리텐션 곡선 D1·D7·D30 (거듭제곱 피팅)
Retention curve D1 / D7 / D30 with power-law fit (log–log)
일별 코호트 리텐션 점들을 R(d)=R₁·d^(−b) 거듭제곱 곡선으로 피팅해 D1·D7·D30을 벤치마크 중앙값과 비교하고, 로그-로그 축으로 바꾸면 두 곡선이 직선이 되어 감쇠 기울기 b를 바로 읽게 해 주는 리텐션 분석 차트다.
프롬프트
Canvas 2D로 D1–D30 일별 리텐션 관측점 30개(R(d)=0.40·d^−0.5에 ±7% 노이즈)를 70ms 스태거 backOut으로 찍고, 피팅 곡선(청록, 아래 그라디언트 채움)과 벤치마크 중앙값 곡선 0.23·d^−0.9(회색 점선)를 1.4초 easeOutCubic으로 그려줘. D1·D7·D30 위치에 세로 점선과 'D7 15.1%' 알약 라벨을 220ms 간격으로 팝시키고, 오른쪽 표에 우리 게임 40/15.1/7.3% 대 중앙값 23/4.0/1.1% 막대를 채워줘. 5.3초에 x=ln d, y=ln R로 축을 1.2초 easeInOutCubic 보간해 두 곡선이 기울기 −0.50/−0.90 직선이 되는 9.2초 루프.
라이브 데모 열기 — 리텐션 곡선 D1·D7·D30 (거듭제곱 피팅)
코호트 리텐션 삼각형 히트맵
Cohort retention triangle heatmap (rows, columns & calendar diagonals)
설치 주별 코호트(행)와 경과 주(열)로 리텐션을 채운 삼각형 히트맵이 주마다 새 대각선으로 자라고, 이벤트 주간은 대각선·나쁜 유입 코호트는 가로줄·온보딩 개선은 세로 비교로 드러나는 라이브 운영 핵심 진단표다.
프롬프트
Canvas 2D로 8개 주간 코호트 × (설치 수 + W1–W7) 격자를 만들고 코호트 c의 경과 a주 셀을 캘린더 주 c+a가 지났을 때만 0.65초 간격 대각선 단위로 easeOutCubic 페이드인해줘. 값은 0.30·a^−0.55 × 코호트 품질계수(UA 대량 유입 주 0.68, 온보딩 개선 후 1.22)이고 캘린더 6주차 이벤트는 ×1.38로, 남색→청록→금색 순차 색상표와 셀 안 % 숫자를 써줘. 다 채워지면 이벤트 대각선(금), 저품질 코호트 가로줄(빨강), W1 열 개선(청록)을 1.5초씩 차례로 외곽선과 라벨로 짚는 10.4초 루프.
라이브 데모 열기 — 코호트 리텐션 삼각형 히트맵
DAU/MAU 고착도 + L28 파워 유저 곡선
DAU / MAU stickiness with L28 power-user curve
플레이어×28일 접속 격자가 하루씩 채워지며 DAU 막대, 고유 MAU, L28(28일 중 접속일 수) 히스토그램이 함께 갱신되고, 마지막에 DAU/MAU가 정확히 평균 L28 ÷ 28과 같다는 항등식을 보여 주는 참여도 지표 데모다.
프롬프트
Canvas 2D로 플레이어 24명(코어 3명 p=0.85, 일반 4명 0.45, 캐주얼 7명 0.2, 라이트 10명 0.06)의 28일 접속 여부를 시드 난수로 미리 만들고 5.2초 동안 날짜 커서가 열을 채우게 해줘. 격자 아래 DAU 막대, 오른쪽에 접속일 수 1–28을 4일 구간 7개로 묶은 L28 히스토그램(20일 이상 금색)을 실시간으로 다시 세고, DAU/MAU = 평균 DAU ÷ 고유 MAU를 큰 숫자로 표시해줘. 28일이 끝나면 '= 평균 L28 ÷ 28' 항등식과 실제 값을 페이드인하는 9초 루프.
라이브 데모 열기 — DAU/MAU 고착도 + L28 파워 유저 곡선
성장 회계 (신규·복귀·이탈 + 퀵 레이시오)
Growth accounting: new + resurrected − churned with quick ratio
주간 활성 사용자의 변화를 신규·복귀(위로)와 이탈(아래로) 막대로 분해해 WAU 선과 함께 쌓고, (신규+복귀)÷이탈 퀵 레이시오가 1을 넘는지로 성장 건강도를 판단하는 라이브 게임 성장 회계 차트다.
프롬프트
Canvas 2D로 12주 동안 신규(청록)·복귀(금색)를 0선 위로, 이탈(빨강)을 아래로 쌓은 발산 막대를 0.47초 간격 easeOutCubic으로 세우고, WAUₜ = WAUₜ₋₁ + 신규 + 복귀 − 이탈(시작 100k)을 흰 선으로 함께 그려줘. 오른쪽 패널에 현재 주 신규·복귀·이탈·WAU와 Quick ratio=(신규+복귀)/이탈을 크게 표시해 1 이상이면 청록, 미만이면 빨강으로 바꾸고, 9주차 복귀 캠페인(복귀 19k) 라벨을 띄우는 8.6초 루프.
라이브 데모 열기 — 성장 회계 (신규·복귀·이탈 + 퀵 레이시오)
레벨 진행 이탈 곡선 + 난이도 스파이크 탐지
Level progression drop-off with difficulty-spike detection (μ + 2σ)
레벨별 도달 플레이어 곡선과 레벨별 이탈률 막대를 스캔하며 평균+2σ를 넘는 난이도 벽(평균 시도 7.8회)을 자동으로 찾아내고, 밸런스 패치 후 이탈 막대와 도달 곡선이 회복되는 모습을 비교하는 레벨 디자인 데이터 진단이다.
프롬프트
Canvas 2D 위쪽에 레벨 1–40 도달 비율 Nₙ = Π(1−hᵢ) 곡선, 아래쪽에 레벨별 이탈률 hₙ = 1 − Nₙ₊₁/Nₙ 막대와 μ+2σ 금색 점선 임계선을 그리고, 흰 스캔 커서가 3.8초 동안 왼쪽→오른쪽으로 지나가며 막대를 세우게 해줘. 임계선을 넘는 23레벨(이탈 9%, 평균 시도 7.8회)은 빨간 막대와 알약 라벨로 짚고, 5.2초 '난이도 −15% 패치' 후 이탈 2.1%·시도 3.1회로 1.2초 easeInOutCubic 보간하며 청록 도달 곡선이 원래 곡선 위로 올라가 Lv40 도달률 변화를 표시하는 9.4초 루프.
라이브 데모 열기 — 레벨 진행 이탈 곡선 + 난이도 스파이크 탐지
매출 KPI 트리 (DAU × 전환율 × ARPPU)
Revenue KPI tree: DAU × payer conversion × ARPPU (ARPDAU decomposition)
일 매출을 DAU × ARPDAU, ARPDAU를 결제 전환율 × ARPPU로 분해한 트리에서 세일 이벤트로 전환율은 오르고 객단가는 내려갈 때 값이 아래에서 위로 전파되며 순효과가 계산되는 수익화 지표 분해도다.
프롬프트
Canvas 2D로 루트 '일 매출', 2단 DAU × ARPDAU, 3단 결제 전환율 × ARPPU 노드를 꺾은선 연결과 × 연산자 원으로 배치하고 180ms 스태거로 0.85→1 easeOutCubic 팝인해줘. 2.9초 '주말 세일 −20%' 토스트 후 전환율 2.0→3.0%, ARPPU $4.00→3.20, DAU 230,000→244,000을 각각 0.8초 easeInOutCubic으로 바꾸고 ARPDAU = 전환율×ARPPU, 매출 = DAU×ARPDAU를 매 프레임 다시 계산해 롤링 숫자로 표시해줘. 값이 바뀐 노드는 테두리 글로우, 연결선을 따라 위로 빛 입자가 0.8초 이동하며, 루트 옆에 기준 $18,400 대비 +27.3% 알약을 띄우는 9.4초 루프.
라이브 데모 열기 — 매출 KPI 트리 (DAU × 전환율 × ARPPU)
LTV 예측 (리텐션 적분 × ARPDAU)
LTV projection from retention integral × ARPDAU with CPI payback
리텐션 곡선 아래 면적(기대 활동일 ΣR(d))이 커서를 따라 쓸려 채워지는 동안 아래 누적 LTV 곡선이 같은 속도로 자라 CPI 선과 만나는 회수일을 찍는, 리텐션과 수익을 연결하는 LTV 모델 시각화다.
프롬프트
Canvas 2D로 위 차트에 R(0)=1, R(d)=0.40·d^−0.5 리텐션을, 아래 차트에 LTV(D) = ARPDAU($0.12, 스토어 수수료 차감 순매출) × Σ_{d=0..D} R(d)를 같은 0–180일 x축으로 그리고, 흰 커서가 5.2초 easeInOutCubic으로 이동하며 위 곡선 아래를 청록 그라디언트로 clip 채움하고 아래 금색 LTV 곡선을 늘려줘. CPI $1.10 빨간 점선과 교차하는 첫 날(D120)에 흰 점과 '회수 D120' 알약을 띄우고, 오른쪽에 ARPDAU, 기대 활동일(D180 = 11.16일), LTV(D180 = $1.34), LTV/CPI %를 실시간으로 표시하는 9.2초 루프.
