SQL 데이터 탐색기로 게임 데이터를 분석하는 방법

UGS의 풍부한 데이터를 탐색하려면 SQL 쿡북의 레시피 모음을 참조하세요. UGS는 SQL의 눈송이 플레이버를 사용합니다.

쿡북 쿼리 중 하나는 미션 통계를 살펴봅니다. 이 코드를 조정하여 가상 게임에서 미션 실패율을 간단히 살펴 보겠습니다. 여기에서는 미션ID 매개변수를 사용하여 플레이어의 미션 참여를 추적하기 위해 만든 커스텀 이벤트를 사용합니다.

이 쿼리에서는 기본 EVENTS 테이블을 사용하겠습니다. 이 표에는 게임에서 기록된 모든 이벤트에 대한 세분화된 데이터가 포함되어 있습니다.

여기서는 쿼리를 제한하고 효율적으로 유지하기 위해 날짜 필터를 사용했습니다. 이 제한이 없으면 SQL 데이터 탐색기에서 기본적으로 쿼리할 수 있는 365일 전체 데이터에 대해 쿼리가 실행됩니다. 또한 SELECT *를 사용하는 것보다 관심 있는 열을 지정하는 것이 항상 더 효율적입니다.

EVENT_JSON:missionID::INTEGER와 같은 문구는 어렵게 느껴질 수 있지만, 'missionID'를 입력하고 자동 완성 기능을 사용하면 게임에서 해당 매개변수가 설정되어 있다는 가정 하에 SQL 데이터 탐색기가 JSON 구문을 생성해 줍니다.

쿼리를 실행한 후 결과를 플로팅하여 데이터의 스토리를 확인할 수 있습니다. 차트는 현재 최대 2개의 Y축과 1개의 X축을 지원합니다. 축 레이블은 SQL 쿼리에서 'as' 표현식을 사용하여 쉽게 이름을 바꿀 수 있으며, 이 경우 Y축은 정의한 이름을 사용합니다: "플레이어가 실패한 %".

플레이어 3명 중 1명 이상이 첫 번째 미션(미션ID 0)에서 실패한 것으로 확인되었으므로, 사용자에게 보다 긍정적인 첫 경험을 제공하기 위해 미션 난이도를 미세 조정할 수 있습니다.

팁: 데이터에 일부 NULL 값이 있고 이로 인해 축이 이상하게 보이는 경우, coalesce(yourParameter, 0)를 사용하여 빈칸을 채우세요.

쿼리를 실행하면 결과 테이블이 표시됩니다. 쿼리에 PLATFORM을 추가하면 위 이미지에서 현재 테이블이 어떻게 보이는지 확인할 수 있습니다. 오른쪽에 '피벗' 버튼이 있습니다. 이는 쿼리를 다시 작성할 필요 없이 데이터를 재구성하는 데 유용합니다.

이 예제에서는 피벗 도구를 사용하여 데이터를 조정하여 행에 PLATFORM을, 열에 MISSIONID를 표시할 수 있습니다.

표를 조정해 보면 플랫폼 간에 미션 실패율에 거의 차이가 없음을 알 수 있습니다.

게임이 점점 더 성공하고 플레이어 수가 늘어나면 간단한 쿼리도 실행하는 데 상당한 시간이 걸릴 수 있습니다.

데이터에 대해 이 기본 쿼리를 실행한다고 가정해 보겠습니다:

상당히 빠르게 실행될 것으로 예상할 수 있지만, 대규모 데이터 세트의 경우 항상 그렇지는 않습니다. 웨어하우스의 형태와 user_ids가 해시로 저장된다는 점을 활용하여 쿼리 속도를 높이기 위해 포함된 사용자 수를 줄이는 빠른 방법을 사용하세요.

여기서는 사용자를 무작위로 할당되고 번호가 부여된 100개의 가상 버킷으로 나누고 63번 버킷을 살펴보고 있습니다.

이 코드를 간단한 쿼리에 추가하는 것은 큰 차이가 없지만, 계산 복잡성이 증가함에 따라 이러한 방식으로 데이터를 필터링하는 것이 점점 더 중요해지고 있습니다. 가상 게임에서도 이 수정된 버전의 쿼리가 원래 쿼리보다 75% 더 빠르게 실행되는 것을 확인했습니다. 이렇게 하면 전체 데이터 세트를 처리할 필요 없이 샘플 사용자 하위 집합에 대한 인사이트를 얻는 데 드는 시간과 비용을 절약할 수 있습니다.

