지역별 게임 검색어 오탈자·별칭 데이터로 Steam 스토어 키워드 확장하는 방법
지역별 게임 검색어 오탈자와 별칭을 수집·정제해 Steam 스토어 설명, 태그, 광고, 현지화 문구로 확장하는 방법을 다룹니다. 검색 의도 분류, 우선순위 수식, 전환 측정까지 정리합니다.
핵심 요약
지역별 검색어 오탈자와 별칭은 단순한 오류 목록이 아니라 플레이어가 게임을 발견하는 실제 언어 데이터다. Unicode NFKC 정규화, 검색 의도 분류, Levenshtein distance 기반 유사어 그룹화를 거친 뒤 검색량·구매 의도·현지화 공백·전환 데이터를 함께 평가해야 한다. 오탈자를 스토어 문구에 무리하게 삽입하기보다 올바른 표기와 별칭을 자연스럽게 연결하고 광고 키워드와 커뮤니티 콘텐츠에서 별도로 활용하는 방식이 안전하다.
지역별 게임 검색어 오탈자와 별칭 데이터는 왜 중요한가?
게임 유저는 공식 타이틀만 검색하지 않는다. 로마자 표기, 번역명, 줄임말, 띄어쓰기 변형, 발음에 따른 표기, 플랫폼명을 결합한 검색어를 함께 사용한다. 특히 출시 초기에는 유저가 게임명을 정확히 알지 못하기 때문에 캐릭터명, 장르명, 비슷한 게임과의 비교어로 검색하는 경우도 많다.
예를 들어 가상의 게임명 Moonforge가 있다고 하자. 지역별 검색 데이터에는 다음과 같은 형태가 함께 나타날 수 있다.
| 지역 | 검색어 유형 | 예시 | 해석 |
|---|---|---|---|
| 한국 | 띄어쓰기 변형 | 문 포지, 문포지 | 같은 타이틀의 표기 차이 |
| 한국 | 발음 기반 표기 | 문포지 게임 | 게임 검색 의도가 포함됨 |
| 일본 | 현지 발음 표기 | ムーンフォージ, ムンフォージ | 장음 또는 표기 변형 |
| 미국 | 오탈자 | moonforg | 타이틀 철자 일부 누락 |
| 미국 | 플랫폼 결합어 | moonforge steam | 구매 또는 설치 의도 |
| 전 지역 | 장르 결합어 | moonforge survival rpg | 장르와 타이틀을 함께 탐색 |
이 데이터는 다음 네 가지 의사결정에 활용할 수 있다.
- 스토어 페이지의 공식 표기와 설명 문구를 보완한다.
- 지역별 광고 캠페인의 키워드와 제외 키워드를 구성한다.
- 번역명과 음역명을 현지화 사전에 추가한다.
- 출시 공지, FAQ, 커뮤니티 콘텐츠에서 유저가 실제로 사용하는 표현을 반영한다.
중요한 점은 검색량이 큰 표현이 항상 좋은 키워드는 아니라는 사실이다. 오탈자 검색량이 높아도 게임과 무관한 일반 단어일 수 있고 검색량이 작아도 구매, Steam, demo, 다운로드 같은 단어가 포함된 검색어는 높은 전환 의도를 가질 수 있다.
어떤 데이터를 수집해야 하는가?
지역별 키워드 확장은 하나의 도구에 의존하기보다 서로 다른 의도를 가진 데이터를 결합해야 한다. 데이터마다 표본 편향이 있으므로 원문 검색어와 수집 시점, 지역, 언어, 유입 경로를 함께 보관한다.