라이브 데모 열기 — LTV 예측 (리텐션 적분 × ARPDAU)
채널별 누적 ROAS · 회수일 (D7 함정)
Cumulative ROAS curves by UA channel: payback day & the D7 ROAS trap
광고 채널 3개의 누적 ROAS 곡선을 √일 축에 그려 D7 ROAS가 가장 높은 채널이 점근선 85%로 끝내 회수하지 못하고, 초반이 느린 채널이 59일에 손익분기를 넘는 것을 보여 주며 확대·유지·중단 결정을 내리는 UA 성과 판단 차트다.
프롬프트
Canvas 2D로 ROAS(d) = R∞·(1 − e^(−d/τ))를 채널 A(CPI $2.40, R∞ 160%, τ 60일), B(CPI $0.90, 85%, 25일), C(CPI $1.60, 120%, 50일)로 x = √(d/180) 축에 3.6초 easeOutCubic으로 그리고 100% 손익분기 흰 점선을 깔아줘. 1.2초에 D7 세로선과 각 곡선의 점, 'D7 ROAS 1위: B 20.8%' 경고 알약을 띄우고, 4.2초에 회수일 d = −τ·ln(1 − 1/R∞)(A 59일, C 90일)을 backOut 점으로, B는 '점근 85% · 회수 불가'로 표시해줘. 오른쪽 표에 CPI·D7 ROAS와 결정 칩(확대/유지/중단)을 250ms 간격 backOut으로 찍는 9.4초 루프.
라이브 데모 열기 — 채널별 누적 ROAS · 회수일 (D7 함정)
UA 광고 소재 피로도 · 교체 주기
UA creative fatigue: IPM decay, weekly creative refresh & CPI impact
광고 소재마다 IPM(1,000회 노출당 설치)이 출시 직후 학습을 거쳐 정점에 오른 뒤 지수적으로 피로해지는데, 7일마다 새 소재를 투입하면 혼합 IPM이 톱니 모양으로 유지되고 교체하지 않으면 CPI = CPM ÷ IPM이 몇 배로 치솟는 것을 보여 주는 UA 소재 운영 차트다.
프롬프트
Canvas 2D로 소재 6개를 0·7·14·21·28·35일에 출시하고 IPMₖ(a) = IPM₀·(1 − e^(−a/1.2))·e^(−a/12)(IPM₀ 8/9/7.5/10/8.5/9.5, a = 출시 후 일수)를 색별 얇은 선으로, 지출 비중 ∝ IPM²로 가중한 혼합 IPM = ΣIPM³/ΣIPM²를 흰 굵은 선(글로우), 첫 소재만 계속 쓴 경우를 빨간 점선으로 6.2초 easeInOutCubic 커서와 함께 그려줘. 아래에 소재 타일 6개가 출시일에 backOut으로 등장해 피로도(1 − IPM/IPM₀)만큼 어두워지며 현재 IPM을 표시하고, 오른쪽에 CPM $12 기준 CPI(주간 교체 $2.1–3.4 유지 vs 교체 없음 D42 $49.7)와 지출 비중 누적 막대를 실시간 갱신하는 9.6초 루프.
라이브 데모 열기 — UA 광고 소재 피로도 · 교체 주기
고래·돌고래·미노우 매출 집중 (로렌츠 곡선)
Whale / dolphin / minnow revenue concentration: Lorenz curve & Gini
결제자 200명의 지출 막대가 오름차순으로 자란 뒤 점으로 모여 로렌츠 곡선으로 변형되고, 상위 1%·10%의 매출 비중과 지니 계수, 등급별 인원 대 매출 비중 띠그래프로 고과금 의존도를 진단하는 수익 분포 차트다.
프롬프트
Canvas 2D로 파레토 분포 지출 sᵢ = $1.99·(1−uᵢ)^(−1/0.95)(uᵢ=(i+0.5)/200, 상한 $2,000)를 오름차순 막대(√ 스케일, <$10 남색·$10–100 청록·≥$100 금색)로 11ms 스태거해 세우고, 3.2초부터 1.6초 easeInOutCubic으로 각 막대 끝을 (누적 인원 비율, 누적 매출 비율) 점으로 이동시켜 로렌츠 곡선과 완전 평등 대각선, 사이 면적을 그려줘. 지니 G = 1 − 2∫L(x)dx(≈0.76), '상위 10% → 매출 72%', '상위 1% → 41%' 알약을 띄우고 오른쪽에 인원 비중(79/19/2.5%)과 매출 비중(18/28/54%) 막대를 리본으로 연결하는 9.6초 루프.
라이브 데모 열기 — 고래·돌고래·미노우 매출 집중 (로렌츠 곡선)
A/B 테스트 신뢰구간 수렴
A/B test with converging 95% confidence intervals
두 상품안의 일별 누적 전환율과 95% 신뢰구간 띠가 표본이 쌓일수록 1/√n으로 좁아지고, 오른쪽 차이 숲 그림(forest plot)의 구간이 0을 벗어나는 시점과 계획 표본 도달 후 채택 판정을 보여 주는 실험 분석 화면이다.
프롬프트
Canvas 2D로 군당 하루 2,500명, 진짜 전환율 A 3.0%·B 3.6%인 14일 실험을 시드 정규 노이즈로 미리 시뮬레이션해 누적 p̂ ± 1.96·√(p̂(1−p̂)/n) 띠(A 남색, B 청록)를 5.6초 easeInOutCubic으로 날짜를 늘리며 그려줘. 오른쪽 패널에 Δ = p̂B − p̂A와 Δ ± 1.96·√(SEA²+SEB²) 오차 막대, 0 기준선, n·z·양측 p값을 실시간 표시하고 구간이 0을 포함하면 금색, 벗어나면 청록으로 바꿔줘. 계획 표본 35,000/군에 도달한 뒤에만 'B 채택 · +0.45pp' 칩을 backOut으로 띄우는 9.6초 루프.
라이브 데모 열기 — A/B 테스트 신뢰구간 수렴
표본 크기 · 검정력 (H₀ vs H₁ 분포)
Sample size & statistical power: H₀ vs H₁ sampling distributions
표본 수가 늘면 차이의 표본분포 H₀(0)와 H₁(+0.5pp)이 좁고 높아지며 α 꼬리, β 놓침 영역, 검정력 영역이 실시간으로 바뀌고, 검정력 80%가 되는 필요 표본 n*를 공식과 함께 보여 주는 실험 설계 시각화다.
프롬프트
Canvas 2D로 차이 추정치의 정규 분포 H₀ = N(0, SE), H₁ = N(0.5pp, SE), SE = √(2p(1−p)/n)(p=3%)를 그리고 n을 로그 보간으로 2,000→40,000(4초)→n*로 움직여줘. 임계값 ±1.96·SE 흰 점선 바깥 H₀ 꼬리는 빨강(α/2), 임계 아래 H₁ 영역은 금색(β), 위는 청록(검정력)으로 칠하고, 오른쪽에 n/군과 검정력 = Φ(δ/SE − 1.96) + Φ(−δ/SE − 1.96) 숫자·진행 막대(80% 눈금)를 표시해줘. 6.4초에 n* = (1.96+0.84)²·2p(1−p)/δ² = 18,273을 페이드인하는 9.4초 루프.
라이브 데모 열기 — 표본 크기 · 검정력 (H₀ vs H₁ 분포)
엿보기 문제 (A/A 테스트 거짓 양성)
Peeking problem: daily looks vs fixed horizon vs sequential boundary (A/A tests)
차이가 전혀 없는 A/A 테스트 40개의 z 통계량 경로를 30일 동안 그리면 매일 결과를 엿보고 ±1.96을 넘는 순간 멈출 경우 거짓 양성이 5%가 아니라 약 30%로 부풀고, 고정 기간 1회 확인이나 O'Brien–Fleming형 순차 경계는 5%를 지킨다는 것을 보여 주는 실험 운영 함정 데모다.
프롬프트
Canvas 2D로 시드 정규 난수 누적합 Sₜ로 만든 A/A 테스트 40개의 zₜ = Sₜ/√t 경로(t=1–30일)를 5.2초 easeInOutCubic으로 오른쪽으로 늘리고, |z|>1.96 영역을 옅은 빨강으로 칠해 처음 넘는 경로는 그 지점에 빨간 점을 찍고 빨갛게 바꿔줘. 2초에 순차 경계 ±2.16·√(30/t)(30회 확인 시 α≈5%)를 청록 점선으로 페이드인하고, 오른쪽에 매일 엿보기 / 30일 1회 확인 / 순차 경계의 거짓 양성률 막대를 α 5% 흰 점선과 함께 실시간 갱신하는 9.4초 루프(몬테카를로 기준 매일 엿보기 ≈28%).
라이브 데모 열기 — 엿보기 문제 (A/A 테스트 거짓 양성)
멀티암드 밴딧 vs 고정 A/B (톰슨 샘플링)
Multi-armed bandit (Thompson sampling) vs fixed split: posteriors, allocation & regret
전환율 4%·5%·6.5%인 상점 오퍼 3개에 톰슨 샘플링을 적용하면 사후 Beta 분포가 좁아지며 트래픽이 최선 오퍼로 몰리고, 1/3씩 고정 분할하는 A/B보다 누적 후회(놓친 전환)가 훨씬 작게 자라는 것을 비교하는 적응형 실험 시각화다.
