Ir para o conteúdo principal

Personalizando as Experiências dos Jogadores com Sistemas de Recomendação

Explorando como os jogos usam sistemas de recomendação para criar experiências mais ricas e centradas no jogador

Personalizing Players' Experiences with Recommendation Systems

Published: August 7, 2025

Mídia e entretenimento37 min de leitura

Summary

  • Impulsione o Engajamento do Jogador Através da Personalização: Aprenda como os sistemas de recomendação personalizam as experiências no jogo - de missões e lojas a emparelhamentos multijogador - para aumentar a satisfação e retenção do jogador.
  • Aumente a Receita e Otimiza LiveOps: Descubra como recomendadores inteligentes melhoram a conversão de IAP, personalizam o tempo de monetização e suportam recursos dinâmicos de LiveOps como correspondência social e seleção de servidor.
  • Construa Jogos Mais Inteligentes e Adaptáveis com Melhores Dados: Veja como dados de alta qualidade, testes A/B e arquiteturas modernas de ML como TorchRec ajudam os estúdios de jogos a treinar modelos performantes que evoluem com o comportamento do jogador e os objetivos de negócios.

Introdução

Uma das ferramentas mais poderosas para criar experiências centradas no jogador é o sistema de recomendações. Isso não deve ser uma surpresa: a personalização é, em última análise, a arte de recomendar ações, itens ou conteúdos que ressoam com um jogador específico, ou grupo de jogadores. Os sistemas de recomendação formam uma capacidade fundamental que pode melhorar a personalização em todas as etapas da jornada do jogador.

Neste blog, exploraremos como os sistemas de recomendação são usados em jogos para criar experiências de jogador mais significativas. Discutiremos onde eles se aplicam - desde marketing e receita até aquisição de usuários e operações ao vivo - e compartilharemos as melhores práticas e abordagens adotadas pelos principais desenvolvedores de jogos em todo o mundo. Finalmente, mergulharemos em casos de uso específicos e exemplos do mundo real que ilustram seu impacto em toda a indústria.

Preparando o Palco

Na maioria das vezes, os recomendadores são vistos principalmente como veículos para propor ações - sugerindo a próxima melhor oferta, otimizando compras ou preenchendo conteúdo e carrosséis de loja. Estas são certamente aplicações valiosas amadas por jogadores em todo o mundo.

No entanto, os sistemas de recomendação também podem ajudar os desenvolvedores a entender melhor as preferências dos jogadores. Enquanto a segmentação, o agrupamento e outras percepções do jogador normalmente dependem da interpretação humana, os recomendadores podem construir um contexto orientado por máquina sobre os jogadores que os desenvolvedores de jogos podem aproveitar diretamente para melhorar sua resposta ao feedback e, por sua vez, seus produtos.

Armado com uma compreensão mais profunda das preferências dos jogadores, sua empresa de jogos pode personalizar experiências para corresponder ao que os jogadores acham mais interessante e valioso. Isso significa que você pode alinhar ofertas, missões ou outros elementos de jogos com os interesses dos jogadores, promovendo experiências centradas no jogador.

Uma pergunta comum é: “Quais resultados devemos esperar de um recomendador para o nosso negócio?” Em última análise, ele aumenta o engajamento e ajuda a construir relacionamentos duradouros com seus jogadores.

Antes de entrar em detalhes, é importante destacar o papel crítico dos testes A/B (juntamente com lançamentos canário e flags de recursos). Como na maioria dos modelos de aprendizado de máquina (ML) ou IA generativa (GenAI), validar os resultados por meio de uma metodologia rigorosa de testes A/B é essencial. Na verdade, eles têm um propósito duplo: confirmar que o recomendador está funcionando conforme o esperado e demonstrar o claro impacto nos negócios.

Ao desenvolver um teste A/B, é uma boa prática definir objetivos e métricas claras desde o início, como especificar exatamente o que você pretende aumentar ou diminuir, por exemplo. Embora o teste A/B seja mais adotado na indústria de jogos hoje, ainda há uma tendência de realizar testes primeiro e examinar as métricas depois, sem uma hipótese clara. E sem resultados claramente definidos, torna-se difícil projetar testes eficazes e medir com precisão o impacto do seu recomendador.

