Refactor: Consolidate directory structure into 5 main categories and update metadata

2026-05-02 23:17:19 +09:00
parent 87fa983521
commit b71a0b82d3
13205 changed files with 114378 additions and 201654 deletions
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-AUTO-AGPH-001
-category: "10_Wiki/💡 Topics/AI"
+category: Meeting
 confidence_score: 0.95
 tags: [auto-reinforced, agile, manifesto, philosophy, project-management, iteractive-design]
 last_reinforced: 2026-04-20
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-1363FF
-category: "10_Wiki/💡 Topics/Design & Experience"
+category: Meeting
 confidence_score: 0.95
 tags: []
 last_reinforced: 2026-04-20
@@ -1,6 +1,6 @@
 ---
 id: 550e8400-e29b-41d4-a716-446655440003
-category: "10_Wiki/Topics/Governance & [[Reliability|Reliability]]"
+category: Meeting
 confidence_score: 1.0
 tags: [Governance, Logging, Wiki, SOP, Agent]
 last_reinforced: 2026-04-21
@@ -1,6 +1,6 @@
 ---
 id: DDD-MASTER-001
-category: "10_Wiki/💡 Topics/Software Architecture"
+category: Meeting
 confidence_score: 1.0
 tags: [architecture, ddd, strategic-design, tactical-design, ubiquitous-language]
 last_reinforced: 2026-04-26
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-AUTO-9231E5
-category: "10_Wiki/💡 Topics/AI"
+category: Meeting
 confidence_score: 0.90
 tags: [auto-reinforced]
 last_reinforced: 2026-04-20
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-AUTO-ONT-001
-category: "10_Wiki/💡 Topics/AI"
+category: Meeting
 confidence_score: 0.94
 tags: [auto-reinforced, ontology, semantic-web, knowledge-engineering]
 last_reinforced: 2026-04-20
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-AUTO-ONTK-001
-category: "10_Wiki/💡 Topics/AI"
+category: Meeting
 confidence_score: 0.93
 tags: [auto-reinforced, information-extraction, nlp, semantic-search]
 last_reinforced: 2026-04-20
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-AUTO-ONTO-001
-category: "10_Wiki/💡 Topics/AI"
+category: Meeting
 confidence_score: 0.92
 tags: [auto-reinforced, ontology, knowledge-engineering, classification, semantic-web, conceptual-modeling]
 last_reinforced: 2026-04-20
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-AUTO-6B64AB
-category: "10_Wiki/💡 Topics/Programming & Language"
+category: Meeting
 confidence_score: 0.90
 tags: [auto-reinforced]
 last_reinforced: 2026-04-20
@@ -1,6 +1,6 @@
 ---
 id: DL-SCHED-001
-category: "10_Wiki/💡 Topics/AI"
+category: Meeting
 confidence_score: 1.0
 tags: [ai, deep-learning, optimization, scheduler, learning-rate, hyperparameter-tuning, training-efficiency]
 last_reinforced: 2026-04-26
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-AUTO-SMON-001
-category: "10_Wiki/💡 Topics/AI"
+category: Meeting
 confidence_score: 0.94
 tags: [auto-reinforced, semantics, ontology, knowledge-graph, structuralism]
 last_reinforced: 2026-04-20
@@ -1,6 +1,6 @@
 ---
 id: 550e8400-e29b-41d4-a716-446655440004
-category: "10_Wiki/Topics/Governance & [[Reliability|Reliability]]"
+category: Meeting
 confidence_score: 1.0
 tags: [Governance, Git, Automation, Session [[Management|Management]]]
 last_reinforced: 2026-04-21
@@ -1,6 +1,6 @@
 ---
 id: P-REINFORCE-AUTO-TAMA-001
-category: "10_Wiki/💡 Topics/AI"
+category: Meeting
 confidence_score: 0.94
 tags: [auto-reinforced, task-management, productivity, organization, focus, efficiency, gt-d]
 last_reinforced: 2026-04-20
@@ -1,26 +0,0 @@
-# [[게임 데이터 분석(Game Analytics)|게임 데이터 분석(Game Analytics)]]
-
-## 📌 Brief Summary
-게임 데이터 분석(Game Analytics)은 사용자가 튜토리얼을 완료하는 방식부터 구매 퍼널을 통과하는 과정까지 게임 내에서 발생하는 모든 프로세스를 조명하고 이해하는 데 필수적인 과정입니다 [1]. 이는 플레이어의 행동과 지출 비율을 측정하여 게임 경제 설계와 수익화 전략 결정에 핵심적인 역할을 수행합니다 [2, 3]. 성공적인 게임 경제 운영을 위해서는 이러한 실시간 데이터를 유닛 이코노믹스(Unit Economics) 관점에서 해석하고, 주요 핵심 성과 지표(KPI)를 추적하여 시스템의 균형과 성장을 유지해야 합니다 [4, 5].
