Submit Search
Upload
244 5rocks-deview
•
12 likes
•
5,785 views
NAVER D2
Follow
Report
Share
Report
Share
1 of 27
Download Now
Download to read offline
Recommended
[5Rocks] 게임데이터 분석 세미나
[5Rocks] 게임데이터 분석 세미나
Tapjoy X 5Rocks
[Gaming on AWS] 모바일 게임 데이터의 특성과 100% 활용법 - 5Rocks
[Gaming on AWS] 모바일 게임 데이터의 특성과 100% 활용법 - 5Rocks
Amazon Web Services Korea
[NDC 2011] 게임 개발자를 위한 데이터분석의 도입
[NDC 2011] 게임 개발자를 위한 데이터분석의 도입
Hoon Park
2014 격동의 모바일게임 시장에서 살아 남는 방법_세션2_5Rocks_이창수대표
2014 격동의 모바일게임 시장에서 살아 남는 방법_세션2_5Rocks_이창수대표
Tapjoy X 5Rocks
5 rocks 20140212_conference_for_public
5 rocks 20140212_conference_for_public
Tapjoy X 5Rocks
Blackbox 기획안
Blackbox 기획안
Chul hee Yeon
Cbt,fgt,obt를 통한 game data mining 기법
Cbt,fgt,obt를 통한 game data mining 기법
Chanman Jo
NDC 2015 비정형데이터분석 & 온라인게임운영
NDC 2015 비정형데이터분석 & 온라인게임운영
Paul Jung
More Related Content
What's hot
[코세나, kosena] 빅데이터 기반의 End-to-End APM과 비정형 데이터 분석 자료입니다.
[코세나, kosena] 빅데이터 기반의 End-to-End APM과 비정형 데이터 분석 자료입니다.
kosena
[한국IBM] 비정형데이터분석 WEX 솔루션 소개
[한국IBM] 비정형데이터분석 WEX 솔루션 소개
Sejeong Kim 김세정
리텐션의 산출과 활용
리텐션의 산출과 활용
Chanman Jo
[한국IBM] Watson Explorer 활용사례집
[한국IBM] Watson Explorer 활용사례집
Sejeong Kim 김세정
노기태, 김대우, 모바일 게임 데이터에 입각한 머신러닝 예측 분석 도입 및 삽질 후기, NDC2017
노기태, 김대우, 모바일 게임 데이터에 입각한 머신러닝 예측 분석 도입 및 삽질 후기, NDC2017
devCAT Studio, NEXON
Daum’s Business Analytics Use-cases based on Bigdata technology (2012)
Daum’s Business Analytics Use-cases based on Bigdata technology (2012)
Channy Yun
What's hot
(6)
[코세나, kosena] 빅데이터 기반의 End-to-End APM과 비정형 데이터 분석 자료입니다.
[코세나, kosena] 빅데이터 기반의 End-to-End APM과 비정형 데이터 분석 자료입니다.
[한국IBM] 비정형데이터분석 WEX 솔루션 소개
[한국IBM] 비정형데이터분석 WEX 솔루션 소개
리텐션의 산출과 활용
리텐션의 산출과 활용
[한국IBM] Watson Explorer 활용사례집
[한국IBM] Watson Explorer 활용사례집
노기태, 김대우, 모바일 게임 데이터에 입각한 머신러닝 예측 분석 도입 및 삽질 후기, NDC2017
노기태, 김대우, 모바일 게임 데이터에 입각한 머신러닝 예측 분석 도입 및 삽질 후기, NDC2017
Daum’s Business Analytics Use-cases based on Bigdata technology (2012)
Daum’s Business Analytics Use-cases based on Bigdata technology (2012)
Viewers also liked
Net flowhadoop flocon2013_yhlee_final
Net flowhadoop flocon2013_yhlee_final
Yeounhee Lee