Agora, vamos explorar a importância de dados de alta qualidade e bem rotulados para a construção de sistemas de recomendação eficazes em jogos.

Recomendadores Precisam de Dados Rotulados

Os sistemas de recomendação são muito mais eficazes quando são construídos com base em conjuntos de dados bem rotulados e metadados. Embora as etiquetas possam variar muito dependendo do contexto, é fundamental aproveitar as melhores práticas em torno da engenharia de recursos, pois incluir etiquetas que não se correlacionam com a recomendação tornará o modelo mais caro, no mínimo, e na pior das hipóteses, reduzirá a precisão da recomendação.

Imagine recomendando camisetas de IAP no jogo para um jogador. Ele comprou dez camisetas: nove são roxas e a outra azul, com preços variando de $1 a $100. Com apenas esses três rótulos (cor, tipo e preço), o modelo assumiria que o jogador está principalmente interessado em camisas roxas, trataria as azuis como uma exceção e recomendaria outra camisa roxa. Mas isso não é o que motivou a compra. Todas as dez camisetas apresentavam Sherlock Holmes. Então, não era a cor - era um personagem que inspirava o jogador a agir. Um exemplo simplista, mas fácil de extrapolar e tornar mais complexo.

Aqui está outro exemplo. Um artista rotula sua última criação como Ficção Científica. Esse rótulo subjetivo é aplicado, mas e se os jogadores o perceberem como outro subgênero, digamos Cyberpunk? Como resultado, o ativo não será recomendado para jogadores com preferência por temas Cyberpunk. Portanto, este é um caso de uso potencial para auto-rotulagem baseada em LLM, que pode melhorar a consistência dos rótulos e expandir o tipo de rótulo associado a cada oferta.

Agora, com seus resultados definidos, testes A/B em vigor e dados bem rotulados, vamos explorar como os recomendadores são aplicados nos jogos.

Onde os Recomendadores se Aplicam

Embora os recomendadores sejam geralmente pensados no contexto de ofertas de loja, eles podem ser usados para personalizar elementos de UI, conteúdo gerado proceduralmente, composições de partidas multijogador e muitos outros elementos de gameplay. Em sua essência, os recomendadores ajudam a determinar o melhor "o quê" - que conteúdo, opção ou recurso um jogador deve ver a seguir.

A maioria das implementações de sistemas de recomendação começa com a escolha entre duas opções concorrentes. Quando muitas opções são apresentadas, os jogadores podem se sentir sobrecarregados ou paralisados. O objetivo é reduzir as escolhas para um conjunto gerenciável, normalmente, duas ou três alternativas de alto potencial. Mas quais são os melhores? Uma boa pergunta inicial é: O que faria a diferença para o jogador? Uma pergunta melhor seria: Qual resultado estou tentando alcançar? Ao alinhar recomendações aos resultados, não apenas às entradas, você facilita o design e o teste de modelos de forma sistemática.

Embora não faltem pensamentos sobre recomendações baseadas em lojas, vamos mudar o foco para a mecânica do jogo por um minuto.

Os recomendadores são inerentemente de curto prazo na aplicação, sugerindo o próximo melhor produto ou serviço. Mas quando ancoradas a objetivos de longo prazo, como conclusão de jogo, tempo jogado ou sessões diárias, essas recomendações de curto prazo criam "caminhos dourados" que guiam os jogadores através de uma progressão significativa por um período substancial de tempo.

Para construir esses caminhos, você precisa ter uma visão da jornada do jogador, tanto do indivíduo quanto de padrões de jogo mais amplos. Esse conhecimento pode vir de dados de telemetria: desistências no funil, baixo engajamento de recursos, tempos anormalmente longos entre pontos de progressão ou outros sinais de atrito óbvio. Em quase todos os casos, alguns jogadores superam esses bloqueios enquanto outros lutam ou desistem. Compreender as diferenças entre aqueles que têm sucesso e aqueles que não têm fornece sinais cruciais para adaptar a experiência para ajudar mais jogadores a progredir.