프롬프트
Canvas 2D로 사용자 3,000명을 미리 시뮬레이션해(매 사용자 Beta(1+성공, 1+실패)에서 표본을 뽑아 최대값 오퍼 노출, 감마 분포 Marsaglia–Tsang 샘플링) 30명마다 상태를 저장하고, 6초 easeInOutCubic으로 재생해줘. 왼쪽 위에 세 오퍼의 사후 밀도(로그감마로 정규화, 최대값 기준 스케일)와 진짜 전환율 눈금, 아래에 ±3구간 이동평균한 트래픽 배분 누적 영역(1/3·2/3 점선), 오른쪽에 누적 후회 Σ(p* − p선택) 청록 곡선과 고정 분할 직선 (p* − p̄)·n 빨강을 그려 숫자로 비교하는 9.6초 루프.
라이브 데모 열기 — 멀티암드 밴딧 vs 고정 A/B (톰슨 샘플링)
이탈 예측 신호 · 위험 점수
Churn prediction signals with a logistic risk score & win-back trigger
플레이어 5명의 최근 14일 세션 막대를 하루씩 진행하며 무접속 일수, 주간 세션 수 변화, 세션 길이 감소를 로지스틱 회귀 위험 점수로 합산하고, 70%를 넘는 순간 빨갛게 바뀌며 윈백 푸시가 발동되는 이탈 예측 운영 화면이다.
프롬프트
Canvas 2D로 플레이어 5명(매일 코어, 빈도 감소, 8일째 급정지, 세션 길이만 55→5분으로 줄어드는 결제자, 주말형)의 14일 세션 막대(높이 = 세션 분/60)를 6초 동안 날짜 커서로 드러내줘. 매 프레임 그날까지의 무접속일, Δ주간세션(최근 7일 − 이전 7일), Δ세션분(이전 평균 − 최근 평균)으로 p = σ(−3 + 0.55·무접속일 − 0.35·Δ주간세션 + 0.04·Δ세션분)을 계산해 위험 막대(35% 미만 청록, 70% 미만 금색, 이상 빨강)로 표시하고, 70%를 처음 넘는 날 막대 글로우와 '윈백 푸시' 알약을 backOut으로 띄우는 9.6초 루프.
라이브 데모 열기 — 이탈 예측 신호 · 위험 점수
플레이어 세분화 (k-means 군집)
Player segmentation with k-means clustering (Lloyd iterations)
주간 세션 수와 로그 결제액 평면의 플레이어 점 124개에 k-means(k=4)를 돌려 한곳에 몰린 초기 중심이 반복마다 이동하고 점 색이 재배정되며 캐주얼·무과금 하드코어·소과금·고과금 세그먼트로 수렴하는 과정을 SSE 감소와 함께 보여 주는 군집 분석이다.
프롬프트
Canvas 2D로 0–1로 정규화한 (주간 세션, log₁₀ 결제액) 4개 가우시안 덩어리 124점을 3ms 스태거로 찍고, 중앙에 몰린 초기 중심 4개에서 Lloyd 알고리즘 7회 반복(할당 → 평균 갱신)을 미리 계산해줘. 반복마다 0.9초 동안 점→중심 연결선을 보여 준 뒤 중심 ×표시가 easeInOutCubic으로 새 평균으로 이동하고 재할당된 점 색이 섞이며 바뀌게 하고, 오른쪽에 반복 수, SSE 감소 스파크라인, 세그먼트별 인원을 표시하며 수렴 후 중심 위에 세그먼트 이름 알약을 띄우는 9.8초 루프.
라이브 데모 열기 — 플레이어 세분화 (k-means 군집)
라이브 이벤트 캘린더 · 참여 스파이크
Live events calendar with DAU / revenue spikes & event fatigue
5주 이벤트 캘린더의 주말 이벤트·시즌 패스·컬래버·할인 세일·길드전 레인이 재생 헤드를 따라 그려지는 동안 위쪽 DAU 선과 일 매출 막대가 이벤트마다 솟고, 연속 이벤트에서는 상승폭이 줄어드는 피로도까지 반영한 라이브옵스 일정 대시보드다.
프롬프트
Canvas 2D로 35일 x축에 이벤트 레인 5개(주말 이벤트 매주 토·일, 시즌 패스 S7 0–27일·S8 28일~, 컬래버 9–15일, 세일 20–22일, 길드전 24–27·31–34일)를 둥근 막대로, 위에 DAU = 100k·(1 + 0.04·sin(0.9d) + Σ이벤트 상승률×(1 − 0.35·진행률)×피로계수)를 하늘색 선, 매출 = DAU×0.1×(1 + Σ매출 상승률)을 금색 막대로 그려줘. 세일 직전 7일 연속 이벤트 구간에는 피로계수 0.75를 곱하고, 재생 헤드가 6.2초 easeInOutCubic으로 지나가며 막대·선을 드러내고 '컬래버 DAU +29%' → '세일 매출 ×2.9' → '시즌 8 개막' 알약을 차례로 띄우는 9.4초 루프.
라이브 데모 열기 — 라이브 이벤트 캘린더 · 참여 스파이크
콘텐츠 트레드밀 (소비 속도 vs 업데이트 주기)
Content treadmill: player consumption rate vs update cadence
출시 40시간 분량 콘텐츠에 21일마다 15시간이 추가되는 계단선 아래로 상위 1%·상위 10%·중앙값 플레이어의 누적 소비 곡선이 달리다 천장에 막혀 평평해지고, 고갈 구간과 대기 일수를 집계해 업데이트 주기를 정하는 라이브 콘텐츠 기획 차트다.
프롬프트
Canvas 2D로 가용 콘텐츠 cap(d) = 40 + 15·⌊d/21⌋ 시간을 흰 계단선으로, 플레이 성향별 누적 소비 cons(d+Δ) = min(cap(d), cons + 속도·Δ)(상위 1% 6h/일 빨강, 상위 10% 2.5h/일 금색, 중앙값 0.8h/일 청록)를 0.25일 간격으로 계산해 6초 easeInOutCubic 커서와 함께 늘려줘. 상위 1% 곡선이 천장에 붙은 구간은 빨간 반투명 기둥으로 칠하고, 업데이트 지점에 '+15h 업데이트' 알약, 오른쪽에 성향별 고갈 일수 막대와 '소진 7일 vs 공급 21일' 경고를 띄우는 9.6초 루프.
라이브 데모 열기 — 콘텐츠 트레드밀 (소비 속도 vs 업데이트 주기)
매치메이킹 건강도 (대기 시간 vs 실력 차)
Matchmaking health: queue time vs MMR spread across the daily CCU cycle
하루 동시접속 곡선을 따라 시간이 흐를 때 큐 유입량이 줄면 목표 대기 30초를 지키기 위한 허용 MMR 폭이 ±10에서 ±104로 넓어지고, 같은 폭에서도 상위 1% 실력 플레이어는 대기가 수 분으로 늘어나는 매치 품질 트레이드오프 분석이다.
프롬프트
Canvas 2D 왼쪽에 CCU(h) = 20k·(0.55 + 0.45·cos(2π(h−21)/24)) 24시간 곡선과 시계를, 오른쪽에 5대5 매치 대기 시간 E[wait] = 9 / (λ·P(|MMR − 시드| < W)) (λ = CCU/1800초, MMR ~ N(1500, 300))를 x = 허용 폭 W 0–300, y = 로그 1초–10분 축으로 그려줘. 평균 실력 시드(청록 실선)와 MMR 2200 시드(빨강 점선)를 함께 그리고 목표 30초 금색 점선과의 교점 W* = 300·Φ⁻¹((1 + 9/(30λ))/2)에 흰 점을 찍어, 시계가 6.6초 easeInOutCubic으로 09시→09시 한 바퀴 도는 동안 곡선·교점·'허용 MMR ±W'·'상위 1% 대기'가 실시간 갱신되는 9.6초 루프.
라이브 데모 열기 — 매치메이킹 건강도 (대기 시간 vs 실력 차)
서버 CCU · 타깃 추적 오토스케일
Server CCU with target-tracking autoscaling, boot lag & cost vs static peak
48시간 동시접속 곡선 아래로 서버 용량 계단선이 가동률 80% 목표를 따라 늘고 줄며, 이벤트 오픈 급증 때 10분 부팅 지연으로 잠깐 용량을 넘는 빨간 구간이 생기고, 피크 고정 프로비저닝 대비 서버·시간 비용 절감률을 보여 주는 라이브 인프라 대시보드다.
프롬프트
Canvas 2D로 5분 간격 576스텝 CCU = 60k·(0.55 + 0.45·cos(2π(h−21)/24))에 40–44시 이벤트 급증(최대 +65%)을 더하고, 서버 1대 1,000 CCU·목표 가동률 80%로 원하는 대수 ⌈CCU/800⌉를 계산해 증설은 2스텝(10분) 뒤 반영, 감축은 30분 쿨다운 후 차이의 절반씩 하는 시뮬레이션을 미리 돌려줘. 용량은 남색 계단 영역, CCU는 청록 선, CCU > 용량 구간은 빨간 막대, 피크 고정 프로비저닝은 금색 점선으로 6.4초 easeInOutCubic 재생하고, 오른쪽에 서버 대수·가동률(85% 초과 금색, 100% 초과 빨강)·누적 서버·시간과 마지막에 '비용 53% 절감' 알약을 띄우는 9.6초 루프.