AWSKRUG 콘퍼런스 - re:Invent 신규 서비스 (윤석찬) - 빅데이터 분석, 모바일 및 IoT를 중심으로
AWSKRUG 콘퍼런스 - re:Invent 신규 서비스 (윤석찬) - 빅데이터 분석, 모바일 및 IoT를 중심으로
AWSKRUG - AWS한국사용자모임
Big data analysis with R and Apache Tajo (in Korean)
Big data analysis with R and Apache Tajo (in Korean)
Gruter
R을 이용한 게임 데이터 분석
R을 이용한 게임 데이터 분석
Eun-Jo Lee
Gruter TECHDAY 2014 MelOn BigData
Gruter TECHDAY 2014 MelOn BigData
Gruter
reveal.js 3.0.0
reveal.js 3.0.0
Hakim El Hattab
온라인 서비스 개선을 데이터 활용법 - 김진영 (How We Use Data)
온라인 서비스 개선을 데이터 활용법 - 김진영 (How We Use Data)
Jin Young Kim
데이터분석을통한게임유저모델링
데이터분석을통한게임유저모델링
Eun-Jo Lee
게임개발 Cocos2d-x 소프트웨어씽킹연구소
게임개발 Cocos2d-x 소프트웨어씽킹연구소
swthinking
R 프로그램의 이해와 활용 v1.1
R 프로그램의 이해와 활용 v1.1
happychallenge
MelOn 빅데이터 플랫폼과 Tajo 이야기
MelOn 빅데이터 플랫폼과 Tajo 이야기
Gruter
분석6기 4조
분석6기 4조
Kangwook Lee
동국대 앱창작터 4일차:Cocos2d-X 고급기능
동국대 앱창작터 4일차:Cocos2d-X 고급기능
Changhwan Yi
kgc2014 LINE Rangers/Stage크래시 및 어뷰징 대응
kgc2014 LINE Rangers/Stage크래시 및 어뷰징 대응
sewoon Nam
분석8기 4조
분석8기 4조
Kangwook Lee
빅데이터, 창업이야기, 그리고 Data-Driven Startup [Insight Live 20141119]
빅데이터, 창업이야기, 그리고 Data-Driven Startup [Insight Live 20141119]
Jaesun Han
[발표] 페이스북 기능 활용을 통한 마케팅 효율성 제고 전략
[발표] 페이스북 기능 활용을 통한 마케팅 효율성 제고 전략
Taehyun Brad Kim
[1B3]모바일 앱 크래시 네이버에서는 어떻게 수집하고 보여줄까요
[1B3]모바일 앱 크래시 네이버에서는 어떻게 수집하고 보여줄까요
NAVER D2
Maker movement & education changes - 메이커운동과 교육의 변화
Maker movement & education changes - 메이커운동과 교육의 변화
Ji Lee
Ux trend report 2014 connected_car
Ux trend report 2014 connected_car
Kim Taesook
Viewers also liked
(20)
Net flowhadoop flocon2013_yhlee_final
Net flowhadoop flocon2013_yhlee_final
AWSKRUG 콘퍼런스 - re:Invent 신규 서비스 (윤석찬) - 빅데이터 분석, 모바일 및 IoT를 중심으로
AWSKRUG 콘퍼런스 - re:Invent 신규 서비스 (윤석찬) - 빅데이터 분석, 모바일 및 IoT를 중심으로
Big data analysis with R and Apache Tajo (in Korean)
Big data analysis with R and Apache Tajo (in Korean)
R을 이용한 게임 데이터 분석
R을 이용한 게임 데이터 분석
Gruter TECHDAY 2014 MelOn BigData
Gruter TECHDAY 2014 MelOn BigData
reveal.js 3.0.0
reveal.js 3.0.0
온라인 서비스 개선을 데이터 활용법 - 김진영 (How We Use Data)
온라인 서비스 개선을 데이터 활용법 - 김진영 (How We Use Data)
데이터분석을통한게임유저모델링
데이터분석을통한게임유저모델링
게임개발 Cocos2d-x 소프트웨어씽킹연구소
게임개발 Cocos2d-x 소프트웨어씽킹연구소
R 프로그램의 이해와 활용 v1.1