| 데이터 소스 | 확인할 항목 | 활용 목적 |
|---|---|---|
| Steamworks 판매·유입 리포트 | 방문, 구매, 전환 흐름 | 스토어 유입의 사업적 가치 판단 |
| 검색 광고 리포트 | 노출, 클릭, 비용, 검색어 | 광고 키워드와 제외 키워드 구성 |
| Google Search Console | 검색어, 노출수, 클릭수, 평균 순위 | 외부 검색에서의 발견 경로 확인 |
| 커뮤니티와 SNS | 유저가 실제로 쓰는 별칭과 발음 | 현지화 문구와 커뮤니티 대응 |
| 고객지원 티켓 | 반복되는 오표기와 질문 | FAQ 및 검색 대응 문구 개선 |
| 리뷰와 영상 댓글 | 장르 표현, 비교 대상, 기능명 | 롱테일 키워드와 콘텐츠 주제 발굴 |
개인 식별 정보는 저장하지 않고 검색어, 지역 코드, 언어 코드, 날짜, 유입 채널처럼 분석에 필요한 최소 필드만 유지한다. 검색어 원문을 외부에 공개할 때는 이메일 주소, 사용자명, 주문번호 같은 정보가 섞이지 않았는지 먼저 검사해야 한다.
검색어 오탈자와 별칭을 어떻게 정제할까?
1단계: 원문과 정규화 값을 분리해 저장한다
원문을 바로 덮어쓰면 어떤 표현이 실제로 사용됐는지 추적할 수 없다. raw_query는 원문 그대로 보관하고 normalized_query와 compact_query를 별도 컬럼으로 만든다.
정규화에는 Unicode NFKC, casefold(), 앞뒤 공백 제거, 연속 공백 축소를 사용할 수 있다. 한국어 검색어는 띄어쓰기 유무가 의미를 바꿀 수 있으므로 공백을 제거한 값과 유지한 값을 모두 관리하는 편이 좋다.
import re
import unicodedata
def normalize_query(query: str) -> dict[str, str]:
normalized = unicodedata.normalize('NFKC', query).casefold().strip()
normalized = re.sub(r'\s+', ' ', normalized)
compact = normalized.replace(' ', '')
return {
'raw_query': query,
'normalized_query': normalized,
'compact_query': compact,
}이 함수는 의미를 판정하지 않는다. 예를 들어 문 포지와 문포지를 같은 그룹으로 볼지는 지역별 언어 규칙과 게임의 공식 표기를 기준으로 후속 판단해야 한다.
2단계: 검색어를 의도별로 분류한다
다음과 같은 분류 체계를 사용하면 오탈자와 별칭을 마케팅 자산으로 연결하기 쉽다.
| 분류 | 판단 기준 | 권장 활용 |
|---|---|---|
| 공식 표기 | 개발사가 정한 타이틀과 일치 | 스토어 제목, 설명, 이미지 문구 |
| 띄어쓰기 변형 | 공백만 다름 | 설명과 FAQ에 자연스럽게 반영 |
| 철자 오탈자 | 한두 글자 누락·교체·중복 | 광고 키워드, FAQ, 검색 대응 콘텐츠 |
| 현지 별칭 | 커뮤니티에서 반복 사용 | 지역별 커뮤니티와 현지화 사전 |
| 번역·음역명 | 언어권별 공식 또는 관용 표기 | 현지 스토어 설명과 광고 |
| 장르 결합어 | 타이틀과 장르·기능을 결합 | 태그, 설명, 광고 그룹 |
| 무관 검색어 | 게임과 의미적으로 관계없음 | 제외 키워드 및 리포트 제외 |
유사 문자열 비교에는 Levenshtein distance를 사용할 수 있다. 다만 글자 하나가 비슷하다는 이유만으로 같은 의미라고 확정하면 안 된다. rpg와 fps처럼 짧은 문자열은 작은 편집 거리만으로도 전혀 다른 의도가 될 수 있으므로 최소 검색량, 문맥 단어, 지역별 검수 결과를 함께 사용한다.
3단계: 공식 표기와 별칭을 매핑한다
정제된 검색어마다 대표 키워드, 지역, 언어, 의도, 활용 위치, 검수 상태를 부여한다.
| 필드 | 예시 | 설명 |
|---|---|---|
| canonical_term | Moonforge | 공식 대표 표기 |
| locale | ko-KR | 국가와 언어 조합 |
| query_variant | 문포지 | 실제 검색 변형 |
| variant_type | alias | 변형 유형 |
| intent | purchase | 구매 의도 |
| destination | store-description | 연결할 자산 |
| confidence | 0.92 | 분류 신뢰도 |
| review_status | approved | 담당자 검수 상태 |
이 매핑 테이블은 번역 메모리나 용어집과도 연결할 수 있다. canonical_term은 게임 내부의 공식 용어와 일치시키고 query_variant는 검색·광고 분석용으로 유지한다. 이렇게 하면 오탈자를 게임 UI나 공식 타이틀에 잘못 반영하는 사고를 줄일 수 있다.
