1. 서론
본 보고서는 솔저: 76의 게임 승률에 영향을 미치는 주요 스탯을 통계적으로 검증하여, 플레이어가 승률 향상을 위해 중점적으로 개선해야 할 지표를 제시하는 것을 목적으로 한다.
Overwatch와 같은 팀 기반 게임에서는 개별 플레이어의 스탯이 승률에 미치는 영향이 복합적이며, 단순한 상관관계만으로는 인과관계를 파악하기 어렵다. 따라서 본 분석에서는 상관관계 분석과 구조방정식 모델링 (SEM)을 통해 다중 변수 간의 관계를 동시에 고려하여 승률에 대한 실제 영향력을 검증하였다.
2. 분석 방법론
2.1 표본 및 필터링 조건
- 전체 데이터: 0명
- 필터링 후 데이터: 5,002명
- 필터링 조건: 게임_치른 게임 ≥ 5게임
- 분석 변수 수: 0개
- 데이터 수집일: 20260205
본 분석은 충분한 게임 경험이 있는 플레이어만을 대상으로 하여, 일시적 변동이나 초보자 특성으로 인한 노이즈를 최소화하였다.
2.2 분석 절차
- 상관관계 분석: 게임 승률과 각 스탯 간의 피어슨 상관계수를 계산하고, 유의수준(p < 0.05) 및 상관계수 절댓값(|r| ≥ 0.3) 기준으로 유의한 변수를 선별하였다.
- SEM 분석: 원변수 기반 다중회귀분석을 수행하여, 다중공선성(VIF > 10)을 제거한 후 각 변수가 승률에 미치는 독립적 영향을 검증하였다. 모든 변수는 표준화(StandardScaler)되어 계수는 "1 표준편차 증가 시 승률 변화량"으로 해석된다.
인과관계를 설명하기 크게 어려운 상관관계 분석과 달리, SEM 분석은 다른 변수들을 통제한 상태에서 각 변수의 변화가 승률에 어떻게 기여하는지를 파악하므로, 상관관계 분석의 한계를 어느 정도 보완한다.
- 시각화: 상관관계 막대그래프와 SEM 유의변수 계수 그래프를 생성하여 결과를 직관적으로 제시하였다.
3. 주요 분석 결과
3.1 상관관계 분석 결과
상관관계 분석 결과, 총 6개의 변수가 게임 승률과 유의한 상관관계를 보였다(p < 0.05, |r| ≥ 0.3).
상위 긍정적 상관관계 변수 (상위 5개):
- 평균_처치 - 10분당 평균: r = 0.599 (p < 0.001)
- 평균_결정타 - 10분당 평균: r = 0.497 (p < 0.001)
- 영웅별_나선 로켓으로 처치 - 10분당 평균: r = 0.480 (p < 0.001)
- 영웅별_장거리 결정타 - 10분당 평균: r = 0.341 (p < 0.001)
- 영웅별_전술 조준경으로 처치 - 10분당 평균: r = 0.310 (p < 0.001)
스탯이 높아서 승률이 높은 것일 수 있고, 승률이 높아서 스탯도 높은 것일 수 있습니다.
각 스탯과 승률의 인과관계를 설명하긴 어려우니, 참고만 해주세요.
3.2 SEM 분석 결과
SEM 분석은 10개의 후보 변수 중 9개를 최종 모델에 포함시켰으며, 다중공선성 문제로 0개 변수를 제거하였다.
모델 적합도:
- R² = 0.320 (설명력 32.0%)
- Adj.R² = 0.319
- AIC = -5374.20
- BIC = -5309.02
모델은 승률 변동의 약 32.0%를 설명하며, 적절한 설명력을 보이며, 게임 데이터 분석에서 실용적으로 유의미한 수준이다.
유의한 변수 (p < 0.05) 및 영향력:
[이미지:https://ow-radar-chart-data.s3.ap-northeast-1.amazonaws.com/board_data/tips_board/솔저_76/SEM_에고/SEM_에고_유의변수_계수.png]| 변수 | 계수(표준화X) | 평균(μ) | 1표준편차(σ) | 해석 |
|---|---|---|---|---|
| 영웅별_나선 로켓으로 처치 - 10분당 평균 | +0.0486 | 7.22 | 2.16 | (2.16) 증가 → 승률 +4.86%p 향상 |
| 지원_방어형 지원 - 10분당 평균 | +0.0397 | 2.10 | 1.03 | (1.03) 증가 → 승률 +3.97%p 향상 |
| 영웅별_자가 치유 - 10분당 평균 | +0.0324 | 942.32 | 194.96 | (194.96) 증가 → 승률 +3.24%p 향상 |
| 평균_결정타 - 10분당 평균 | +0.0296 | 9.70 | 3.07 | (3.07) 증가 → 승률 +2.96%p 향상 |
| 영웅별_장거리 결정타 - 10분당 평균 | +0.0194 | 1.47 | 0.76 | (0.76) 증가 → 승률 +1.94%p 향상 |
기존 퍼포먼스에서 다른 조건이 동일하다고 가정할 때, 해당 스탯이 향상되었을 때 모델이 추정하는 승률 변화 폭입니다.