R 프로그램의 이해와 활용 v1.1
MelOn 빅데이터 플랫폼과 Tajo 이야기
MelOn 빅데이터 플랫폼과 Tajo 이야기
분석6기 4조
분석6기 4조
동국대 앱창작터 4일차:Cocos2d-X 고급기능
동국대 앱창작터 4일차:Cocos2d-X 고급기능
kgc2014 LINE Rangers/Stage크래시 및 어뷰징 대응
kgc2014 LINE Rangers/Stage크래시 및 어뷰징 대응
분석8기 4조
분석8기 4조
빅데이터, 창업이야기, 그리고 Data-Driven Startup [Insight Live 20141119]
빅데이터, 창업이야기, 그리고 Data-Driven Startup [Insight Live 20141119]
[발표] 페이스북 기능 활용을 통한 마케팅 효율성 제고 전략
[발표] 페이스북 기능 활용을 통한 마케팅 효율성 제고 전략
[1B3]모바일 앱 크래시 네이버에서는 어떻게 수집하고 보여줄까요
[1B3]모바일 앱 크래시 네이버에서는 어떻게 수집하고 보여줄까요
Maker movement & education changes - 메이커운동과 교육의 변화
Maker movement & education changes - 메이커운동과 교육의 변화
Ux trend report 2014 connected_car
Ux trend report 2014 connected_car
Similar to 244 5rocks-deview
게임 서비스 품질 향상을 위한 데이터 분석 활용하기 - 김필중 솔루션즈 아키텍트:: AWS Cloud Track 3 Gaming
게임 서비스 품질 향상을 위한 데이터 분석 활용하기 - 김필중 솔루션즈 아키텍트:: AWS Cloud Track 3 Gaming
Amazon Web Services Korea
AD fresca 서비스 소개서
AD fresca 서비스 소개서
Uichong Dano Lee
AWS Partner Techshift - (SaaS) 사업을 위한 데이터 기반 세일즈/마케팅 전략과 노하우 (트레져데이터 고영혁 수석)
AWS Partner Techshift - (SaaS) 사업을 위한 데이터 기반 세일즈/마케팅 전략과 노하우 (트레져데이터 고영혁 수석)
Amazon Web Services Korea
[Td 2015]치즈케이크 팩토리는 알겠는데, 데이터 팩토리는 뭔가요(한기환)
[Td 2015]치즈케이크 팩토리는 알겠는데, 데이터 팩토리는 뭔가요(한기환)
Sang Don Kim
클라우드 기반 Unity 게임 서버 구축, 60분이면 충분하다
클라우드 기반 Unity 게임 서버 구축, 60분이면 충분하다
Dae Kim
[Partner TechForum] 고객을 360도로 이해하고 수익으로 연결하는 글로벌 선도 금융 기업들의 데이터 플랫폼 활용 사례
[Partner TechForum] 고객을 360도로 이해하고 수익으로 연결하는 글로벌 선도 금융 기업들의 데이터 플랫폼 활용 사례
Amazon Web Services Korea
2회 오픈소스 게임 서버 엔진 스터디 캠프 - CloudBread
2회 오픈소스 게임 서버 엔진 스터디 캠프 - CloudBread
Dae Kim
글로벌 사례로 보는 데이터로 돈 버는 법 - 트레저데이터 (Treasure Data)
글로벌 사례로 보는 데이터로 돈 버는 법 - 트레저데이터 (Treasure Data)
Treasure Data, Inc.
서비스 기획자의 데이터 분석
서비스 기획자의 데이터 분석
YOO SE KYUN
빅 데이터 비즈니스 모델
빅 데이터 비즈니스 모델
datasciencekorea
AWS기반 서버리스 데이터레이크 구축하기 - 김진웅 (SK C&C) :: AWS Community Day 2020
AWS기반 서버리스 데이터레이크 구축하기 - 김진웅 (SK C&C) :: AWS Community Day 2020
Jinwoong Kim
AWS기반 서버리스 데이터레이크 구축하기 - 김진웅 (SK C&C) :: AWS Community Day 2020
AWS기반 서버리스 데이터레이크 구축하기 - 김진웅 (SK C&C) :: AWS Community Day 2020
AWSKRUG - AWS한국사용자모임
데이터 분석 동향과 비즈스프링이 제공하는 데이터
데이터 분석 동향과 비즈스프링이 제공하는 데이터
BizSpring Inc.