키워드 우선순위는 어떻게 계산할까?
검색량만으로 우선순위를 정하면 경쟁이 높은 일반 키워드에 예산이 몰릴 수 있다. 실무에서는 다음처럼 여러 지표를 0에서 1 사이로 정규화해 점수를 계산한다.
P: 최종 우선순위 점수V: 검색량 또는 노출량 점수I: 구매·위시리스트·데모 실행 등 검색 의도 점수M: 해당 지역과 게임의 시장 적합도G: 현재 스토어 페이지에서의 콘텐츠 공백 점수
가중치는 장르와 출시 단계에 맞춰 조정한다. 출시 직전에는 I와 G의 비중을 높이고 장기적인 브랜드 확장 단계에서는 V와 M을 더 크게 볼 수 있다.
전환 데이터가 있다면 I를 다음처럼 계산할 수 있다.
여기서 C는 구매 전환율, W는 위시리스트 전환율, D는 데모 실행 또는 다운로드 전환율, A는 광고 클릭 후의 참여 지표다. 데이터가 없는 초기 단계에서는 경쟁도, 검색어의 플랫폼 결합 여부, 실제 커뮤니티 사용 빈도를 대체 지표로 사용하고 해당 점수의 신뢰도를 낮춰 기록한다.
오탈자 키워드를 Steam 스토어에 어떻게 반영할까?
Steam에는 일반적인 의미의 숨은 키워드 입력란이 있다고 가정하기 어렵다. 따라서 오탈자 목록을 메타데이터에 무작정 나열하는 전략은 적절하지 않다. Steam 태그, 짧은 설명, 상세 설명, 캡슐 이미지의 텍스트, 업데이트 공지 등 각각의 역할에 맞춰 정식 표현과 검색 의도를 연결해야 한다.
스토어 제목과 짧은 설명
제목은 공식 타이틀을 우선한다. 별칭이나 다른 표기는 제목에 반복해서 삽입하기보다 짧은 설명에서 장르, 핵심 플레이, 플랫폼 의도를 자연스럽게 설명하는 방식이 안전하다.
좋은 방향:
Moonforge는 자동화와 탐험을 결합한 2D 생존 제작 게임입니다.
피해야 할 방향:
Moonforge 문포지 문 포지 문포지 게임 문포지 스팀 생존 제작 게임
후자의 방식은 가독성을 해치고 검색 의도와 무관한 반복으로 보일 수 있다. 검색어 데이터를 활용한다는 이유로 유저가 읽는 문장을 키워드 목록으로 바꾸면 페이지의 신뢰도와 전환율이 함께 떨어질 수 있다.
Steam 태그
태그는 실제 게임의 장르와 플레이 경험을 설명하는 항목으로 선택한다. 검색 데이터에서 자주 등장했다는 이유만으로 게임과 맞지 않는 태그를 추가하면 기대와 실제 플레이의 차이가 커진다.
태그를 선택할 때는 다음 질문을 확인한다.
- 해당 태그가 실제 플레이 구조를 설명하는가?
- 스토어 영상과 스크린샷으로 그 특성을 확인할 수 있는가?
- 해당 지역의 유저가 이해할 수 있는 표현인가?
- 비슷한 장르 게임을 찾는 탐색 의도와 연결되는가?
상세 설명과 FAQ
별칭은 설명의 첫 문장에 억지로 넣기보다 자연스러운 문맥에 포함한다. 예를 들어 공식 타이틀의 한국어 표기와 로마자 표기를 함께 제공하고 지역 커뮤니티에서 널리 쓰이는 명칭은 FAQ나 업데이트 공지에서 설명할 수 있다.
