온라인 게임, 특히 '대규모 다중 사용자 온라인 역할 수행 게임 (Massively Multi-Online Role Playing Game, MMORPG)'에서 사람들은 채집이나 수렵 등의 생산, 퀘스트 수행 및 레벨업을 통한 성장, 거래를 통한 경제 활동, 파티/혈맹/친구 관계와 같은 협업과 전투를 통한 경쟁 등의 다양한 사회 활동을 수행한다. 이렇게 사람들이 가상 세계에서 벌이는 다양한 활동 및 사회 관계 정보는 로그와 DB 형태로 기록된다. 따라서 게임 데이터는 기존의 사회 과학에서는 접하기 거의 불가능한 수준의 폭넓고 세밀한 정보를 갖고 있는, 세상에서 가장 흥미로운 데이터 중 하나이다. 한편, 최근 기계 학습 분야의 큰 발전으로 인해 다양한 분야에서 이를 실전에 적용하려는 시도가 이뤄지고 있다. 그러나 괄목할 만한 연구 성과에 비해 아직까지 실전에서의 성공 사례는 많지 않다. 여러 가지 원인이 있겠으나 기계 학습 모델링 측면에서 보자면 학습 데이터 확보의 어려움, 높은 특성 공학 비용, 데이터가 가진 통계적 특성의 변화에 의한 빠른 모델 노후화 등의 문제를 꼽을 수 있다. 온라인 게임 분야 역시 이 세 가지 문제가 기계 학습 모델을 실전에 적용하는데 큰 걸림돌이 되고 있다. 엔씨소프트는 2009년부터 하둡을 이용한 빅데이터 인프라를 구축하였으며, 2019년 현재 일일 발생량 11테라바이트, 축적 용량 6페타바이트에 달하는 대규모 데이터를 이용해 기본적인 현황 분석부터 고객 세그먼테이션, 이상 탐지, 어뷰징 탐지, 이탈 예측 등 다양한 분석에 활용하고 있다. 본 강연에서는 엔씨소프트에서 진행하는 분석 사례와 함께 기계 학습 모델을 실제 서비스에 적용하기 위해 극복해야 할 도전 과제에 대해 소개한다.