고성능 빅데이터 수집 및 분석 솔루션 - 티맥스소프트 허승재 팀장
고성능 빅데이터 수집 및 분석 솔루션 - 티맥스소프트 허승재 팀장
eungjin cho
How to Make Money from Data - Global Cases
How to Make Money from Data - Global Cases
Dataya Nolja
[한국IBM] 엔터프라이즈 AI 검색엔진 Watson Discovery 소개자료
[한국IBM] 엔터프라이즈 AI 검색엔진 Watson Discovery 소개자료
Sejeong Kim 김세정
Amazon AI 및 IoT를 통한 비즈니스 혁신 - AWS Summit Seoul 2017
Amazon AI 및 IoT를 통한 비즈니스 혁신 - AWS Summit Seoul 2017
Amazon Web Services Korea
빅데이터실습교육 소비분야 영남대_언론정보_20141117
빅데이터실습교육 소비분야 영남대_언론정보_20141117
Han Woo PARK
Enterprise conference 2013 Microsoft BigData 사례발표자료
Enterprise conference 2013 Microsoft BigData 사례발표자료
환태 김
AWS Summit Seoul 2015 - 게임 서비스 혁신을 위한 데이터 분석
AWS Summit Seoul 2015 - 게임 서비스 혁신을 위한 데이터 분석
Amazon Web Services Korea
Similar to 244 5rocks-deview
(20)
게임 서비스 품질 향상을 위한 데이터 분석 활용하기 - 김필중 솔루션즈 아키텍트:: AWS Cloud Track 3 Gaming
게임 서비스 품질 향상을 위한 데이터 분석 활용하기 - 김필중 솔루션즈 아키텍트:: AWS Cloud Track 3 Gaming
AD fresca 서비스 소개서
AD fresca 서비스 소개서
AWS Partner Techshift - (SaaS) 사업을 위한 데이터 기반 세일즈/마케팅 전략과 노하우 (트레져데이터 고영혁 수석)
AWS Partner Techshift - (SaaS) 사업을 위한 데이터 기반 세일즈/마케팅 전략과 노하우 (트레져데이터 고영혁 수석)
[Td 2015]치즈케이크 팩토리는 알겠는데, 데이터 팩토리는 뭔가요(한기환)
[Td 2015]치즈케이크 팩토리는 알겠는데, 데이터 팩토리는 뭔가요(한기환)
클라우드 기반 Unity 게임 서버 구축, 60분이면 충분하다
클라우드 기반 Unity 게임 서버 구축, 60분이면 충분하다
[Partner TechForum] 고객을 360도로 이해하고 수익으로 연결하는 글로벌 선도 금융 기업들의 데이터 플랫폼 활용 사례
[Partner TechForum] 고객을 360도로 이해하고 수익으로 연결하는 글로벌 선도 금융 기업들의 데이터 플랫폼 활용 사례
2회 오픈소스 게임 서버 엔진 스터디 캠프 - CloudBread
2회 오픈소스 게임 서버 엔진 스터디 캠프 - CloudBread
글로벌 사례로 보는 데이터로 돈 버는 법 - 트레저데이터 (Treasure Data)
글로벌 사례로 보는 데이터로 돈 버는 법 - 트레저데이터 (Treasure Data)
서비스 기획자의 데이터 분석
서비스 기획자의 데이터 분석
빅 데이터 비즈니스 모델
빅 데이터 비즈니스 모델
AWS기반 서버리스 데이터레이크 구축하기 - 김진웅 (SK C&C) :: AWS Community Day 2020
AWS기반 서버리스 데이터레이크 구축하기 - 김진웅 (SK C&C) :: AWS Community Day 2020
AWS기반 서버리스 데이터레이크 구축하기 - 김진웅 (SK C&C) :: AWS Community Day 2020
AWS기반 서버리스 데이터레이크 구축하기 - 김진웅 (SK C&C) :: AWS Community Day 2020
데이터 분석 동향과 비즈스프링이 제공하는 데이터
데이터 분석 동향과 비즈스프링이 제공하는 데이터
고성능 빅데이터 수집 및 분석 솔루션 - 티맥스소프트 허승재 팀장
고성능 빅데이터 수집 및 분석 솔루션 - 티맥스소프트 허승재 팀장
How to Make Money from Data - Global Cases
How to Make Money from Data - Global Cases
[한국IBM] 엔터프라이즈 AI 검색엔진 Watson Discovery 소개자료
[한국IBM] 엔터프라이즈 AI 검색엔진 Watson Discovery 소개자료
Amazon AI 및 IoT를 통한 비즈니스 혁신 - AWS Summit Seoul 2017
Amazon AI 및 IoT를 통한 비즈니스 혁신 - AWS Summit Seoul 2017
빅데이터실습교육 소비분야 영남대_언론정보_20141117
빅데이터실습교육 소비분야 영남대_언론정보_20141117
Enterprise conference 2013 Microsoft BigData 사례발표자료
Enterprise conference 2013 Microsoft BigData 사례발표자료
AWS Summit Seoul 2015 - 게임 서비스 혁신을 위한 데이터 분석
AWS Summit Seoul 2015 - 게임 서비스 혁신을 위한 데이터 분석
More from NAVER D2
[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다
NAVER D2
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
NAVER D2
[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기
NAVER D2
[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발
NAVER D2
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
NAVER D2
[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A
NAVER D2
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기
NAVER D2
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning
NAVER D2
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications
NAVER D2
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
NAVER D2
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
NAVER D2
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
NAVER D2
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화
NAVER D2
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
NAVER D2
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
NAVER D2
[213] Fashion Visual Search
[213] Fashion Visual Search
NAVER D2
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화
NAVER D2
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
NAVER D2
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
NAVER D2
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?