문포지로도 알려진 Moonforge처럼 쓸 때는 해당 별칭이 실제로 반복 사용되는지 검수해야 한다. 단 한 번 발견된 표현은 공식 별칭으로 승격하지 않고 관찰 상태로 남긴다.
지역별 키워드 확장 운영표를 어떻게 만들까?
지역별로 같은 검색어를 번역해 복제하면 현지 검색 의도를 놓치기 쉽다. 다음처럼 지역마다 대표 표기, 변형, 검색 의도, 콘텐츠 활용 위치를 분리한다.
| 지역 | 대표 표기 | 변형 데이터 | 우선 활용 위치 | 주의점 |
|---|---|---|---|---|
| 한국 | 공식 한국어명 | 띄어쓰기, 초성, 발음 표기 | 짧은 설명, FAQ, 광고 | 초성 검색어를 공식 문구에 반복하지 않음 |
| 일본 | 공식 일본어명 | 가나 표기, 장음 변형, 로마자 | 현지 설명, 광고 그룹 | 번역명과 음역명을 구분 |
| 미국·영어권 | 공식 영문명 | 철자 누락, 약칭, 장르 결합어 | 상세 설명, 검색 광고 | 일반 단어와 브랜드명을 분리 |
| 중국어권 | 승인된 번체·간체명 | 지역별 번역명, 음역명 | 현지 스토어 문구 | 상표 및 퍼블리셔 승인 확인 |
| 브라질 | 포르투갈어 설명 | 영어 타이틀 변형, 장르 결합어 | 광고, 커뮤니티 콘텐츠 | 유럽 포르투갈어와 혼용하지 않음 |
현지화 팀과 마케팅 팀이 같은 용어집을 사용하도록 canonical_term, approved_localization, search_variants, do_not_use 필드를 하나의 저장소에서 관리하면 캠페인별 표기 불일치를 줄일 수 있다.
키워드를 실제 마케팅 자산에 배분하는 방법
모든 키워드를 모든 자산에 넣는 것은 좋은 확장이 아니다. 검색어의 의도와 자산의 목적을 매칭해야 한다.
| 검색 의도 | 적합한 자산 | 예시 활용 |
|---|---|---|
| 타이틀 탐색 | 스토어 제목·짧은 설명 | 공식명과 대표 현지화명 |
| 구매 탐색 | 스토어 페이지·광고 랜딩 | Steam 결합어, 가격·출시 정보 |
| 장르 탐색 | 태그·상세 설명·영상 제목 | 생존 제작, 자동화, 협동 플레이 |
| 기능 탐색 | 상세 설명·FAQ·패치 노트 | 컨트롤러 지원, 한국어 지원, 데모 |
| 문제 해결 | 고객지원·FAQ | 실행 오류, 저장 위치, 환불 안내 |
| 커뮤니티 탐색 | 개발 블로그·SNS·Discord | 유저가 사용하는 별칭과 약칭 |
광고에서는 오탈자와 별칭을 별도 광고 그룹으로 분리한다. 그래야 공식 타이틀 검색어와 오탈자 검색어의 클릭률, 비용, 구매 전환을 비교할 수 있다. 랜딩 페이지에서는 오탈자를 그대로 크게 노출하기보다 올바른 타이틀과 관련 설명으로 사용자의 의도를 확인시킨다.
키워드 확장 결과를 어떻게 검증할까?
키워드 추가 전후의 성과를 비교할 때는 이벤트와 가격 변경의 영향을 분리해야 한다. 할인, 대규모 업데이트, 인플루언서 영상, 지역별 출시일이 겹치면 키워드만의 효과를 해석하기 어렵다.
최소한 다음 지표를 지역과 검색어 그룹별로 기록한다.
- 스토어 방문 수
- 위시리스트 추가율
- 구매 전환율
- 데모 실행 또는 다운로드율
- 광고 클릭률과 클릭당 비용
- 검색어별 매출 또는 보조 전환
- 환불률과 고객지원 문의율
검증 절차는 다음 순서로 운영한다.
- 출시 버전, 가격, 할인, 주요 업데이트, 광고비를 기준일과 함께 기록한다.