위의 쿼리에서는 카운트(distinct...)를 사용하여 개별 플레이어 수와 이벤트 조합을 계산했습니다. 결과의 정확도가 100%가 필요하지 않은 경우 쿼리 속도를 개선하는 한 가지 방법은 대략적인_count_distinct를 사용하는 것입니다. 이전 쿼리는 다음과 같습니다:

지금까지는 기본 EVENTS 테이블만 사용했습니다. 이 표에는 게임에서 발생한 모든 이벤트에 대한 세분화된 데이터가 포함되어 있으므로 가장 광범위한 표입니다. 쿼리를 개선하기 위해 더 작은 객체를 사용하여 쿼리를 더 효율적으로 실행할 수 있습니다.

용어집 패널을 살펴보고 쿼리할 수 있는 표를 살펴보겠습니다.

여기에는 이벤트와 함께 쿼리할 수 있는 모든 집계 테이블이 있습니다. 이 모든 기능은 UGS에서 바로 사용할 수 있습니다.

• USERS 테이블에는 이벤트 횟수, 총 플레이 시간, 총 지출 등 게임 내 평생 지표와 함께 플레이어당 하나의 행이 표시됩니다.
• FACT_USER_SESSIONS_DAY에는 각 플레이어의 각 세션에 대한 데이터가 포함됩니다.
• 사실_이벤트_유형_사용자_날은 플레이어가 매일 보낸 각 이벤트에 대한 행과 총 개수로 구성됩니다.
• FACT_WAU_USERS 및 FACT_MAU_USERS에는 특정 날짜에 지난 주 또는 한 달 이내에 플레이한 사용자의 프로필 데이터가 포함됩니다.

사실_이벤트_유형_사용자_일과 사실_사용자_세션_일 사이에는 대부분의 작은 객체에 대한 쿼리의 80% 이상을 답변할 수 있습니다.

예를 들어, 첫 번째 쿼리에서는 미션 실패율을 살펴보고 있었습니다. 또한 이 테이블에 저장된 NUMBER_OF_EVENTS 카운트를 사용하여 매일 전체 장애율을 계산하기 위해 FACT_EVENT_TYPE_USERS_DAY를 사용할 수도 있습니다.

다음 쿼리에서도 이러한 테이블 중 하나를 사용하겠습니다:

이 쿼리를 사용하여 특정 기준을 충족하는 플레이어의 이벤트 스트림을 확인할 수 있습니다. 위에서 언급한 USERS 테이블을 사용하면 실행할 때마다 다른 사용자를 얻을 수 있으므로 QA 및 디버깅에 유용합니다.

예를 들어 특정 버전의 게임을 설치한 플레이어의 이벤트가 제대로 기록되지 않는다고 의심되는 경우 아래 쿼리를 실행할 수 있습니다. 돌아오는 것은 문제가 발생한 것으로 보이는 게임 버전을 실행하는 무작위 플레이어의 이벤트 스트림입니다. 이 작업을 몇 번 반복하면 데이터에서 패턴을 빠르게 발견할 수 있습니다.

팁: 여러 줄에 주석을 달려면 키보드 단축키 CTRL+/을 사용하세요.

예를 들어, 이전 deltaDNA 데이터 마이닝 도구를 사용했다면 Vertica로 쿼리를 작성했을 가능성이 높으며, 스노우플레이크 이외의 언어로 SQL 쿼리를 작성하는 데 익숙할 수 있습니다.

이제 공통 테이블 표현식(CTE)에 먼저 포함하지 않고도 새로 정의된 변수를 참조할 수 있습니다. 예를 들어, 이 쿼리는 SQL 데이터 탐색기에서는 성공적으로 실행되지만 원래 deltaDNA에서는 "열 'rice'가 존재하지 않습니다." 오류가 발생했을 것입니다:

SQL Explorer에는 많은 잠재력이 있습니다. UGS 애널리틱스에는 파이 및 누적 막대 차트와 같은 다양한 차트 옵션을 포함하여 훨씬 더 많은 것을 발견할 수 있습니다. 직접 액세스를 사용하면 스노우플레이크를 통해 애널리틱스 데이터에 직접 액세스할 수 있습니다.

인사이트를 빠르게 확보하고 쿼리 및 대시보드 구축을 지원받으려면 문의해 주세요.

추가 읽기

• UGS 애널리틱스 문서
• SQL Cookbook
• 퍼널 및 SQL 데이터 탐색기 소개
• 스노우플레이크 SQL 함수 참조
• UGS 가격