NAVER D2
More from NAVER D2
(20)
[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기
[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[213] Fashion Visual Search
[213] Fashion Visual Search
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?
244 5rocks-deview
1.
모바일
2.
게임의
3.
데이터
4.
설계
5.
및
6.
분석을
7.
위한
8.
엔지니어링
9.
5Rocks
10.
문성익
11.
12.
About
13.
Us
14.
http://www.5rocks.io
15.
게임/앱
16.
각종
17.
지표
18.
분석
19.
분석+운영
20.
(캠페인,
21.
푸쉬)
22.
Android/iOS,
23.
Cocos2D,
24.
Unity
25.
(and
26.
more)
27.
28.
Agenda
29.
왜
30.
데이터를
31.
모아야
32.
하나
33.
어떻게
34.
처리할
35.
것인가
36.
어떤
37.
데이터를
38.
모을
39.
것인가
40.
어떻게
41.
분석할
42.
것인가
43.
44.
사라지는
45.
기회들
46.
80%
47.
15%
48.
Target
49.
Customer
50.
Install
51.
Loading/Tutorial
52.
Retention
53.
PU
54.
55.
가격
56.
할인
57.
이벤트
58.
20%
59.
할인
60.
이벤트
61.
1000원에
62.
100골드
63.
아이템을
64.
800원으로
65.
할인
66.
67.
68.
69.
ARPU
70.
떨어짐
71.
72.
73.
왜??
74.
75.
마케팅
76.
활동
77.
분석
78.
수익성
79.
관점의
80.
마케팅
81.
분석
82.
20%
83.
할인
84.
이벤트
85.
1000원에
86.
100골드
87.
아이템을
88.
800원으로
89.
할인
90.
91.
92.
93.
ARPU
94.
떨어짐
95.
96.
97.
98.
99.
Why?
100.
BuyClick이
101.
동일
102.
103.
200원에
104.
민감하지
105.
않은
106.
고객들 20%
107.
추가
108.
이벤트
109.
1000원에
110.
120골드
111.
효과
112.
지급
113.
114.
데이터
115.
수집
116.
게임DB
117.
에
118.
다
119.
있는거
120.
아니에요?
121.
게임
122.
서버
123.
DB:
124.
사용자들의
125.
현재
126.
상태
127.
과거
128.
이력,
129.
시간별
130.
추이
131.
게임
132.
플레이와는
133.
관계없는
134.
데이타:
135.
“어디서”
136.
구매했나
137.
등
138.
데이타
139.
발생
140.
“이벤트”
141.
142.
세션
143.
이벤트:
144.
앱
145.
시작,
146.
종료
147.
구매
148.
이벤트
149.
그외
150.
커스텀
151.
이벤트
152.
153.
데이터
154.
특성
155.
Spiky
156.
Big
157.
Data
158.
~10만
159.
User
160.
가
161.
하루에
162.
한번
163.
플레이
164.
165.
세션,
166.
각
167.
게임
168.
화면,
169.
아이템
170.
획득…⋯
171.
주로
172.
플레이하는
173.
시각
174.
비슷:
175.
“소셜”
176.
로
177.
강화
178.
1M+
179.
이벤트
180.
데이터가
181.
비슷한
182.
시간대에
183.
몰림
184.
185.
데이터
186.
특성
187.
개발
188.
중
189.
변경이
190.
잦음
191.
각종
192.
이벤트:
193.
비정형
194.
데이터
195.
세션
196.
:
197.
시작시간+끝
198.
시간
199.
구매:
200.
아이템ID,
201.
액수
202.
커스텀
203.
이벤트
204.
205.
일반적
206.
처리
207.
구조
208.
Event
209.