-
-## 📖 Core Content
-
-*   **데이터 기반 경제 설계의 중요성**
-    데이터 분석은 플레이어의 행동과 참여도를 이해하는 데 필수적이며, 수익화 결정에 직접적인 영향을 미치기 때문에 게임 경제 설계의 필수적인 부분으로 자리 잡았습니다 [2, 3, 6]. 특히 모바일 게임 분석은 수백 가지의 뉘앙스를 파악하고 수십 개의 지표를 동시에 고려해야 하는 매우 복잡하고 심층적인 분야입니다 [1].
-
-*   **핵심 성과 지표(KPI) 및 유닛 이코노믹스 적용**
-    게임 회사가 안정적인 경제를 유지하기 위해서는 사용자당 평균 매출(ARPU), 결제 사용자당 평균 매출(ARPPU), 고객 평생 가치(LTV), 고객 획득 비용(CAC), 유지율(Retention Rate), 이탈률(Churn Rate), 전환율(Conversion Rate) 등의 핵심 지표를 면밀히 추적해야 합니다 [7-18]. 가상 경제는 유닛 이코노믹스 관점에서 해석되어야 하며, 장기적인 마케팅 효율성과 수익성을 입증하기 위해서는 LTV와 CAC의 비율을 최소 3:1 이상으로 유지하는 것이 필수적입니다 [4, 18-20].
-
-*   **리텐션(유지율)과 수익성의 상관관계**
-    데이터 분석에서 유지율(Retention)은 플레이어 이탈(Churn)을 예측하는 중요한 선행 지표로 작용합니다 [21]. 예를 들어, 설치 직후인 7일 유지율(D7)이 급격히 낮아진다면 첫 사용자 경험(FTUE)에 근본적인 문제가 있음을 의미하며, 이는 장기적으로 높은 이탈률을 유발해 궁극적으로 ARPU와 LTV를 심각하게 갉아먹게 됩니다 [21, 22]. 따라서 30일 유지율(D30)과 같은 장기 지표는 높은 초기 획득 비용(CAC)을 회수하고 게임의 재무적 건전성을 확인하는 데 결정적인 역할을 합니다 [18, 23].
-
-*   **시뮬레이션과 라이브 데이터의 결합**
-    게임 출시 전(사전 제작 단계)에는 실시간 플레이어 데이터가 부재하므로 Machinations, 파이썬 스크립트 등의 시뮬레이션 도구를 적극 활용하여 경제 균형을 맞추고 플레이어 행동을 예측해야 합니다 [6]. 반면 게임 출시 후에는 라이브 옵스(LiveOps) 데이터 수집을 통해 실제 게임의 텔레메트리 데이터를 시뮬레이션 모델로 가져와 예측의 정확도를 지속적으로 높이고, 변화하는 메타와 이벤트에 맞춰 경제를 재조정해야 합니다 [24, 25].
-
-## 🔗 Knowledge Connections
- **Related Topics:** [[핵심 성과 지표(KPI)|핵심 성과 지표(KPI)]], 유닛 이코노믹스(Unit Economics), [[고객 평생 가치(LTV)|고객 평생 가치(LTV)]], 고객 획득 비용(CAC), [[게임 경제 설계(Game Economy Design)|게임 경제 설계(Game Economy Design)]]
- **Projects/Contexts:** Machinations LiveOps 데이터 인제스션(Data Ingestion) (출시 후 실제 게임의 분석 데이터를 연동하여 시뮬레이션을 예측 모델로 전환하는 프로젝트 맥락) [25, 26].
- **Contradictions/Notes:** 게임 출시 전에는 라이브 데이터가 존재하지 않아 시뮬레이션 툴의 예측값에 의존할 수밖에 없으나, 출시 이후에는 반드시 실제 플레이어의 텔레메트리 데이터를 시스템에 지속적으로 주입하여 초기 가정을 캘리브레이션(보정)해야만 한다는 방법론적 차이와 한계 극복 과정이 존재합니다 [6, 25].
-
---
-*Last updated: 2026-04-29*