[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,92 +2,188 @@
|
||||
id: wiki-2026-0508-게임-밸런싱
|
||||
title: 게임 밸런싱
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [Game Balancing, 밸런스 디자인]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [game-design, balancing, simulation]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python/TypeScript
|
||||
framework: Unity/Unreal/web
|
||||
---
|
||||
|
||||
# [[게임 밸런싱|게임 밸런싱]]
|
||||
# 게임 밸런싱
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
게임 밸런싱은 플레이어의 노력 및 자원 획득과 소비 사이의 균형을 맞추어 게임의 몰입도와 수익성을 동시에 달성하는 경제 설계의 핵심 과정이다 [1, 2]. 특히 프리미엄(Freemium) 모델에서는 플레이어에게 제공하는 게임 내 경제적 발전 기회와 스튜디오의 수익 창출이라는 두 가지 목적이 어느 한쪽으로 치우치지 않도록 조율하는 것이 필수적이다 [1]. 성공적인 밸런싱은 자원의 희소성과 플레이어의 욕구 사이의 '스위트 스팟(Sweet spot)'을 찾아내어, 플레이어가 지루함이나 좌절감을 느끼지 않고 지속적으로 게임에 참여하도록 만든다 [3].
|
||||
## 매 한 줄
|
||||
> **"매 fairness × engagement × progression의 quantitative tuning loop"**. 게임 밸런싱은 단순 number tweak이 아닌, player skill curve와 reward schedule을 데이터 기반으로 calibrate하는 systems engineering이다. 2026 현업은 telemetry-driven A/B + LLM-assisted simulation으로 cycle을 일/주 단위로 단축한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **노력과 보상, 리스크의 균형**: 밸런스가 잘 맞춰진 게임에서는 플레이어가 감수하려는 리스크와 노력에 상응하는 보상이 주어져야 한다 [2, 4]. 게임 내 도전 과제가 플레이어의 숙련도에 비해 너무 높으면 불안([[Anxiety|Anxiety]])을 유발하고, 너무 낮으면 지루함(Boredom)을 느끼게 하여 이탈을 초래하므로, 정교한 균형을 통해 플레이어의 '몰입(Flow)' 상태를 유지하는 것이 중요하다 [2].
|
||||
* **자원의 희소성과 욕구의 조율 (수도꼭지와 배수구)**: 게임 경제의 밸런싱은 자원을 제공하는 '수도꼭지(Taps/Faucets)'와 자원을 소모하는 '배수구(Sinks)'를 조절하여 경제의 평형을 맞추는 과정이다 [2, 5, 6]. 개발자가 목표로 하는 최적의 지점은 자원의 희소성과 그 자원으로 얻을 수 있는 아이템에 대한 플레이어의 욕구 사이의 균형점이다 [3]. 자원이 너무 많으면 도전과 보상의 의미가 사라져 지루해지고 인플레이션이 발생하며, 반대로 너무 적으면 발전이 없다고 느껴 플레이어에게 좌절감을 준다 [3, 7].
|
||||
* **시뮬레이션을 통한 밸런싱 검증**: 현대 프리미엄 게임 경제의 복잡성 때문에 단순한 화이트보드 회의나 초기 프로토타입만으로 밸런스를 완벽히 맞추기는 어렵다 [8]. 따라서 몬테카를로 시뮬레이션(Monte Carlo simulations)과 같은 분석 도구를 사용하여 무작위성과 창발성([[Emergence|Emergence]])을 반영한 플레이어의 행동을 예측하고, 출시 전후로 경제 균형을 끊임없이 미세 조정해야 한다 [9-12].
|
||||
* **수익화와 'Pay to Win' 방지**: 밸런싱은 무료 플레이어와 유료 플레이어 모두에게 공정한 경험을 제공해야 한다. 구매 없이도 최고 수준의 보상을 얻을 수 있도록 설계하되, 진행 과정이 플레이어의 구매를 자극할 만큼만 적당히 지루하도록 아슬아슬한 경계에서 균형을 잡아야 한다 [13]. 이와 동시에 과도하게 돈으로 승리를 사는 'Pay to win' 함정에 빠져 커뮤니티와 게임의 평판이 손상되는 것을 적극적으로 방어하는 것도 밸런싱의 핵심 과제다 [14, 15].