Sources
210.
Bird
211.
Eye
212.
View
213.
Devs
214.
215.
Directors
216.
Buffer
217.
Web
218.
Server
219.
Event
220.
DB
221.
Web
222.
Service
223.
DB
224.
Analysis
225.
226.
이벤트
227.
전송
228.
프로토콜
229.
Serialize
230.
Options
231.
JSON,
232.
Thrift,
233.
ProtoBuf…⋯
234.
스키마
235.
없으면
236.
변경이
237.
쉬움
238.
239.
서버에서
240.
정합성
241.
체크
242.
필요
243.
느슨한
244.
스키마:
245.
JSON-schema
246.
프로토콜
247.
버전별
248.
정합성
249.
체크
250.
방법
251.
모바일
252.
플랫폼
253.
별
254.
개발
255.
편의성
256.
257.
이벤트
258.
저장
259.
버퍼링:
260.
순간적
261.
트래픽
262.
증가에
263.
대비
264.
Redis
265.
등
266.
Memory
267.
DB
268.
가
269.
적합
270.
Event
271.
DB:
272.
처리
273.
클러스터의
274.
데이타
275.
소스
276.
역할
277.
MongoDB,
278.
Cassandra
279.
등의
280.
Document
281.
DB
282.
가
283.
편리
284.
Hbase
285.
나
286.
S3
287.
등의
288.
옵션도
289.
고려해
290.
볼만
291.
292.
293.
Redis
294.
Buffering
295.
비슷한
296.
시간대에
297.
플레이:
298.
친구
299.
관계
300.
등
301.
특정
302.
시간대에
303.
이벤트가
304.
몰리는
305.
특성
306.
Redis:
307.
Memory
308.
DB
309.
(http://redis.io)
310.
이벤트들을
311.
버퍼링해
312.
두고
313.
백그라운드에서
314.
DB에
315.
저장
316.
317.
MongoDB
318.
특징
319.
http://www.mongodb.org
320.
Schema
321.
없음:
322.
JSON
323.
형태
324.
레코드
325.
Schema
326.
변경에
327.
따른
328.
migration
329.
등의
330.
부담
331.
없음
332.
Replication,
333.
Sharding
334.
335.
MongoDB
336.
RDB
337.
와
338.
비교
339.
ID category name value start_time end_time 1 app session NULL 2013-08-16 13:55 2013-08-16 13:55 2 custom hitting 4 NULL NULL 서브
340.
필드
341.
필드
342.
추가가
343.
자유로움
344.
JSON
345.
데이타
346.
다루기
347.
편리
348.
349.
분석
350.
Big
351.
Data
352.
처리
353.
대박
354.
게임들:
355.
10M+
356.
유저
357.
정해진
358.
시간
359.
안에
360.
데이터
361.
처리해야
362.
Hadoop:
363.
Map
364.
Reduce
365.
형태로
366.
데이터
367.
처리
368.
병렬화
369.
Hadoop-MongoDB
370.
connector
371.
도
372.
있음
373.
그외:
374.
HBase,
375.
Pig,
376.
Hive,
377.
컬럼DB
378.
솔루션
379.
380.
Hadoop
381.
MapReduce
382.
User Event Event Count U1 E1 E1 1 U3 E2 E2 1 User Event U1 E1 U3 E2 Event Count U2 E2 E1 3 U1 E1 E2 2 U2 E1 User Event Event Count U2 E2 E2 1 U1 E1 E1 2 U2 E1 MAP
383.
REDUCE
384.
385.
웹
386.
DB,
387.
웹
388.
서버
389.
더
390.
이상
391.
자세한
392.
설명은
393.
생략한다
394.
LAMP,
395.
RoR,
396.
…⋯
397.
많은
398.
솔루션들
399.
요구사항도
400.
높지
401.
않음
402.
쉽게
403.
개발할
404.
수
405.
있는
406.
것이
407.
최고
408.
409.
무엇을
410.
분석할
411.
것인가?
412.
413.
게임
414.
개발시
415.
고려
416.
사항
417.
미뤘다가
418.
애로사항이
419.
꽃피는
420.
것들
421.
“이
422.
화면
423.
떴을때
424.
이벤트는
425.
없나요?”
426.
분석을
427.
위해
428.
앱
429.
업데이트를
430.
자주
431.
할
432.
순
433.
없는
434.
노릇
435.
