[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,78 +1,180 @@
|
||||
---
|
||||
id: wiki-2026-0508-data-driven-personalization
|
||||
title: Data Driven Personalization
|
||||
category: 10_Wiki/Topics_GD
|
||||
title: Data-Driven Personalization
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [personalization, dynamic-personalization, player-segmentation]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [data, personalization, segmentation, ml, mobile-game]
|
||||
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: python
|
||||
framework: feature-store-ml
|
||||
---
|
||||
|
||||
---
|
||||
redirect_to: "[[게임_디자인_및_가상_경제_시스템]]"
|
||||
canonical_id: "wiki-2026-0507-105"
|
||||
---
|
||||
# Data-Driven Personalization
|
||||
|
||||
# Redirect
|
||||
## 매 한 줄
|
||||
> **"매 player 의 behavior data 로 매 content / offer / difficulty 의 individual tuning"**. 매 segment 단위 → 매 ML-driven individual 단위 의 매 evolution. 매 2026 standard 는 매 real-time feature store + 매 contextual bandit + 매 explainable rule overlay.
|
||||
|
||||
이 문서는 Canonical 문서인 통합되었습니다.
|
||||
모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
## 매 핵심
|
||||
|
||||
> 데이터 기반 개인화는 유저별 행동 시그널을 활용해 콘텐츠·BM·UI를 동적으로 조정하는 LiveOps 기법이다.
|
||||
### 매 segmentation tier
|
||||
- **Static segment**: 매 country, install_source.
|
||||
- **Behavior segment**: 매 spender / dolphin / minnow / F2P.
|
||||
- **Lifecycle**: 매 new / engaged / churning / churned.
|
||||
- **ML cluster**: 매 k-means / autoencoder embedding.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
### 매 personalization surface
|
||||
- **Offer pricing**: 매 player-specific bundle.
|
||||
- **Difficulty**: 매 adaptive level.
|
||||
- **Content order**: 매 onboarding sequence.
|
||||
- **Push timing**: 매 individual best-time.
|
||||
|
||||
**추출된 패턴:** 결제 이력 + 진행 단계 + 활동 패턴 = 유저 세그먼트 → 세그먼트별 다른 경험 제공.
|
||||
### 매 응용
|
||||
1. 매 LTV uplift (매 10-30%).
|
||||
2. 매 retention curve flattening.
|
||||
3. 매 cohort-specific event design.
|
||||
|
||||
**세부 내용:**
|
||||
- 추천 시스템: 다음 콘텐츠/패키지 예측.
|
||||
- 난이도 조정(DDA): 잔존율 ↑.
|
||||
- 동적 오퍼: WTP 기반 가격.
|
||||
- 광고 빈도 개인화.
|
||||
- 프라이버시 고려: 동의 + 익명화.
|
||||
## 💻 패턴
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### Player feature vector
|
||||
```python
|
||||
from dataclasses import dataclass
|
||||
from typing import Literal
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
@dataclass
|
||||
class PlayerFeatures:
|
||||
days_since_install: int
|
||||
sessions_7d: int
|
||||
sessions_30d: int
|
||||
spend_total: float
|
||||
spend_30d: float
|
||||
last_spend_days: int
|
||||
avg_session_min: float
|
||||
progression_level: int
|
||||
cohort: Literal["new", "engaged", "churning", "churned"]
|
||||
country: str
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
def derive_cohort(p: PlayerFeatures) -> str:
|
||||
if p.days_since_install < 7: return "new"
|
||||
if p.sessions_7d == 0: return "churned"
|
||||
if p.sessions_7d < p.sessions_30d / 8: return "churning"
|
||||
return "engaged"
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Contextual bandit (offer selection)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
- **정보 상태:** draft
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
class LinUCB:
|
||||
def __init__(self, n_arms: int, n_features: int, alpha: float = 1.0):
|
||||
self.A = [np.eye(n_features) for _ in range(n_arms)]
|
||||
self.b = [np.zeros(n_features) for _ in range(n_arms)]
|
||||
self.alpha = alpha
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
def select(self, x: np.ndarray) -> int:
|
||||
scores = []
|
||||
for a in range(len(self.A)):
|
||||
A_inv = np.linalg.inv(self.A[a])
|
||||
theta = A_inv @ self.b[a]
|
||||
ucb = theta @ x + self.alpha * np.sqrt(x @ A_inv @ x)
|
||||
scores.append(ucb)
|
||||
return int(np.argmax(scores))