라이브 데모 열기 — 서버 CCU · 타깃 추적 오토스케일
점검 시간 선정 (요일×시간 CCU 히트맵)
Maintenance window selection from a weekday × hour CCU heatmap
요일×시간 동시접속 히트맵 위를 2시간 창이 훑으며 Σ CCU가 가장 작은 구간을 찾아 정기 점검 시간으로 추천하고, 반대로 가장 붐비는 구간을 이벤트 시작 시각으로 표시하는 운영 일정 결정 도구다.
프롬프트
Canvas 2D로 7×24 격자에 시간대 프로필(21시 피크, 05시 저점)과 주말 ×1.2·주말 낮 +0.25를 곱한 CCU를 남색→청록→금색 색상표로 1.2초 동안 대각 스윕 페이드인해줘. 흰 2시간 창이 3.6초 동안 166개 위치를 행 우선으로 훑으며 지금까지의 최소 Σ CCU 창을 청록 외곽선으로 갱신하고, 끝나면 그 창이 5Hz로 맥동하며 '점검 추천 화 04:00–06:00 · 주간 플레이 0.22%' 알약을, 5.4초에 최대 창을 금색 외곽선과 '이벤트 시작 토 21시'로 표시하는 9.2초 루프.
라이브 데모 열기 — 점검 시간 선정 (요일×시간 CCU 히트맵)
단계적 배포 · 크래시 가드레일 · 롤백
Staged rollout (1 → 5 → 20 → 50 → 100%) with crash-free guardrail & automatic rollback
새 빌드를 1%→5%→20%로 넓히던 중 크래시 없는 세션 비율이 가드레일 99.5% 아래로 떨어지면 배포가 자동 중단되고 0%로 롤백된 뒤, 핫픽스 빌드가 다시 단계를 밟아 100%에 도달하는 라이브 패치 배포 과정이다.
프롬프트
Canvas 2D 왼쪽에 사용자 200명 점 격자(해시 버킷 0–100 고정)를 두고 버킷 < 배포율인 점을 빌드 색(1.4.0 금색, 1.4.1 청록)으로 칠해 단계 1→5→20%를 0.45초 easeInOutCubic으로 넓혀줘. 20% 단계에서 신규 빌드 점에 빨간 크래시 섬광이 무작위로 터지고 오른쪽 차트의 크래시 없는 세션 비율이 99.8→98.6%로 떨어져 99.5% 빨간 가드레일을 넘으면 '자동 중단 → 롤백', 화면 빨간 플래시와 함께 배포율이 0%로 돌아가게 해줘. 4.9초부터 핫픽스 1.4.1이 1→5→20→50→100%를 0.7초 간격으로 밟으며 하단 단계 표시가 차례로 켜지는 9.4초 루프.
라이브 데모 열기 — 단계적 배포 · 크래시 가드레일 · 롤백
피처 플래그 해시 버킷팅
Feature flags with deterministic hash bucketing, sticky ramps & kill switch
사용자마다 hash(userId:flag) % 100으로 고정 버킷을 매겨 비율을 10→30→60%로 올려도 이미 켜진 사용자는 계속 켜져 있고, 플래그마다 키가 달라 두 실험이 서로 독립적으로 섞이며, 킬 스위치 한 번에 즉시 꺼지는 피처 플래그 동작 원리 시각화다.
프롬프트
Canvas 2D로 사용자 260명을 x = FNV-1a(id+':new_shop') % 100, y = FNV-1a(id+':fast_match') % 100 정사각형에 점으로 찍고, new_shop 비율 세로선을 0→10→30→60%로, fast_match 가로선을 0→50%로 0.8초 easeInOutCubic 이동시키며 x<A는 청록, y<B는 보라, 둘 다는 흰색으로 칠해줘. 오른쪽에 추적 사용자 u_49554의 'A 버킷 < 비율 ✓ ON' 판정과 A∩B 인원 ≈ nA·nB/n 독립성 수치를 표시하고, 7.4초 킬 스위치로 A가 0.25초 만에 0%가 되며 빨간 플래시와 '킬 스위치 · new_shop OFF'를 띄우는 9.6초 루프.
라이브 데모 열기 — 피처 플래그 해시 버킷팅
지역별 가격 (환율 vs 구매력 평가)
Regional pricing: exchange-rate conversion vs purchasing-power parity with local price tiers
기준가 $9.99를 지역마다 환율로만 바꾸면 모두 같은 달러 가치지만, 구매력 평가(PPP) 계수를 곱하고 현지 가격대(.99, ¥10 단위, ₹…9)로 반올림하면 USD 환산 실효가가 지역별로 줄어들고, 할인 폭이 70%를 넘는 지역은 차익 거래 위험으로 표시되는 글로벌 가격 책정 표다.
프롬프트
Canvas 2D로 7개 지역(미국, 유로존, 일본, 브라질, 멕시코, 인도네시아, 인도)에 예시 환율·PPP 계수(1/1, 0.92/0.82, 150/0.64, 5/0.5, 17/0.55, 15,700/0.3, 83/0.25)를 두고, USD 환산 막대가 $9.99에서 PPP 가격까지 220ms 스태거 1초 easeInOutCubic으로 줄어들게 해줘. 3초부터 현지 가격을 지역 규칙(€x.99, ¥10 단위, ₹10단위−1, Rp 1,000단위−1)으로 반올림해 금색 글로우와 함께 확정하고 막대 색을 할인 30% 미만 청록·60% 미만 금색·이상 빨강으로, 할인 70% 초과 지역에 '차익 위험 · 지역 잠금' 알약을 띄우는 9.4초 루프.
라이브 데모 열기 — 지역별 가격 (환율 vs 구매력 평가)
번들 가치 사다리 · 앵커 · 미끼 가격
Bundle value ladder with bonus %, price anchoring & decoy pricing
$0.99–$99.99 젬 상품 6종의 달러당 젬 보너스 %를 막대로 비교하고, $19.99 바로 아래에 가성비가 나쁜 $17.99 미끼 상품을 끼워 넣으면 진열이 7칸으로 재배치되며 $19.99가 '인기'로 돋보이고 예시 구매 분포와 ARPPU가 바뀌는 상점 가격 설계 데모다.
프롬프트
Canvas 2D로 젬 상품 $0.99/80, $4.99/500, $9.99/1,100, $19.99/2,400, $49.99/6,500, $99.99/14,000 카드를 120ms 스태거 backOut으로 진열하고 보너스 = (젬/가격)/(80/0.99) − 1(+24/+36/+49/+61/+73%) 배지와 $99.99 '최고 가치' 리본, 아래 젬/$ 가로 막대를 그려줘. 3초에 $17.99/1,800(+24%) 미끼 카드가 0.8초 easeInOutCubic으로 끼어들며 카드 폭·위치가 6→7칸으로 보간되고 $19.99 카드가 1.06배·청록 테두리 '인기'로 바뀌게 해줘. 오른쪽에 예시 선택 분포 누적 막대를 22/34/24/12/5/3% → 18/28/22/22/6/4%로 보간하고 ARPPU = Σ비중×가격을 $12.21 → $15.17(+24%)로 롤링 표시하는 9.6초 루프.
라이브 데모 열기 — 번들 가치 사다리 · 앵커 · 미끼 가격
첫 구매 오퍼 트리거 · 48시간 타이머
First-time-user offer: behavioral trigger, 48-hour countdown & deadline spike
설치 후 타임라인에서 첫 패배 순간을 트리거로 '시작 패키지 · 가치 10배' 팝업이 뜨고 48시간 카운트다운이 흐르는 동안, 시간당 구매율이 노출 직후 급등·감쇠했다가 마감 직전에 다시 솟으며 누적 전환이 쌓이는 한정 오퍼 설계 시각화다.
프롬프트
Canvas 2D 상단에 설치 → 튜토 완료 → 7스테이지 첫 패배(0:45, 빨간 트리거) 타임라인을 1.1초 easeInOutCubic으로 그리고, 1.3초에 오퍼 카드(젬 3개, '가치 10배', $1.99 버튼)를 backOut 팝인한 뒤 48:00:00 카운트다운을 6초에 압축해 줄여줘(남은 4시간 미만이면 빨강·글로우 맥동). 오른쪽에 시간당 구매율 h(x) = 0.9%·e^(−x/3) + 0.04% + 0.5%·e^(−(48−x)/1.2)를 빨간 영역, 누적 전환 1 − e^(−∫h)를 금색 선으로 그려 끝에 5.1%가 되고 44시간 이후 '마감 임박 스파이크' 알약을 띄우는 9.8초 루프.
라이브 데모 열기 — 첫 구매 오퍼 트리거 · 48시간 타이머
가격 테스트 · 수익 최적 가격
Price elasticity test: conversion vs price and the revenue-maximising price point
$0.99–$9.99 다섯 가격 셀에 표본이 쌓이며 전환율 막대의 신뢰구간이 좁아지고, 설치당 매출 = 가격 × 전환율 곡선을 지수 수요 모델로 맞춰 꼭짓점 $2.99를 최적 가격으로 찾는 IAP 가격 실험 화면이다.