- 공식 표기, 띄어쓰기 변형, 별칭, 오탈자 그룹별로 기간 단위 성과를 분리한다.
- 문구를 변경한 뒤 최소한 동일한 요일 구성의 비교 기간을 확보한다.
- 전환율 변화와 함께 환불률, 리뷰의 기대 불일치 표현, 고객지원 문의도 확인한다.
- 성과가 좋아진 키워드만 확대하고 의미가 불명확한 키워드는 관찰 상태로 되돌린다.
검색어 하나의 성과가 좋아 보여도 표본이 작으면 결론을 내리지 않는다. 검색량과 전환 수가 함께 표시되는 대시보드를 만들고 신뢰도 또는 표본 수를 별도 컬럼으로 관리하는 것이 좋다.
운영 시 자주 발생하는 실수는 무엇인가?
오탈자를 스토어 본문에 반복 삽입한다
오탈자는 발견 경로를 이해하는 데 유용하지만 브랜드 자산의 공식 표기가 될 필요는 없다. 공식 페이지에는 올바른 표기를 사용하고 오탈자 자체는 광고 키워드 보고서와 검색 대응용 데이터로 유지한다.
지역별 검색어를 단순 번역한다
한국어 별칭을 일본어로 직역하거나 영어 철자를 그대로 음역하면 실제 현지 검색어와 어긋날 수 있다. 현지 커뮤니티와 네이티브 검수자가 반복 사용 여부를 확인해야 한다.
검색량이 낮은 롱테일 키워드를 모두 버린다
게임명 + 한국어 지원, 게임명 + demo, 게임명 + controller처럼 검색량은 작지만 의도가 구체적인 검색어는 전환 측면에서 가치가 있을 수 있다. 검색량과 함께 구매 단계의 지표를 확인한다.
상표와 타사 게임명을 무분별하게 사용한다
비교 검색어, 타사 게임명, 커뮤니티 별칭을 광고나 스토어 문구에 사용할 때는 플랫폼 정책과 상표권을 확인한다. 분석용 검색어 목록에 존재한다는 사실만으로 공개 사용이 허가되는 것은 아니다.
자주 묻는 질문 (FAQ)
오탈자 키워드를 Steam 태그로 추가하면 검색 노출이 늘어나는가?
보장할 수 없다. Steam 태그는 게임의 실제 장르와 플레이 경험을 설명하는 용도로 선택해야 하며 오탈자를 태그처럼 등록하는 방식은 적절하지 않다. 오탈자는 검색 데이터 분석, 광고 그룹, 자연스러운 설명 문구에 제한적으로 활용한다.
검색량이 거의 없는 별칭도 현지화해야 하는가?
반복 사용 여부와 구매 의도를 함께 판단한다. 검색량은 작아도 특정 지역 커뮤니티에서 일관되게 사용되고 전환과 연결된다면 용어집과 FAQ에 등록할 수 있다. 단발성 표현은 관찰 상태로 유지한다.
키워드 확장 효과는 언제 판단해야 하는가?
정해진 일수 하나로 단정하기보다 충분한 검색량과 전환 표본을 확보하고 가격, 할인, 업데이트, 광고 집행 같은 외부 요인을 함께 기록해야 한다. 변경 전후의 방문뿐 아니라 위시리스트, 구매, 환불, 고객지원 문의까지 확인해야 한다.
정리
지역별 검색어 오탈자와 별칭은 스토어 페이지를 채우기 위한 단어 목록이 아니라 유저의 발견 경로와 구매 의도를 보여주는 운영 데이터다. raw_query를 보존한 채 Unicode NFKC 정규화, 지역별 의도 분류, Levenshtein distance 기반 후보 그룹화, 네이티브 검수를 순서대로 적용하면 현지화와 마케팅 양쪽에서 재사용할 수 있다.
최종 목표는 오탈자를 많이 노출하는 것이 아니다. 유저가 어떤 이름으로 검색하더라도 올바른 타이틀, 정확한 장르 정보, 신뢰할 수 있는 지역별 구매 정보에 도달하도록 검색어와 스토어 자산을 연결하는 것이다.