Finalmente, os recomendadores são naturalmente iterativos. As mecânicas do jogo e a meta evoluem - novos recursos são lançados, os comportamentos dos jogadores mudam e assim por diante - e os modelos precisam acompanhar. Com o tempo, até mesmo modelos eficazes começam a se desviar do desempenho ótimo. É por isso que a experimentação contínua é fundamental. Como você não pode esperar que os jogadores ultrapassem seus tempos de vida no jogo antes de atualizar o modelo, você pode introduzir variabilidade controlada por meio de recomendações fora da política, ou sugestões que se desviam do que o modelo atual serviria. Se essas sugestões gerarem melhores resultados, o modelo pode ser treinado novamente com os novos dados.

NOTA: Em geral, pensamos nos recomendadores como uma ferramenta que ajuda a determinar que conteúdo mostrar a um jogador. Existem casos de uso, no entanto, onde o oposto é verdadeiro, onde você está tentando descobrir quais jogadores devem receber um tipo de novo conteúdo. Digamos que você está lançando conteúdo exclusivo com uma oferta por tempo limitado, e você só quer apresentá-lo a 10.000 jogadores. Em vez de perguntar, "Que conteúdo devemos mostrar ao jogador?" Você está perguntando: "Quem são os jogadores certos para este conteúdo?" Nestes casos, os recomendadores podem ajudar a identificar o melhor público com base no comportamento passado, preferências ou probabilidade de engajamento.

Aplicação Um: Metas e Missões Geradas Proceduralmente

Jogos modernos podem oferecer muitos tipos de missões, objetivos e atividades para promover progresso significativo. Mas à medida que o número de opções aumenta, também aumenta a necessidade de priorizar aquelas que se alinham com os interesses do jogador. Uma abordagem simplista pode ser gerar ou promover mais dos mesmos tipos de objetivos que um jogador selecionou no passado, mas isso pode rapidamente tornar o jogo repetitivo e desencorajar a exploração. Com acesso aos comportamentos de jogadores passados, um sistema de recomendação baseado em ML ajuda a evitar designs de missão desagradáveis e redundantes.

Pegue, por exemplo, um recurso de objetivo diário comum em muitos jogos gratuitos para jogar. Embora a estrutura possa permanecer a mesma (por exemplo, completar uma meta, ganhar uma recompensa), os detalhes da meta podem ser adaptados às preferências em evolução do jogador. Um jogador pode preferir coletar itens, enquanto outro pode gostar de batalhas PvP ou de melhorar unidades. Uma mistura saudável e variada de metas diárias pode incentivar os jogadores a se envolverem com diferentes aspectos do jogo.

À medida que um jogador progride, suas motivações mudam. Talvez, as melhorias já não sejam um motivador e agora eles buscam competição, interação social ou estratégia. Ou, eles podem estar se aproximando de um ponto em sua jornada onde introduzir o valor da moeda forte faz sentido. Um sistema de recomendação pode se adaptar a essas mudanças e sugerir metas que direcionem o jogador ao longo de diferentes caminhos de progressão com base em seu comportamento, padrões de engajamento e sucesso com metas anteriores.

Quando implementado corretamente, um recurso de vaidade como "Metas Diárias" se torna um ativo estratégico que impulsiona a retenção e o investimento emocional e monetário dos jogadores no jogo. Ao recomendar metas que pareçam pessoalmente relevantes, os jogos podem aprofundar o engajamento da mesma forma que uma plataforma de varejo aumenta as conversões mostrando o produto certo para a pessoa certa no momento certo, com base no contexto. Nos jogos, o produto é a jogabilidade, então recomendar o tipo certo de experiência de jogo fortalece o prazer do jogador e a ressonância de longo prazo com o próprio jogo.

Aplicação Dois: Lojas e Ofertas

Personalizar a experiência de comércio no jogo pode gerar uma melhoria imediata na receita de IAP e no seu resultado final. A chave está em oferecer o valor certo no momento certo. Ambas as variáveis podem ser otimizadas por meio de motores de recomendação.

A maioria dos modelos de monetização free-to-play abrange uma ampla gama de preços, de $0.99 a $100 e além. Essa amplitude apresenta um desafio: muitas opções para qualquer jogador. Os recomendadores podem reduzir o conjunto de escolhas e destacar as mais propensas a converter.