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
def update(self, arm: int, x: np.ndarray, reward: float):
|
||||
self.A[arm] += np.outer(x, x)
|
||||
self.b[arm] += reward * x
|
||||
```
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
### Adaptive difficulty (player skill estimate)
|
||||
```python
|
||||
def estimate_skill(recent_attempts: list[dict]) -> float:
|
||||
"""recent_attempts: [{success: bool, level_difficulty: float}]"""
|
||||
if not recent_attempts: return 0.5
|
||||
total_w = sum(0.9 ** i for i in range(len(recent_attempts)))
|
||||
skill = sum(
|
||||
(a["level_difficulty"] if a["success"] else a["level_difficulty"] - 0.2)
|
||||
* (0.9 ** i)
|
||||
for i, a in enumerate(recent_attempts)
|
||||
) / total_w
|
||||
return max(0.0, min(1.0, skill))
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
def next_difficulty(skill: float, target_winrate: float = 0.65) -> float:
|
||||
# Want challenge slightly above skill
|
||||
return skill + (1 - target_winrate) * 0.3
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Real-time feature store query
|
||||
```python
|
||||
from datetime import datetime
|
||||
|
||||
- **Parent:** [[10_Wiki/Topics]]
|
||||
- **Related:** *(TODO: 최소 2개)*
|
||||
- **Opposite / Trade-off:** *(TODO)*
|
||||
- **Raw Source:** 직접 입력
|
||||
class FeatureStore:
|
||||
def __init__(self, redis_client, warehouse_client):
|
||||
self.redis = redis_client
|
||||
self.warehouse = warehouse_client
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
async def get_player_features(self, player_id: str) -> PlayerFeatures:
|
||||
# Hot features from Redis
|
||||
hot = await self.redis.hgetall(f"player:{player_id}:hot")
|
||||
# Cold features from warehouse (cached)
|
||||
cold = await self.warehouse.query(
|
||||
f"SELECT * FROM player_cold WHERE id = '{player_id}'"
|
||||
)
|
||||
return PlayerFeatures(**{**cold, **hot})
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Explainable overlay (rule + ML)
|
||||
```python
|
||||
def select_offer_with_guardrails(p: PlayerFeatures, ml_pick: int, offers: list) -> int:
|
||||
# Guardrails override ML
|
||||
if p.spend_total == 0 and offers[ml_pick].price > 9.99:
|
||||
return offers.index(STARTER_PACK_499) # never expensive to non-spenders
|
||||
if p.cohort == "churning":
|
||||
return offers.index(WIN_BACK_OFFER)
|
||||
if p.country in HIGH_RISK_COUNTRIES and offers[ml_pick].price > 4.99:
|
||||
return offers.index(LOW_PRICE_DEFAULT)
|
||||
return ml_pick
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 small data | Static segment + rules |
|
||||
| 매 medium data | Behavior segment + A/B |
|
||||
| 매 large data | ML cluster + contextual bandit |
|
||||
| 매 regulated market | Rule guardrails 의 mandatory |
|
||||
|
||||
**기본값**: 매 segment + bandit + 매 rule guardrails 의 layered.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Live-Ops]] · [[Mobile-Game-Analytics]]
|
||||
- 변형: [[Dynamic Offers]] · [[Adaptive-Difficulty]]
|
||||
- 응용: [[Game_Monetization_Strategy]] · [[Capybara GO!]]
|
||||
- Adjacent: [[CPI (Cost Per Install)]] · [[Gacha Mechanics Analysis]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 segmentation design, bandit setup, feature engineering.
|
||||
**언제 X**: 매 cold-start product — 매 data 부족.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Predatory targeting**: 매 vulnerable player 의 매 high-spend offer.
|
||||
- **Black-box only**: 매 explainability 없음 → 매 regulator + designer 둘 다 lost.
|
||||
- **Stale features**: 매 hourly batch → 매 real-time signal miss.
|
||||
- **Over-segmentation**: 매 sample size 부족.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Unity LiveOps 2025 report, GameAnalytics Personalization Whitepaper).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — data-driven personalization with bandit + guardrails. |
|
||||
|
||||
Reference in New Issue
Block a user