프롬프트
Canvas 2D 왼쪽에 가격 셀 $0.99/$1.99/$2.99/$4.99/$9.99의 관측 전환율 막대(진짜 c(p) = 9%·e^(−p/3)에 시드 노이즈 × SE)와 ±1.96·SE 오차 막대를 그리고 셀당 n을 500→20,000으로 4초 동안 늘려 노이즈와 구간이 줄어들게 해줘. 오른쪽에 설치당 매출 p·c(p) 관측점과 오차, 4.6초부터 이론 곡선(금색)을 1초 easeInOutCubic으로 그린 뒤 꼭짓점 p* = p₀ = $3에 청록 글로우와 '최적 p* = $3 → $2.99' 알약을 backOut으로 띄우는 9.6초 루프.
라이브 데모 열기 — 가격 테스트 · 수익 최적 가격
보상형 광고 워터폴 vs 인앱 비딩
Rewarded video mediation: eCPM waterfall vs in-app bidding
플로어 eCPM 순으로 네트워크를 하나씩 호출하는 워터폴은 두 번 노필 뒤 $12에 팔리고 $22를 낼 수 있던 하위 네트워크는 호출조차 못 하지만, 인앱 비딩은 다섯 네트워크가 동시에 입찰해 $22에 낙찰되고 지연도 짧다는 것을 나란히 보여 주는 광고 수익화 비교다.
프롬프트
Canvas 2D로 좌우 패널에 네트워크 5개(플로어 $25/$18/$12/$8/$4, 이번 사용자 실제 입찰가 $14/$9/$12/$22/$6)를 행으로 놓고, 왼쪽 워터폴은 0.7초 간격으로 흰 점이 내려가며 '노필'(빨강) 두 번 후 '낙찰 $12'(청록), 아래 '미호출 · 실제 입찰가 $22'(금색)와 지연 300ms×3을 표시해줘. 오른쪽 인앱 비딩은 3.8초에 다섯 입찰 막대가 1초 easeOutCubic으로 동시에 자라 $22가 '낙찰' 배지를 backOut으로 받고 지연 350ms, 5.8초에 노출당 수익 = eCPM/1000 $0.012 vs $0.022(+83%) 요약을 띄우는 9.6초 루프.
라이브 데모 열기 — 보상형 광고 워터폴 vs 인앱 비딩
전면 광고 빈도 상한 최적화
Interstitial ad frequency cap optimisation (ad revenue vs retention loss → LTV)
하루 전면 광고 상한을 늘리면 광고 ARPDAU는 피로도로 체감 증가하고 기대 수명은 지수적으로 줄어들어, 둘을 곱한 LTV가 하루 7회에서 최대가 되는 것을 커서가 상한을 훑으며 보여 주는 광고 빈도 설계 차트다.
프롬프트
Canvas 2D로 x = 일일 전면 광고 상한 n(0–12회)에 광고 ARPDAU(n) = Σₖ eCPMₖ/1000, eCPMₖ = $12·0.88^(k−1)(금색 점선), 수명 배수 e^(−0.045n)(청록 점선), LTV(n) = ($0.05 IAP + 광고 ARPDAU)·12일·e^(−0.045n)(흰 실선)을 각자 최대값으로 정규화해 그려줘. 커서가 4.4초 easeInOutCubic으로 0→12회 이동하며 세 곡선 위 점과 오른쪽 수치(광고 ARPDAU, 수명 배수, LTV)를 갱신하고, 5.4초에 최적 n*=7로 되돌아와 '최적 상한 7회/일' 알약을 띄우는 9.4초 루프.
라이브 데모 열기 — 전면 광고 빈도 상한 최적화
결제 이상 탐지 (로버스트 z · MAD)
Purchase anomaly detection with rolling median & MAD (robust z-score)
72시간 시간당 결제 건수 막대 위로 계절성 보정한 24시간 이동 중앙값 ± 3.5·MAD 띠를 그려, 카드 테스팅 공격 같은 급증과 결제 모듈 장애 같은 급감을 로버스트 z 점수로 잡아 알림 카드로 쌓는 결제 사기·장애 감시 대시보드다.
프롬프트
Canvas 2D로 시간당 결제 120·(0.6 + 0.4·cos(2π(h−21)/24)) + 노이즈 72시간과 50·51시 공격 급증(+260/+120), 61시 급감(×0.35)을 막대로 6.2초 easeInOutCubic 동안 그리고, 24시간 이후부터 일주기 프로필로 나눈 직전 24시간 값의 중앙값과 MAD로 밴드 = 중앙값 ± 3.5·1.4826·MAD(청록)를 그려줘. z = (x − 중앙값)/(1.4826·MAD)의 절댓값이 3.5를 넘는 막대는 빨강+글로우로 바꾸고, 오른쪽에 'H50 z +20.3 · 카드 테스팅 의심' 같은 알림 카드를 최신 4개까지 easeOutCubic으로 쌓는 9.6초 루프.
라이브 데모 열기 — 결제 이상 탐지 (로버스트 z · MAD)
재화 보유 분위수 모니터링 (P10–P99)
Currency stock percentile monitoring (P10 / P50 / P90 / P99) with a targeted top-end sink
플레이어 골드 보유량의 P10·P50·P90·P99를 로그 축 부채꼴로 매일 그려 상위 1% 보유량이 중앙값보다 훨씬 빨리 불어나는 격차 확대를 보여 주고, 35일차 최상위 전용 소모처 도입 후 꺾이는 분위수와 보유 지니 계수를 함께 추적하는 경제 건강 모니터다.
프롬프트
Canvas 2D로 보유량을 로그정규 분포 LN(ln m(d), σ(d))로 두고 m(d) = 2000·e^(0.03d), σ(d) = 0.9 + 0.025d (35일 이후 m 성장 0.02/일, σ 0.005/일)로 분위수 m·e^(zσ)(z = −1.28/0/1.28/2.33)를 계산해 P10–P90 금색 띠와 4개 분위선을 6.2초 easeInOutCubic으로 0→60일 그려줘. 35일에 흰 점선과 '새 소모처: 최상위 강화 + 경매 수수료 5%' 알약을 띄우고, 오른쪽에 현재 일자의 P99/P90/P50 값(k·M 단위), P99÷P50 배율, 보유 지니 G = 2Φ(σ/√2) − 1(0.75 초과 시 빨강)을 실시간 표시하는 9.6초 루프.
라이브 데모 열기 — 재화 보유 분위수 모니터링 (P10–P99)
리뷰 감성 · NPS 추적 (패치 전후)
Review sentiment & NPS tracking around a bad patch and hotfix
별점 리뷰 카드가 흘러들며 주제 태그(버그·과금·서버·콘텐츠)와 감성 색으로 분류되고, 일별 NPS 선이 패치 직후 음수로 꺾였다 핫픽스로 회복되며 반원 게이지 바늘과 추천·중립·비추천 비중이 함께 움직이는 커뮤니티 여론 대시보드다.
프롬프트
Canvas 2D 상단에 리뷰 카드 3장(별 5개, 본문, 주제 태그)을 0.8초마다 오른쪽에서 easeOutCubic으로 밀어 넣고 시기별 풀(패치 전 호평, 10–13일 '튕김·로딩 멈춤' 혹평, 핫픽스 후 회복)에서 뽑아줘. 아래에 21일 일별 NPS = %추천(9–10) − %비추천(0–6)을 0 위는 청록, 아래는 빨강으로 clip 채움하고 '패치'(10일)·'핫픽스'(14일) 점선을 표시하며, 오른쪽 반원 게이지(−100…+100, 빨강/금/청록 구간) 바늘과 추천 40→24→42%, 비추천 30→50→29% 비중을 6.6초 easeInOutCubic 날짜 진행에 맞춰 갱신하는 9.8초 루프.
라이브 데모 열기 — 리뷰 감성 · NPS 추적 (패치 전후)
UGC 크리에이터 퍼널 (90-9-1)
UGC creator funnel (90-9-1 rule) with play concentration on hit creators
플레이어 400점(1점=25명) 격자가 맵 에디터 진입 18% → 첫 맵 저장 6% → 공개 게시 2.1% → 플레이 100회+ 0.3% 단계별 색으로 물들어 극소수 크리에이터만 남는 90-9-1 구조를 보여 주고, 히트 크리에이터에게서 다수 플레이어로 플레이가 흘러가는 사용자 제작 콘텐츠 생태계 분석이다.
프롬프트
Canvas 2D로 20×20 점 격자를 시드 셔플한 뒤 단계별 인원(18/6/2.1/0.3%)만큼 깊은 단계를 배정하고, 4.4초 동안 단계 진행값에 점별 해시 지연(0–0.8)을 더해 회색→하늘→청록→금→빨강(히트, 글로우)으로 물들여줘. 오른쪽에 단계명·전체 대비 %·직전 단계 전환율(33/35/14%)·√스케일 막대를 차례로 밝히고, 5초부터 빨간 히트 크리에이터 점에서 무작위 소비자 점으로 금색 입자 26개가 포물선 궤적으로 반복 이동하며 '상위 크리에이터 1명 = 400명분 플레이' 캡션을 띄우는 9.6초 루프.
라이브 데모 열기 — UGC 크리에이터 퍼널 (90-9-1)
바이럴 K-팩터 · 초대 세대 트리
Viral K-factor: invite generation trees, 1/(1−k) amplification & effective CPI
유료 유입 10명이 초대 수 × 전환율 = k만큼 다음 세대를 낳는 방사형 세대 트리를 k=0.4와 0.8로 나란히 키워 총 사용자가 10/(1−k)로 수렴하는 차이와, 같은 CPI $2.00이 유효 CPI $1.20 대 $0.40이 되는 바이럴 계수의 사업적 의미를 보여 주는 성장 루프 시각화다.
