: 데이터 설계와 라벨 정의

🧭 개요

대부분의 게임은 서비스 초기에 많은 유저가 유입되지만, 일정 기간이 지나면 빠르게 이탈하는 유저가 생기기 시작합니다.

• 어떤 유저가 왜 떠나는가?
• 이탈을 예측해서 막을 수는 없을까?
• 어떤 행동 패턴이 이탈을 예고하는가?

이 질문에 답하기 위해 머신러닝 기반 유저 이탈 예측 모델이 필요합니다.

---

🎯 실무 목표

유저의 지난 7일간 활동 데이터를 분석하여, 다음 7일 안에 이탈할 가능성이 높은 유저를 예측하는 것

예측에 성공하면:

• 조기 이탈자에게 보상 푸시
• 핵심 유저 유지율 향상
• 마케팅 비용 최적화

---

🔍 Step 1: 이탈(Churn) 정의

정의 기준 예시 (모바일 MMORPG 기준):

• 최근 7일간 로그인 기록이 없는 유저
• OR 최근 7일간 퀘스트/전투/결제 활동이 모두 없음

-- 이탈 여부 계산 SQL 예시
SELECT account_id,
       MAX(login_date) AS last_login,
       CASE
         WHEN MAX(login_date) < DATE_SUB(NOW(), INTERVAL 7 DAY) THEN 1
         ELSE 0
       END AS is_churn
FROM login_log
GROUP BY account_id;

 

이 값을 머신러닝의 **타겟 라벨(Label)**로 사용합니다.

---

📊 Step 2: 입력 데이터 정의

7일간의 행동 데이터를 기반으로 예측합니다.
입력 피처(Features) 예시:

Feature설명

login_days	최근 7일 중 로그인한 일수
play_time_avg	일 평균 플레이 시간
quest_completed	7일간 완료한 퀘스트 수
battle_count	전투 참여 횟수
party_join_rate	파티 매칭 참여율
gold_change	획득한 골드량 변화
cash_spent	유료 재화 사용량
pvp_win_rate	PvP 승률

 

---

📦 Step 3: 데이터 수집 예시

SQL로 원본 데이터 추출 → Pandas로 처리

import pandas as pd

# 예시 CSV 파일 로딩
df = pd.read_csv("user_behavior_last7days.csv")

# 예시 피처
df.head()

account_id         login_days       play_time_avg     quest_completed       gold_change       cash_spent        is_churn

 

10001	5	120.5	8	3500	0	0
10002	2	40.0	2	100	0	1

 

✅ 이 데이터를 기반으로 모델을 학습시킬 수 있음

---

🤖 Step 4: 예측 모델 정의

다음 Part 2에서 사용할 기본 분류 모델:

• 랜덤 포레스트 (Random Forest Classifier)
• XGBoost
• 향후 확장: LightGBM, 딥러닝(LSTM 등)

분류 문제 (Binary Classification)

• Target: is_churn (0 = 유지, 1 = 이탈)
• Input: 유저 활동 피처들

---

🛠 실무 적용 팁

상황적용

신규 유저 3일차 행동만 보고 예측	t+3 기준 예측 → 빠른 전환 대응
장기 유저 대상 프리미엄 유저 분류	LTV + 이탈 예측 결합 모델
유료 유저 이탈 예측	cash_spent > 0 필터링 후 별도 예측 모델 운영
클러스터링 결합	먼저 유저를 군집화하고 각 군집별 이탈 예측 모델을 운영

 

---

📁 확장 과제 제안

• 로그인 로그 + 퀘스트 로그 + 결제 로그 조합하여 피처 생성
• datetime → 요일/주말 여부, 시간대 파생 피처 구성
• PyCaret, AutoML 도구로 모델 자동 탐색

---

📌 마무리 요약

오늘은 이탈 예측을 위한 전처리와 설계에 집중했습니다.
정확한 라벨 정의 + 고품질 피처 구성이 좋은 예측 모델의 출발점입니다.