|
||||
* **구조적 단순성을 통한 밸런스 용이성**: 개별 유닛이나 자원의 유형을 적게 유지하고 재사용하여 일관성을 부여하면, 경제 밸런스 조정과 튜닝 작업이 훨씬 단순해진다 [16]. 예를 들어, 클래시 로얄(Clash Royale)은 카드의 희귀도에 관계없이 업그레이드 비용과 성장 수치를 표준화하여 경제적 밸런싱 난이도를 크게 낮추고 구조적 무결성을 유지했다 [17].
|
||||
## 매 핵심
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[수도꼭지와 배수구(Taps and Sinks)|수도꼭지와 배수구(Taps and Sinks]], 인플레이션(Inflation), 몬테카를로 시뮬레이션(Monte Carlo Simulation), 몰입(Flow
|
||||
- **Projects/Contexts:** Freemium 모델의 경제 설계, Clash Royale의 밸런싱 전략, Machinations를 활용한 경제 시뮬레이션
|
||||
- **Contradictions/Notes:** 자원의 공급량이 많아지면 플레이어는 쉽게 진행할 수 있지만 희소성 부재로 지루함을 느끼게 되며, 반대로 공급량이 너무 적어지면 진행의 어려움으로 강한 좌절감을 느끼게 되는 상충 관계가 존재한다. 따라서 양극단을 피하기 위해 탭(Tap)과 싱크(Sink) 사이의 지속적인 미세 조정([[Fine-tuning|Fine-tuning]])이 필수적이다 [3, 7].
|
||||
### 매 밸런싱 차원
|
||||
- **Power balance**: weapon/character/spell 의 win-rate convergence to ~50%.
|
||||
- **Resource economy**: gold/XP/material 의 inflation/sink ratio.
|
||||
- **Difficulty curve**: time-to-mastery 의 monotonic with checkpoints.
|
||||
- **Matchmaking**: MMR/Elo/Glicko-2 — skill variance bounded.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-29*
|
||||
### 매 측정 지표
|
||||
- Win rate, pick rate, ban rate (MOBA/FGC).
|
||||
- Time-to-kill (TTK), DPS, EHP (effective HP).
|
||||
- Retention D1/D7/D30, session length, churn at level X.
|
||||
- Gini coefficient of resource distribution.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. League of Legends 의 patch cycle (2-week) — champion winrate band [47%, 53%].
|
||||
2. Hearthstone 의 nerf/buff 의 telemetry-driven (Vicious Syndicate stats).
|
||||
3. Slay the Spire 의 Monte Carlo simulation 의 deck balance.
|
||||
4. Destiny 2 의 sandbox team 의 sandbox tuning (Bungie quarterly).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### 1. Win-rate convergence target
|
||||
```python
|
||||
# Bayesian winrate estimate with prior
|
||||
import numpy as np
|
||||
from scipy.stats import beta
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
def champion_winrate(wins, losses, prior_a=50, prior_b=50):
|
||||
a = prior_a + wins
|
||||
b = prior_b + losses
|
||||
mean = a / (a + b)
|
||||
ci_low, ci_high = beta.ppf([0.025, 0.975], a, b)
|
||||
return mean, (ci_low, ci_high)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
# Patch decision: nerf if CI bound > 0.53
|
||||
mean, (lo, hi) = champion_winrate(wins=12500, losses=10800)
|
||||
needs_nerf = lo > 0.53
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### 2. DPS / TTK calculation
|
||||
```python
|
||||
def time_to_kill(damage_per_shot, fire_rate_hz, target_hp, armor=0):
|
||||
effective_dps = damage_per_shot * fire_rate_hz * (1 - armor)
|
||||
return target_hp / effective_dps
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
# Weapon balance check: TTK in [0.4s, 1.2s] band
|
||||
for w in weapons:
|
||||
ttk = time_to_kill(w.dmg, w.rpm/60, target_hp=200, armor=0.1)
|
||||
assert 0.4 <= ttk <= 1.2, f"{w.name} TTK={ttk:.2f}s out of band"
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### 3. Resource economy faucet/sink
|
||||
```typescript
|
||||
type Economy = { faucets: number; sinks: number; supply: number };
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
function inflationRate(econ: Economy, dt: number): number {
|
||||
const net = econ.faucets - econ.sinks;
|
||||
return net / econ.supply / dt; // per-day inflation
|
||||
}
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
// Target: |inflation| < 0.02 per week (2%)
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### 4. Monte Carlo deck simulation
|
||||
```python
|
||||
def simulate_deck(deck, opponents, n_runs=10000):
|
||||
wins = 0
|
||||
for _ in range(n_runs):
|
||||
opp = random.choice(opponents)