프롬프트
Canvas 2D 좌우 패널에 시드 10명을 중심 원에 놓고, 세대 g마다 부모별 누적 소수 k를 더해 1이 넘을 때 자식을 만드는 결정적 규칙으로 6세대 트리를 미리 만들어줘(k=0.4: i 4 × c 10%, k=0.8: i 4 × c 20%). 세대 링 반지름 R·g/6에 자식을 부모 각도 근처로 배치하고 부모→자식 선이 easeOutCubic으로 뻗은 뒤 점이 찍히게 5.4초 동안 세대를 진행하며, 하단에 '총 N명 → 10/(1−k) = 17 / 50'과 유효 CPI = CPI × (1−k) $2.00→$1.20 / $0.40을 표시하는 9.6초 루프.
라이브 데모 열기 — 바이럴 K-팩터 · 초대 세대 트리
크로스 프로모션 홀드아웃 증분 측정
Cross-promotion incrementality with a holdout group (attributed vs incremental installs)
자사 게임 A의 플레이어를 배너 노출군 90%와 홀드아웃 10%로 나눠 게임 B 설치를 비교하면, 어트리뷰션에 잡힌 설치 25건 중 대부분은 배너가 없어도 설치했을 유기 설치이고 진짜 증분은 7건(28%)뿐임을 보여 주는 포트폴리오 크로스 프로모션 측정 데모다.
프롬프트
Canvas 2D로 노출군 600점(30열)과 홀드아웃 66점 격자를 만들고 설치율 4.2%/3.0%만큼 시드 셔플로 설치자를 뽑아, 각 점의 무작위 시각에 따라 4.6초 동안 금색(노출)·남색(홀드아웃)으로 켜지며 글로우가 퍼지게 해줘. 오른쪽에 실시간 설치율 두 개를, 5.4초부터 어트리뷰션 25건 = 유기 18(남색) + 증분 7(청록) 누적 막대를 0.8초 easeOutCubic으로 채우고 증분 비율 28%와 리프트 = (노출 − 홀드아웃)/홀드아웃 = +40%를 표시하는 9.6초 루프.
라이브 데모 열기 — 크로스 프로모션 홀드아웃 증분 측정
소프트 런칭 KPI 게이트 (빌드별 레이더)
Soft-launch KPI gates across builds: radar vs targets & go / no-go
테스트 시장에서 빌드 v0.6→v0.9로 갈 때 D1·D7·D30 리텐션, CPI, ARPDAU, LTV/CPI의 목표 대비 점수 레이더가 점선 목표 육각형 밖으로 커지고, 게이트 표의 ✗가 ✓로 바뀌어 모두 통과하면 '글로벌 출시 GO' 도장이 찍히는 출시 의사결정 화면이다.
프롬프트
Canvas 2D 왼쪽에 6축 레이더(점수 = 값/목표, CPI는 목표/값, 최대 1.4)와 목표 1.0 금색 점선 육각형을, 오른쪽에 목표(D1 ≥40%, D7 ≥15%, D30 ≥6%, CPI ≤$2.50, ARPDAU ≥$0.100, LTV/CPI ≥×1.30)·현재값·✓/✗ 표를 그려줘. 빌드 v0.6(33/9/3%, $3.40, $0.060, ×0.55) → v0.7 → v0.8 → v0.9(44/16.5/6.4%, $2.30, $0.110, ×1.42)를 2초 간격으로 0.9초 easeInOutCubic 보간하며 레이더 꼭짓점 색(통과 청록, 미달 빨강)과 표를 갱신하고, 모두 통과하면 레이더가 청록으로 바뀌고 '글로벌 출시 GO' 도장이 기울어진 채 backOut으로 찍히는 9.8초 루프.
라이브 데모 열기 — 소프트 런칭 KPI 게이트 (빌드별 레이더)
설치 경로 기여 분석 (라스트 터치 vs 멀티 터치)
Install attribution: last-touch vs multi-touch models across ad networks
설치 500건의 광고 접점 경로를 라스트 터치·선형·시간 감쇠·U자형 모델로 차례로 다시 배분하면 마지막에 몰리는 검색 광고의 몫이 줄고 인지 단계의 영상 광고 몫이 커지는 것을 경로 샘플과 채널 막대로 보여 주는 UA 예산 판단용 기여 분석이다.
프롬프트
Canvas 2D로 시드 난수 설치 경로 500개(접점 1–4개, 첫 접점은 영상 50%, 마지막 접점은 검색 45% 확률, 접점 시각 −14–0일)를 만들고 모델별 가중치(라스트 터치 = 마지막 100%, 선형 = 1/n, 시간 감쇠 = 2^(−일/7) 정규화, U자형 = 첫·끝 40%·중간 20%)를 채널별로 합산해줘. 왼쪽에 경로 샘플 5개를 시간축 위 접점 원(반지름 ∝ √기여도, % 표시)과 설치 아이콘으로 흐르는 플레이어 점과 함께, 오른쪽에 채널별 기여 설치 막대와 라스트 터치 대비 ±%를 2.4초마다 0.7초 easeInOutCubic으로 모델을 바꾸며 보간하고 유기 설치 160(캠페인 전 140 → 후광 +14%)을 따로 표시하는 9.6초 루프.
라이브 데모 열기 — 설치 경로 기여 분석 (라스트 터치 vs 멀티 터치)
매출 변동 요인 분해 (DAU × 결제율 × ARPPU 브리지)
Revenue bridge: week-over-week decomposition into DAU, payer rate & ARPPU (LMDI)
8주간 일평균 매출의 주간 변화를 DAU·결제율·ARPPU 세 요인의 기여로 정확히 나눈 워터폴 브리지를 한 주씩 넘기며, UA 확대·세일·신규 번들 같은 운영 이벤트 때 실제로 어떤 레버가 움직였는지 짚어 주는 매출 진단 화면이다.
프롬프트
Canvas 2D 상단에 DAU(200→232k)·결제율(3.0→3.6→3.0%)·ARPPU($30→$24→$33.5) 미니 카드와 8주 스파크라인을, 왼쪽 아래에 일평균 매출 R = DAU × 결제율 × ARPPU 주간 막대를, 오른쪽에 W(k) → W(k+1) 워터폴(시작 막대, 세 요인 기여, 끝 막대)을 그려줘. 기여는 로그 평균 디비지아 분해 cᵢ = L(R₁,R₀)·ln(xᵢ₁/xᵢ₀), L(a,b) = (a−b)/(ln a − ln b)로 계산해 합이 ΔR과 정확히 같게 하고, 1.1초마다 다음 주로 넘어가며 막대를 0.6초 easeOutCubic으로 키운 뒤 절댓값이 가장 큰 요인을 글로우와 '동인 결제율 +0.9pp · 주말 세일 −20%' 알약으로 짚는 9.4초 루프.
라이브 데모 열기 — 매출 변동 요인 분해 (DAU × 결제율 × ARPPU 브리지)
과금 상한 · 냉각 기간 · 건전성 지표
High-spender protection: spending caps, cooling-off prompts & velocity limits
고과금 플레이어 8명의 30일 누적 결제 막대가 자라는 동안 $100 지출 요약 알림, $300 도달 시 24시간 냉각 확인, 60분 4회 연속 구매 속도 제한, 자가 설정 한도·미성년 월 상한이 차례로 발동하고, 보호 장치가 없었을 때의 점선 막대와 비교해 지연·차단 금액을 집계하는 과금 건전성 모니터다.
프롬프트
Canvas 2D로 플레이어 8명의 30일 구매를 포아송 도착(하루 0.15–1회, $4.99–$99.99 가중 선택, 일부는 3–5회 연속 구매 버스트)으로 미리 시뮬레이션하고, 보호 규칙(누적 $100 요약 알림, $300 도달 후 24시간 결제 보류, 최근 60분 3회 이후 4번째 구매는 30분 대기, 자가 한도 $400·미성년 $50 초과 차단)을 시간순으로 적용한 ON 누적과 OFF 누적을 0.25일 간격으로 저장해줘. 가로 막대(ON 청록→발동 시 금색, OFF는 빨간 점선 유령 막대), $100·$300 세로 점선, 한도 빨간 눈금, 발동 순간 글로우와 규칙 색 점을 6.4초 easeInOutCubic 날짜 커서로 드러내고 오른쪽에 규칙별 발동 수와 '보호 OFF 대비 −x%'를 표시하는 9.6초 루프.
라이브 데모 열기 — 과금 상한 · 냉각 기간 · 건전성 지표
경제 인플레이션 모니터 · 복제 버그 대응
Live economy inflation monitor with per-source anomaly alerts & dupe-exploit rollback
6시간 단위 골드 발행(퀘스트·드롭·상점 판매·우편)과 소모 막대, 경매장 물가지수를 실시간으로 그리다가 우편 복제 버그로 발행량이 1.8배씩 불어나면 출처별 로버스트 z 경보가 6시간 만에 잡아 원격 설정 차단과 롤백으로 물가를 지키고, 총량 3σ 경보만 있었을 때의 물가를 점선으로 비교하는 라이브 경제 감시 화면이다.