게임
436.
데이터
437.
업데이트
438.
:
439.
스크립트/로직
440.
변경
441.
앱스토어
442.
심사,
443.
강제
444.
업데이트…⋯
445.
Plan
446.
Ahead!
447.
448.
데이터의
449.
종류
450.
예제:
451.
야구한판
452.
속성
453.
설명
454.
승패
455.
현
456.
경기의
457.
승패
458.
여부
459.
(“승”,
460.
“패”)
461.
판수
462.
한
463.
경기가
464.
종료된
465.
직후
466.
보냄
467.
안타수
468.
현
469.
경기에서
470.
나만의
471.
타자가
472.
만든
473.
안타수
474.
타석수
475.
현
476.
경기에서
477.
나만의
478.
타자가
479.
타석에
480.
들어 선
481.
횟수
482.
레벨
483.
현재
484.
나만의
485.
선수의
486.
현재
487.
레벨
488.
타자/투수
489.
현재
490.
나만의
491.
선수
492.
모드
493.
(“타자”,”투수”)
494.
팀레벨
495.
현재
496.
나만의
497.
선수가
498.
소속된
499.
팀의
500.
레벨
501.
년차
502.
현재
503.
나만의
504.
선수의
505.
년차
506.
컵이름
507.
현재
508.
나만의
509.
선수가
510.
소속된
511.
컵
512.
이름
513.
514.
“데이터는
515.
음식과
516.
같아요.
517.
518.
전에는
519.
항상
520.
영양실조에
521.
시달려
522.
왔지만,
523.
524.
지금은
525.
영양과잉으로
526.
고생하는
527.
사람들이
528.
많잖아요?
529.
530.
마찬가지로
531.
전에는
532.
데이터가
533.
항상
534.
부족했지만,
535.
536.
이제는
537.
데이터
538.
과잉이
539.
문제예요.”
540.
541.
-
542.
Hal
543.
Varian,
544.
Google
545.
수석
546.
경제학자
547.
548.
549.
무엇을
550.
기록할
551.
것인가
552.
데이터
553.
수집
554.
원칙
555.
“웹
556.
페이지
557.
트래픽
558.
분석할때
559.
처럼
560.
하면
561.
안되나요?”
562.
사용자의
563.
모든
564.
행동마다
565.
커스텀
566.
이벤트
567.
보내기
568.
화면
569.
전환,
570.
액션,
571.
아이템
572.
사용,…⋯
573.
네트웍
574.
트래픽
575.
증가:
576.
해외
577.
진출
578.
시
579.
장애물
580.
분석
581.
결과를
582.
해석하기
583.
어려움
584.
585.
데이터의
586.
종류
587.
중요한
588.
게임
589.
데이터
590.
Promotion/Event,
591.
10%
592.
친구수,
593.
invite
594.
수,
595.
Life
596.
요청
597.
수
598.
Play
599.
소요시간,
600.
승패,
601.
점수,
602.
603.
획득/소비
604.
게임머니
605.
Social,
606.
10%
607.
Activity,
608.
40%
609.
Character,
610.
20%
611.
캐릭터
612.
선호도,
613.
레벨별
614.
성장
615.
속도,
616.
구간별
617.
Play
618.
패턴
619.
Item,
620.
20%
621.
아이템
622.
구매
623.
현황,
624.
선호
625.
아이템
626.
627.
데이터의
628.
형태
629.
Custom
630.
Event
631.
–
632.
TCR
633.
측정하기
634.
예제
635.
Data
636.
요청
637.
(Tutorial만
638.
24종) 평균값
639.
숫자
640.
4개면
641.
OK Tutorial
642.
start
643.
승
644.
패
645.
안타수
646.
타석수
647.
타자 팀
648.
L
649.
Lv.
650.
v.
651.
타석수4 TCR타석 승수2 Tutorial
652.
TCR승수 1판
653.
2판
654.
타자Lv.5 TCR타자Lv 팀Lv.3 TCR팀Lv 3판
655.
4판
656.
Tutorial
657.
end
658.
659.
성공을
660.
더욱
661.
값지게
662.
대박만
663.
매출
664.
내는건
665.
아니다
666.
문화의
667.
미래는
668.
우리
669.
손에
670.
달려
671.
있습니다
672.
열성
673.
플레이어들과
674.
윈윈합시다
675.
676.
Thank
677.
You
678.
Download Now