|
||||
result = play_match(deck, opp)
|
||||
wins += result == "win"
|
||||
return wins / n_runs
|
||||
|
||||
# Auto-balance: card value = marginal winrate Δ when included
|
||||
```
|
||||
|
||||
### 5. Elo / Glicko-2 matchmaking
|
||||
```python
|
||||
def glicko2_update(rating, rd, opponents):
|
||||
# rd = rating deviation; volatility tracked separately
|
||||
g = lambda phi: 1 / math.sqrt(1 + 3 * phi**2 / math.pi**2)
|
||||
# ... (full Glicko-2 spec)
|
||||
return new_rating, new_rd
|
||||
```
|
||||
|
||||
### 6. Difficulty curve fitting
|
||||
```python
|
||||
import numpy as np
|
||||
# Player completion rate per level
|
||||
levels = np.arange(1, 51)
|
||||
completion = np.array([...]) # telemetry
|
||||
# Target: monotonic decrease, no cliff > 15% drop
|
||||
diff = np.diff(completion)
|
||||
cliffs = np.where(diff < -0.15)[0]
|
||||
# cliffs → level redesign candidates
|
||||
```
|
||||
|
||||
### 7. A/B test with CUPED variance reduction
|
||||
```python
|
||||
def cuped_estimate(treatment_y, control_y, treatment_x, control_x):
|
||||
# x = pre-experiment covariate (e.g., D7 retention)
|
||||
theta = np.cov(np.concatenate([treatment_y, control_y]),
|
||||
np.concatenate([treatment_x, control_x]))[0,1] / \
|
||||
np.var(np.concatenate([treatment_x, control_x]))
|
||||
adj_t = treatment_y - theta * treatment_x
|
||||
adj_c = control_y - theta * control_x
|
||||
return adj_t.mean() - adj_c.mean()
|
||||
```
|
||||
|
||||
### 8. LLM-assisted balance review (2026)
|
||||
```python
|
||||
# Claude Opus 4.7 의 patch note review
|
||||
prompt = f"""
|
||||
Patch diff:
|
||||
{diff}
|
||||
|
||||
Telemetry (last 7d): {telemetry_json}
|
||||
|
||||
Identify:
|
||||
1. Champions exceeding [47%, 53%] winrate band.
|
||||
2. Hidden interactions (item × champion synergy outliers).
|
||||
3. Risk score (1-10) per change.
|
||||
"""
|
||||
review = claude.messages.create(model="claude-opus-4-7", ...)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Competitive PvP | Winrate convergence + telemetry-driven nerf cycle |
|
||||
| Single-player | Difficulty curve + retention cliff analysis |
|
||||
| Gacha/F2P | Whale vs F2P parity + pity timer math |
|
||||
| Esports patch | 2-week cycle + pro-play meta watch |
|
||||
| New release | Closed beta MC sim + open beta A/B |
|
||||
|
||||
**기본값**: telemetry → Bayesian winrate → 2-week patch cycle 의 [47%, 53%] band.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Game_Design]] · [[Systems_Design]]
|
||||
- 변형: [[Game_Economy_Design]] · [[Matchmaking]]
|
||||
- 응용: [[MOBA_Design]] · [[Gacha_Design]] · [[Roguelike_Balance]]
|
||||
- Adjacent: [[A_B_Testing]] · [[Telemetry_Analytics]] · [[Player_Psychology]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: patch note generation, telemetry anomaly detection, balance hypothesis brainstorming, sim scenario writing.
|
||||
**언제 X**: 최종 numerical tuning (designer judgment + playtesting 의 X-able), competitive integrity decision.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Whale-only balancing**: F2P player 의 churn 의 무시.
|
||||
- **Knee-jerk nerf**: 1-day data 의 over-react — sample size 의 부족.
|
||||
- **Symmetric balance obsession**: asymmetric design 의 intentional 의 flatten의 X.
|
||||
- **Nerf-only meta**: power creep 의 reverse — fun 의 erosion.
|
||||
- **Ignoring rank-stratified data**: bronze 와 challenger 의 winrate 의 different — aggregate 의 misleading.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Riot Games engineering blog, GDC talks 2023-2025, Vicious Syndicate).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — game balancing full content with patterns |
|
||||
|
||||
Reference in New Issue
Block a user