프롬프트
Canvas 2D로 40일 160버킷의 출처별 발행(퀘스트 1.25M·드롭 1.05M·판매 0.7M × 일주기 [0.55,0.8,1.25,1.4], 우편 0.2M)과 소모 0.93×발행을 위아래 누적 막대로, 물가지수 Iₜ₊₁ = Iₜ + 0.12·(100·(통화량/활성 유저 ÷ 기준)^0.8 − Iₜ)를 금색 선으로 6.6초 동안 그려줘. 25일차부터 복제분 0.3M·1.8^k를 빨간 막대로 얹고, 우편 출처의 직전 16버킷 중앙값·MAD로 z = (x − 중앙값)/(1.4826·MAD) > 6이면 경보 → 다음 버킷 원격 설정 차단 → 4버킷 뒤 복제분 97% 롤백을 오른쪽 로그 카드로 easeOutCubic 쌓고, 총량 기준 3σ 경보만 있었을 경우의 물가를 빨간 점선으로 비교하는 9.8초 루프.
라이브 데모 열기 — 경제 인플레이션 모니터 · 복제 버그 대응
핫픽스 경로 비교 (원격 설정 · 서버 · 클라이언트)
Fix paths compared: remote config vs server hotfix vs client patch (time-to-fix & impact)
같은 드롭률 버그를 원격 설정 값 변경, 서버 핫픽스, 클라이언트 패치로 고칠 때 단계별 소요 시간을 로그 시간축 간트로 나란히 진행시켜 18분·83분·1.3일(채택 꼬리 포함 시 더 길게)의 차이와 영향 플레이어·시간을 비교하고, 값으로 조정 가능한 설계가 왜 중요한지 보여 주는 장애 수정 경로 비교다.
프롬프트
Canvas 2D로 로그 시간축 x = ln(1+분)/ln(6001)(1분·10분·1시간·1일·3일 눈금)에 세 경로의 단계 막대(원격 설정: 원인 8·값 수정 4·배포 1·캐시 TTL 5분 / 서버: 원인 8·수정 30·CI 20·카나리 15·전체 10분 / 클라이언트: 원인 8·수정 30·빌드 45·QA 240·스토어 심사 1,440·단계 출시 60분)를 커서 t = 6001^k − 1(6.2초 easeInOutCubic)까지 채워줘. 각 경로 끝에 흰 점과 소요 시간, 오른쪽에 영향 플레이어·시간 = 12,000 CCU × 수정 시간(클라이언트는 출시 후 채택 50%/일 꼬리 τ = 24h/ln2 적분 추가)을 로그 막대로 키우고, 마지막에 '값 버그면 원격 설정 · 1.3일 → 18분' 알약으로 바꾸는 9.6초 루프.
라이브 데모 열기 — 핫픽스 경로 비교 (원격 설정 · 서버 · 클라이언트)
장애 대응 · 온콜 에스컬레이션 · 상태 페이지
Incident response: alerting, on-call escalation, status page & MTTD / MTTA / MTTR
로그인 오류율이 경보 기준 2%를 2분 넘기면 1차 온콜이 호출되고 5분 무응답이면 2차로 승격, 영향이 커지면 SEV1과 지휘자가 지정되며 상태 페이지가 조사 중 → 원인 파악 → 모니터링 → 해결로 갱신되고, 끝에 MTTD·MTTA·MTTR을 집계하는 라이브 장애 대응 타임라인이다.
프롬프트
Canvas 2D 왼쪽에 80분 오류율 곡선 e(t) = 0.3 + 11.7/(1+e^(−(t−8)/1.4))%(40분 롤백 후 τ 3분 감쇠, 55분 작은 재발)을 시계처럼 6.6초 동안 그리고 2% 경보 점선과 경보·확인·롤백·해결 세로선을 찍어줘. 아래에 1차 온콜 → 2차 온콜 → 지휘자 노드(호출 중 금색 맥동 링, 5분 무응답 빨간 ×, 확인 청록 ✓)를, 오른쪽에 상태 페이지(주요 장애/모니터링/정상 운영 점, SEV2→SEV1 알약, 새 글이 위로 쌓이는 easeOutCubic 카드)를 두고 해결 뒤 MTTD = 경보 − 시작, MTTA = 확인 − 경보, MTTR = 해결 − 시작을 분 단위로 띄우는 9.6초 루프.
라이브 데모 열기 — 장애 대응 · 온콜 에스컬레이션 · 상태 페이지
밴 웨이브 vs 즉시 밴 (치트 제작자 학습)
Ban waves vs instant bans: detection lifetime, cheat-maker learning & cheater population
탐지된 치터를 즉시 밴하면 치트 제작자가 이틀 만에 눈치채고 업데이트해 탐지가 금방 무력화되지만, 조용히 표시만 해 두고 10일 뒤 한꺼번에 밴하면 탐지 수명이 길어지고 웨이브 직후 신규 유입도 위축되어 90일 평균 치터 수가 줄어드는 것을 두 정책의 시뮬레이션으로 비교한다.
프롬프트
Canvas 2D로 90일 일 단위 시뮬레이션(신규 치터 25명/일 × 억제계수, 자연 이탈 1.5%/일, 탐지 유효 시 미표시 치터의 25%/일 탐지, 밴 계정의 35%는 3–5일 뒤 재구매, 제작자는 첫 밴 2일 뒤 업데이트해 탐지 무력화, 새 시그니처까지 10일)을 즉시 밴(빨강)과 밴 웨이브(탐지 10일째 일괄 밴, 억제계수 × e^(−밴/300), 청록)로 미리 돌려줘. 위에 치터 수 곡선, 아래 두 레인에 √ 스케일 밴 막대와 탐지 유효 띠, 치트 업데이트 ▼ 표식을 6.4초 easeInOutCubic으로 드러내고 오른쪽에 평균 치터 수·밴 계정·탐지 유효 일수·업데이트 횟수를 실시간 비교하는 9.6초 루프.
라이브 데모 열기 — 밴 웨이브 vs 즉시 밴 (치트 제작자 학습)
시즌 패스 진행 페이싱 · 캐치업 예측
Season pass pacing: XP required vs player progress percentiles, catch-up boost & completion forecast
70일 시즌 100티어(10만 XP)의 완주 페이스 선 아래로 플레이어 36명과 P25·P50·P75 진행선이 올라가다 42일차부터 페이스 미달자에게 XP ×1.5 캐치업이 붙어 곡선이 꺾이고, 로그정규 일일 XP 분포로 계산한 예측 완주율이 36%에서 48%로 오르는 시즌 경제 튜닝 차트다.
프롬프트
Canvas 2D로 일일 XP ~ 로그정규(중앙값 1,150, σ 0.6)인 플레이어 36명(zᵢ = Φ⁻¹((i+0.5)/36))과 P25/P50/P75 진행 xp(d) = X·d(42일 시점 페이스 60% 미달자는 이후 X·1.5)를 티어 = xp/1,000(상한 100)으로 6.4초 easeInOutCubic 날짜 커서와 함께 그리고, 완주 페이스 1,429 XP/일 흰 점선과 부스트 없는 경로 점선을 비교해줘. 커서 위 플레이어 점을 완주 금색·페이스 이상 청록·미달 빨강·부스트 금색 링으로 칠하고, 오른쪽에 예측 완주율 1 − Φ(ln(1429/1150)/0.6) = 36% → 1 − Φ(ln(1190/1150)/0.6) = 48% 막대를 5.6초에 easeOutCubic으로 늘리는 9.6초 루프.
라이브 데모 열기 — 시즌 패스 진행 페이싱 · 캐치업 예측
복귀 유저 캠페인 · 홀드아웃 증분
Lapsed-player win-back campaign: segment-level incremental return vs randomized control
휴면 기간별 4개 세그먼트에 복귀 푸시와 복귀 보상을 보내고 10% 대조군과 14일 복귀율을 비교해, 세그먼트마다 증분 복귀율의 95% 신뢰구간과 보상 비용 대비 ROI를 계산하고 효과가 없는 장기 휴면층은 대상에서 빼는 윈백 캠페인 분석이다.
프롬프트
Canvas 2D 왼쪽에 휴면 7–13일·14–29일·30–59일·60일+ 세그먼트별 실험군(금색)·대조군(남색) 복귀율 막대를 누적 복귀 p·(1 − e^(−d/4))/(1 − e^(−14/4))로 5.4초 easeInOutCubic 동안 0→14일 키우고, 복귀자 점이 왼쪽에서 막대 끝으로 포물선을 그리며 날아오게 해줘(실험 14.2/8.1/3.4/0.9%, 대조 6.1/3.2/1.6/0.65%). 오른쪽에 증분 = p̂T − p̂C ± 1.96·√(p̂T(1−p̂T)/nT + p̂C(1−p̂C)/nC) 숲 그림과 z, ROI = (증분 복귀 × 30일 가치 $2.6–1.4 − 복귀자 전원 보상 $0.60)/보상 비용을 계산해 CI 하한 > 0 이고 ROI > 0이면 '확대', 아니면 '제외' 알약을 backOut으로 띄우는 9.6초 루프.
라이브 데모 열기 — 복귀 유저 캠페인 · 홀드아웃 증분
채널별 LTV/CAC · 예산 재배분
LTV vs CAC by acquisition channel: break-even days & marginal-profit budget reallocation
영상·플레이어블·리워드 월·검색 네 채널 코호트의 누적 LTV 곡선과 채널별 CAC 수평선을 겹쳐 손익분기일을 찍고, 지출이 늘수록 CAC가 오르는 체감 수익을 반영해 한계 이익이 같아지도록 일 예산 $40k를 재배분하면 회수 불가 채널이 꺼지고 혼합 LTV/CAC와 순이익이 오르는 UA 예산 최적화 화면이다.