3.3 종합 해석
상관관계 분석과 SEM 분석 결과를 종합하면, 솔저: 76의 승률에 가장 큰 영향을 미치는 스탯은 다음과 같이 요약할 수 있다:
- 가장 중요한 긍정 요인: 평균_치유량 - 10분당 평균 (상관계수 r = 0.000, SEM 계수 = -0.0603)
- 두 번째로 중요한 긍정 요인: 영웅별_나선 로켓으로 처치 - 10분당 평균 (상관계수 r = 0.480, SEM 계수 = +0.0486)
이러한 결과는 솔저: 76이 딜 영웅으로서, 핵심 스탯 능력이 승률에 직접적으로 기여함을 시사한다.
흥미로운 점은 평균_치유량 - 10분당 평균이(가) 부정적 계수를 보인다는 것이다. 이는 해당 스탯이 높을수록 오히려 승률이 낮아지는 경향을 의미하는데, 이는 솔저: 76이 해당 스탯에만 집중하기보다 다른 요소들과의 균형을 맞출 때 더 높은 승률을 보인다는 해석이 가능하다.
4. 분석의 한계 및 의의
4.1 분석의 한계
본 분석은 다음과 같은 한계를 가진다:
- 관찰 연구의 한계: 본 분석은 기존 게임 데이터를 기반으로 한 관찰 연구이므로, 변수 간 인과관계를 완전히 입증하기는 어렵다. 상관관계가 인과관계를 의미하지 않을 수 있으며, 숨겨진 제3의 변수(confounding variable)가 존재할 가능성이 있다.
- 설명력의 한계: SEM 모델의 R²가 0.320로, 승률 변동의 약 32.0%만을 설명한다. 나머지 68.0%는 팀 구성, 상대팀 실력, 맵 특성, 운 등 모델에 포함되지 않은 요인들에 의해 설명된다.
- 표본의 특성: 본 분석은 5,002명의 플레이어 데이터를 기반으로 하며, 특정 시기나 지역의 데이터일 수 있어 일반화에 제한이 있을 수 있다.
- 변수 선택의 한계: 분석에 포함된 변수는 게임 내에서 수집 가능한 스탯에 한정되며, 플레이어의 의사결정, 포지셔닝, 팀워크 등 정성적 요소는 반영되지 않았다.
4.2 분석의 의의
그럼에도 불구하고 본 분석은 다음과 같은 의의를 가진다:
- 통계적 검증: 단순한 직관이나 경험적 판단이 아닌, 통계적으로 검증된 데이터 기반의 인사이트를 제공한다. 상관관계 분석과 다중회귀분석을 통해 각 스탯의 독립적 영향을 분리하여 검증하였다.
- 실용적 가치: 플레이어가 승률 향상을 위해 우선적으로 개선해야 할 스탯을 명확히 제시한다. 예를 들어, 평균_치유량 - 10분당 평균을 1 표준편차만큼 향상시키면 승률이 약 -6.03%p 개선될 것으로 예측된다.
- 영웅별 특성 이해: 솔저: 76의 승률에 기여하는 핵심 스탯을 파악함으로써, 해당 영웅의 플레이 스타일과 강점을 데이터 기반으로 이해할 수 있다.
- 재현 가능한 분석 프레임워크: 본 분석 방법론은 다른 영웅들에게도 동일하게 적용 가능하여, 각 영웅별로 최적화된 플레이 가이드를 제공할 수 있는 기반을 마련한다.
5. 결론
본 분석을 통해 솔저: 76의 게임 승률에 영향을 미치는 주요 스탯을 통계적으로 검증하였다. 상관관계 분석과 SEM 분석 결과를 종합하면, 평균_치유량 - 10분당 평균과 영웅별_나선 로켓으로 처치 - 10분당 평균이 승률에 가장 큰 긍정적 영향을 미치는 것으로 나타났다.