데이터 분석 · AI 기초집LESSON 16

분석 결과를 게임 의사결정으로 연결하는 법

난이도초급

예상 시간35분

선수지식이전 강의

16강. 분석 결과를 게임 의사결정으로 연결하는 법

1. 이번 강의에서 해결할 문제

통계적으로 차이가 보여도 바로 전체 수치를 바꾸면 표본 편향이나 다른 지표 악화를 놓칠 수 있습니다. 분석 결과를 검증 가능한 작은 결정으로 바꿔야 합니다.

2. 학습 목표

3. 핵심 개념

좋은 제안은 관찰된 수치, 가능한 설명, 변경 대상, 기대 효과, 위험, 검증 지표와 중단 기준을 구분합니다. 승률 하나를 최적화하면 플레이 시간, 이탈, 모드 다양성 같은 다른 경험이 나빠질 수 있어 가드레일 지표가 필요합니다.

4. 단계별 실습

1. 예제 파일 작성

실행 환경: 코드 편집기

실행 위치: C:\dev\game-data-lab

실행 전 확인: 기존 파일이 있으면 내용을 덮어쓰지 말고 Git diff로 이번 강의 변경 범위를 확인합니다. 실제 개인정보·API Key·토큰은 사용하지 않습니다.

대상 파일: src/build_decision_note.py

src/build_decision_note.py
from pathlib import Path
import pandas as pd

df = pd.read_csv("data/processed/analysis_sessions.csv")
table = df.groupby("character").agg(matches=("win", "size"), win_rate=("win", "mean"), median_score=("score", "median"))
candidate = table.sort_values(["win_rate", "matches"], ascending=[False, False]).index[0]
note = f"""# 게임 개선 제안 초안

- 관찰: 가상 표본에서 {candidate}의 승률이 가장 높다.
- 한계: 표본이 작고 모드·숙련도 구성이 다르므로 원인으로 단정하지 않는다.
- 제안: 전체 적용 전 가상/내부 테스트에서 작은 수치 변경을 비교한다.
- 1차 지표: 캐릭터별 승률 차이
- 가드레일: 경기 수, 중앙 점수, 중앙 플레이 시간
- 중단 조건: 가드레일이 사전 기준보다 악화될 때
"""
Path("reports/decision_note.md").write_text(note, encoding="utf-8")
print(table.round(3))

2. 실행과 결과 확인

실행 환경: Windows PowerShell

실행 위치: C:\dev\game-data-lab

실행 전 확인: Python 코드는 프로젝트의 .venv 인터프리터를 사용하고 입력 파일 경로가 존재하는지 확인합니다.

대상: src/build_decision_note.py과 이 강의가 만드는 출력

Windows PowerShell
Set-Location C:\dev\game-data-lab
.\.venv\Scripts\python.exe .\src\build_decision_note.py
Get-Content .\reports\decision_note.md

예상 결과: 캐릭터별 근거 표와 관찰·한계·제안·검증 기준이 분리된 제안서가 생성됩니다.

5. 분석 또는 모델이 동작하는 이유

코드는 후보를 일관된 규칙으로 고르지만 결정을 자동화하지 않습니다. 관찰과 한계를 먼저 적고 작은 실험과 가드레일을 연결하면 잘못된 대규모 변경 위험을 줄입니다.

6. 자주 하는 실수와 해결법

7. 직접 실습

8. 이해 점검 질문 3개

9. 핵심 요약

MINI QUIZ