프롬프트
Canvas 2D로 채널별 LTV(d) = L∞·(1 − e^(−d/τ))(영상 $9/70일, 플레이어블 $6.5/40일, 리워드 $2.6/20일, 검색 $7.5/50일)를 3초 easeOutCubic으로 그리고, CAC(s) = CAC₀·(s/$10k)^0.35(CAC₀ $4.2/$3.6/$2.1/$2.8)를 같은 색 점선, 손익분기일 d* = −τ·ln(1 − CAC/L∞)를 흰 점과 'D44' 라벨로 표시해줘. 5초부터 $500 단위 탐욕 배분으로 Σ(s/CAC(s))·(LTV180 − CAC(s))를 최대화한 예산으로 오른쪽 막대와 CAC 선을 1.3초 easeInOutCubic 보간하고 혼합 LTV/CAC·180일 순이익과 '한계 이익 균등화 +x%' 알약을 띄우는 9.8초 루프.
라이브 데모 열기 — 채널별 LTV/CAC · 예산 재배분
고객 지원 티켓 · 자동 분류 · SLA
Player support after a patch: ticket spikes by topic, auto-tagging, macro replies & SLA
패치 직후 크래시 문의가 솟고 영수증 검증 버그로 결제 미지급 티켓이 8배로 터지는 48시간 동안, 티켓 칩이 자동 분류기를 지나 매크로 자동 응답과 상담원 큐로 나뉘고 상담원 대기열과 4시간 내 첫 응답 SLA가 자동 분류가 없을 때와 비교되는 지원 운영 대시보드다.
프롬프트
Canvas 2D로 15분 간격 48시간 주제별 유입(기본 3/5/4/3/7건/시, 패치 2시 후 크래시 ×(1+5e^(−Δh/8)), 10–18시 결제 미지급 ×8 후 τ 2시간 감쇠, 밸런스 ×(1+1.5e^(−Δh/24)))을 누적 영역으로, 상담원 처리 24건/시 대기열 Bₜ₊₁ = max(0, Bₜ + (사람 몫 − 24)/4)를 자동 분류 ON(청록)과 OFF(빨간 점선)로 6.6초 동안 그려줘. 오른쪽에 유입 CDF에서 뽑은 티켓 칩 110개가 수신 → 분류(마름모) → 매크로/상담원으로 easeInOutCubic 이동하게 하고, 자동 해결 비율(결제 매크로 12시부터 70%, 크래시 공지 4시부터 50%)과 4시간 내 첫 응답 %(대기 B/24 < 4시간, OFF와 비교), 이벤트 알약을 표시하는 9.6초 루프.
라이브 데모 열기 — 고객 지원 티켓 · 자동 분류 · SLA
레벨 난이도 이상치 탐지 · 수정 검증
Per-level difficulty outlier detection after a content update (robust z on logit clear rate) & fix verification
레벨 40개의 첫 시도 클리어율을 로짓 공간 Theil–Sen 추세와 MAD 밴드로 감시하다 v2.3 업데이트 뒤 지나치게 어려워진 세 레벨과 쉬워진 한 레벨이 |z| > 3으로 빨갛게 플래그되고, 핫픽스 후 밴드 안으로 돌아온 것을 두 비율 z 검정으로 확인하는 콘텐츠 업데이트 품질 감시 화면이다.
프롬프트
Canvas 2D로 기본 클리어율 cᵢ = 0.88 − 0.008i + 0.03·sin(1.3i) 막대 40개를 20ms 스태거로 세우고, logit(c)에 Theil–Sen 기울기(쌍별 기울기 중앙값)로 추세를 맞춘 뒤 잔차의 로버스트 z = (r − 중앙값)/(1.4826·MAD)와 ±3·MAD 밴드(청록)를 확률로 되돌려 그려줘. 2초에 업데이트로 Lv17·29·34가 24/31/29%, Lv8이 98.5%로 0.7초 easeInOutCubic 변형되며 빨간 글로우와 'Lv17 z −x' 알약이 뜨고, 5.8초 핫픽스로 72/60/57/82%로 돌아오면 청록이 되며 오른쪽에 '수정 검증 · Lv17 24% → 72% · 두 비율 z'(n 3,000/군)를 띄우는 9.8초 루프.
라이브 데모 열기 — 레벨 난이도 이상치 탐지 · 수정 검증
언어별 현지화 ROI · 다음 출시 언어
Localization ROI by language: cost vs incremental revenue & next-language picks
후보 언어 8개의 현지화 비용(단어 단가·LQA·폰트/RTL 대응·업데이트 유지비)과 1년 순매출을 버블 산점도의 ROI 등고선 위에 띄우고 ROI 순위 막대로 정렬해, 기존 7개 언어 매출 비중 옆에서 다음에 추가할 언어 3개를 고르는 현지화 투자 판단 화면이다.
프롬프트
Canvas 2D로 비용 = 150,000단어 × 단가($0.08–0.13) + LQA $8k + 특수 대응(태국어 폰트 $6k, 아랍어 RTL UI $25k) + 12회 업데이트 × 4,000단어 × 단가, 순매출 = 1년 증분 매출 × 0.7을 계산해 x = 비용, y = 순매출 버블(반지름 ∝ √매출, ROI < 0 빨강·< 100% 금색·이상 청록)을 220ms 스태거 easeOutCubic으로 떠오르게 하고 ROI 0·+100%·+300% 점선 등고선을 그려줘. 오른쪽에 현재 매출 비중 띠(EN 46·JA 18·KO 12·ZH 10·DE 6·FR 5·ES 3%)와 ROI = (순매출 − 비용)/비용 순위 막대(0 기준 좌우)를 3초부터 펼치고, 5.2초에 상위 3개 버블을 글로우와 '다음 · PT-BR · RU · TR' 알약으로 강조하는 9.6초 루프.
라이브 데모 열기 — 언어별 현지화 ROI · 다음 출시 언어
서버 비용 · 예약 / 온디맨드 / 스팟 믹스
Server cost per CCU-hour: reserved vs on-demand vs spot capacity mix & peak smoothing
주간 시간대별 필요 인스턴스를 전량 온디맨드로 쓰다가 수요가 넘는 시간 비율이 예약/온디맨드 단가비(50%)와 같아지는 중앙값 지점에 예약 기준선을 깔고, 그 위 초과분의 절반을 스팟으로 돌려 기준선을 다시 낮추고, 지역별 이벤트 시작 분산으로 피크 진폭을 20% 줄여 가며 주간 비용과 1k CCU·시간당 단가가 단계별로 떨어지는 클라우드 비용 최적화 화면이다.
프롬프트
Canvas 2D로 168시간 CCU = 30k·(0.55 + 0.45·cos(2π(h−21)/24))(주말 ×1.25)에서 필요 대수 ⌈CCU/500 × 1.15⌉를 막대로 깔고, 예약 $0.25·스팟 $0.15·온디맨드 $0.50/대·시간으로 예약 R을 0–최대 전수 탐색해 R·168·0.25 + Σ초과분 비용이 최소인 값(P(수요 > R) = 0.25/0.50 → 중앙값 40대, 스팟 50% 혼합 시 0.25/0.325 → 16대)을 찾아줘. 2초마다 전량 온디맨드 → +예약 기준선(흰 점선) → +초과분 50% 스팟 → +피크 분산(일평균 대비 편차 ×0.8)으로 0.8초 easeInOutCubic 전환하며 남색/청록/금색 누적 막대를 다시 칠하고, 오른쪽에 단계별 주간 비용 사다리와 1k CCU·시간당 단가, 온디맨드 대비 절감률을 표시하는 9.8초 루프.
라이브 데모 열기 — 서버 비용 · 예약 / 온디맨드 / 스팟 믹스
서비스 종료 계획 · 환불 · 오프라인 모드
End-of-service plan: sales stop, refund window, data export, offline patch & player decline curve
종료 공지와 함께 유료 판매를 멈추고 60일 환불 창, 감사 이벤트, 데이터 내보내기, 90일차 서버 종료와 오프라인 패치까지 체크리스트가 차례로 완료되는 동안 DAU가 공지 직후 향수 복귀로 잠깐 솟았다 줄어들고, 미사용 유료 재화 환불 신청률이 쌓이는 서비스 종료 운영 타임라인이다.
프롬프트
Canvas 2D로 DAU(d) = 40k·e^(−0.006(d+30))(공지 전), 공지 후 D₀·e^(−0.012d)·(1 + 0.45·e^(−d/6))·(45일 감사 이벤트 1 + 0.3·e^(−(d−45)/5)), 90일 0을 −30–120일 축에 6.6초 easeInOutCubic으로 그리고, 환불 창(0–60일) 청록 띠, 90일 이후 오프라인 모드 추정 사용자 18%·τ 60일 점선, 공지 0·30·85일 말풍선 표식을 backOut으로 띄워줘. 오른쪽에 체크리스트 8항목(공지·판매 중단, 환불 시작, 리마인드, 감사 이벤트, 환불 마감, 데이터 내보내기, 최종 리마인드, 서버 종료·오프라인 패치)이 해당 일에 ✓로 튀어 오르고 미사용 유료 재화 $420k 대비 환불 신청 62%·(1 − e^(−d/12)) 막대를 채우는 9.8초 루프.
라이브 데모 열기 — 서비스 종료 계획 · 환불 · 오프라인 모드