아이언과 다이아몬드 플레이어는 챔피언을 다르게 익힐까요? 1.2M+ 매치의 7.8M+ 데이터 포인트를 분석해, Iron부터 Master+까지 mastery cap과 학습 비용이 어떻게 달라지는지 확인했어요.
데이터셋
두 데이터 소스를 합쳤어요. mastery가 포함된 매치 blob에서 뽑은 새 티어별 분석(Iron부터 Diamond)과 첫 크롤링 시기의 기존 Master+ 데이터셋(530K 매치)이에요. 덕분에 8개 랭크 구간 전체를 볼 수 있어요.
| 티어 | 매치 | Cap 중앙값 | Cost 평균 |
|---|---|---|---|
| 아이언 | 66,893 | 6 | -10.5% |
| 브론즈 | 46,816 | 6 | -10.7% |
| 실버 | 57,697 | 6 | -10.0% |
| 골드 | 285,392 | 6 | -8.5% |
| 플래티넘 | 141,506 | 6 | -8.7% |
| 에메랄드 | 82,456 | 6 | -9.6% |
| 다이아몬드 | 14,032 | 6 | -16.6% |
| 마스터+ | 530,540 | 6 | -12.3% |
방법론
숙련도 곡선: 각 (champion, tier) 쌍마다 mastery level 1부터 40+까지의 승률을 계산한 뒤, 통계적 신뢰도를 위해 2레벨 버킷(1-2, 3-4, 5-6 등)으로 묶었어요. 곡선이 내려가지 않도록 단조 스무딩을 적용했어요.
Mastery cap 산출 (Spearman): 슬라이딩 윈도우에서 Spearman rank correlation을 사용해 승률이 경험치와 더 이상 상관되지 않는 mastery level을 찾았어요. 각 후보 cutoff마다 그 이상 남은 데이터 포인트가 여전히 유의미한 양의 추세(p < 0.05, rho > 0.1)를 보이는지 테스트했어요. 상관이 사라지는 지점이 cap이에요.
학습 비용: mastery cap보다 낮은 상태로 챔피언을 플레이할 때 생기는 승률 페널티를 측정해요. 계산식은 (low_mastery_WR - plateau_WR) x 100이에요. cost가 -8%라면 처음 잡은 플레이어가 같은 챔피언의 숙련자보다 승률 8 percentage points를 잃는다는 뜻이에요.
샘플 크기 기준: 이항 CI 폭 분석 기준으로 +/-3pp 정밀도(95% CI)를 내려면 mastery 버킷마다 267+ 게임이 필요하고, 5pp WR 차이를 80% power로 감지하려면 그룹마다 385+ 게임이 필요해요. 한 티어에서 총 200게임 미만인 챔피언은 제외했어요.
발견 1: 상위 elo에서는 Mastery Cap이 압축돼요
모든 티어에서 mastery cap 중앙값은 6이지만, 상위 elo로 갈수록 분산이 크게 줄어요. Iron에서는 일부 챔피언이 mastery 26까지도 향상되지만, Diamond와 Master+에서는 거의 모든 챔피언이 mastery 6에서 plateau에 도달해요.
이 데이터에서는 상위 랭크의 숙련도 곡선이 추정 정체 구간에 더 일찍 도달했어요. Low(Iron/Bronze/Silver)와 High(Diamond/Master+)를 비교한 Mann-Whitney U 검정에서도 차이가 유의했어요(p = 0.0005).
다만 이 현상은 약 35개의 복잡한 챔피언이 주도해요. 챔피언의 80%는 랭크와 관계없이 mastery 6에서 plateau에 도달해요.
발견 2: 학습 비용은 랭크가 달라도 안정적이에요
의외로 학습 비용은 티어 전반에서 중앙값 약 -8%로 꽤 일정해요. 아이언 플레이어도 다이아몬드 플레이어도 챔피언을 처음 잡을 때 비슷한 승률 페널티를 내요.
Mann-Whitney U test에서는 티어 그룹 간 유의미한 차이가 없었어요(p = 0.06 to 0.18). 티어 순위와 cost 사이 Spearman correlation은 약하지만(rho = 0.11), 샘플이 커서 기술적으로는 유의미해요(p = 0.0001).
랭크에 따라 숙련도 곡선이 가장 크게 바뀌는 챔피언
일부 챔피언은 랭크에 따라 추정 숙련도 상한이 크게 달랐어요. 비에고는 아이언에서 26, 다이아몬드에서 6으로 20레벨 차이가 났어요. 전반적인 게임 이해도가 이 격차를 일부 설명할 수 있지만, 이번 분석은 원인을 따로 검증하지 않았어요.
발견 3: Assassin과 Fighter의 Skill Ceiling이 가장 높아요
챔피언 클래스는 mastery cap을 예측하는 통계적으로 유의미한 변수예요(Kruskal-Wallis p = 0.01). Assassin(cap이 8 초과인 비율 31%)과 Fighter(26%)는 익히는 데 가장 오래 걸리고, Tank는 거의 바로 plateau에 도달해요(4%).
흥미롭게도 학습 비용은 클래스 전반에서 비슷해요(-7.5% to -9.9%). 차이는 배우는 동안 얼마나 지느냐가 아니라, 그 손해가 멈추기까지 얼마나 오래 걸리느냐예요.
Role(top, mid, 정글 등)은 유의미한 예측 변수가 아니에요(p = 0.39). mid 라인이 가장 높아 보이는 건 Assassin과 Mage가 가장 많기 때문이에요.
챔피언 클래스별 Mastery Cap (골드)
| 클래스 | 챔피언 | Cap 중앙값 | % Cap 8 초과 | Cost 중앙값 |
|---|---|---|---|---|
| Assassin | 16 | 6 | 31% | -9.9% |
| Fighter | 50 | 6 | 26% | -8.7% |
| Marksman | 28 | 6 | 25% | -7.8% |
| Mage | 36 | 6 | 19% | -7.5% |
| Support | 18 | 6 | 11% | -7.6% |
| Tank | 24 | 6 | 4% | -8.7% |
원챔 잠재력: 숙련도를 계속 보상하는 챔피언
진짜 OTP 챔피언은 높은 mastery cap(mastery 10 이후에도 계속 성장)과 그 과정에서 10 percentage points를 넘는 의미 있는 WR gain을 둘 다 가져야 해요. 강조된 셀은 각 티어에서 OTP 신호가 있는 구간이에요.
각 셀은 비숙련 상태부터 plateau까지의 mastery cap / WR gain을 보여줘요. 강조된 셀은 OTP 신호(cap > 10 및 gain > 10pp)를 뜻해요.
데이터 품질과 한계
Bootstrap 안정성: Spearman mastery cap은 구조적으로 노이즈가 커요. 한 티어에서 50K+ 게임이 있는 인기 챔피언도 bootstrap resampling을 해보면 일부는 95% confidence interval이 넓게 나와요([6, 20]). 이건 데이터 문제가 아니라 방법론의 한계예요.
다이아몬드 데이터: 다이아몬드는 총 140K 게임과 1K 게임 이상 챔피언 50개가 있어 cost-of-learning 분석은 가능하지만, 의미 있는 mastery cap을 감지하기에는 power가 제한적이에요.
마스터+ 데이터: 기존 530K 매치 분석(주로 마스터/그마/챌린저)에서 가져왔고, 챔피언당 최대 150 mastery level까지의 풍부한 레벨별 데이터를 제공해요.
승률 점검: 전체 티어의 전반적인 승률이 49.6-49.9%라서 내부 데이터 일관성을 확인할 수 있어요.