Os recomendadores de comércio podem extrair da mesma telemetria de jogo e dados comportamentais usados para personalização de jogabilidade, mas também podem levar em conta indicadores do mundo real. Sinais, como tipo de dispositivo, dados de renda geográfica e comportamento de gastos de amigos no jogo, podem ajudar a estimar a renda disponível de um jogador e a disposição ou capacidade de gastar. Um jogador em uma área abastada usando o hardware mais recente pode responder melhor a pacotes de alto valor, enquanto outro com diferentes sinais de usuário pode preferir opções de $1-10.

Embora a maioria dos motores de recomendação se concentre no "o que" mostrar, o tempo, ou o "quando", é igualmente importante, especialmente em LiveOps, GaaS ou jogos para celular. As ofertas são frequentemente sensíveis ao tempo, e uma recomendação bem cronometrada pode romper a indiferença do jogador ou a fadiga de sempre ter um negócio disponível. Ao analisar quais eventos (por exemplo, ganhar uma partida, atingir um nível mais alto) normalmente precedem as primeiras ou mais frequentes IAPs de um jogador, um modelo pode identificar momentos de gatilho ótimos e solicitar um convite no jogo para visitar a loja.

NOTA: Eventos sazonais e tendências macroeconômicas também afetam o comportamento de gastos. A disposição para gastar pode aumentar durante as férias ou diminuir durante as recessões. É por isso que os modelos de comércio devem ser continuamente re-treinados e validados para permanecer relevantes.

Aplicação Três: Partidas Multijogador

Os recomendadores também podem combinar jogadores entre si, seja para uma única sessão multijogador ou para estruturas sociais persistentes como guildas ou clãs. 
O emparelhamento básico normalmente usa o nível de habilidade e a qualidade da conexão para garantir uma experiência de jogo positiva e justa. Para partidas competitivas, particularmente onde há um número menor de jogadores, os sistemas de matchmaking ELO - com limites externos para conectividade - são a norma. Em formatos multiplayer mais caóticos ou casuais, a velocidade da partida e a estabilidade da conexão podem ter prioridade sobre a habilidade.

Mas além do equilíbrio competitivo, os recomendadores podem melhorar a compatibilidade social. Pense nas suas experiências multijogador mais memoráveis. Provavelmente, elas foram moldadas pelas pessoas com quem você jogou, não apenas pela mecânica do jogo. Ao entender o estilo de jogo, equipamento e outras propriedades de alguém, o algoritmo de matchmaking pode criar combinações complementares (como companheiros de equipe) ou assimétricas (como oponentes) de jogadores.  

À medida que os modelos se tornam mais sofisticados, os perfis dos jogadores podem incluir características sutis que vão além do ELO. Essas características são armazenadas e acessíveis em tempo real para o emparelhamento de jogos. O desafio então se torna medir a qualidade da partida. Pedir aos jogadores para avaliar as partidas é uma abordagem, mas indicadores mais objetivos incluem aumentos nas sessões por dia, dias jogados por semana, tempo gasto com amigos, uso de comunicações e outros sinais de engajamento social sustentado.

Qualquer resultado que você selecionar, deve correlacionar-se com o aumento, consistente e de longo prazo do engajamento do jogador. Com um resultado mensurável, você pode construir testes A/B em seus modelos e encontrar o(s) que são mais impactantes. (Claro, tudo isso pressupõe que você tenha uma população grande o suficiente para executar esses testes dentro de uma geografia específica, eliminando mudanças na conectividade, idioma e fusos horários que possam comprometer seus resultados.)

Por exemplo, usando mensagens de chat anteriores, chat por voz ou o idioma preferido dos jogadores, os sistemas de recomendação podem combinar jogadores que se comunicam bem ou que "jogam legal" juntos. Em outro caso, o emparelhamento social pode beneficiar jogadores com tempo de jogo limitado - como novos pais - que podem ter dificuldade em acompanhar equipes de alta intensidade, mas prosperam em grupos com níveis de participação semelhantes.

O comportamento de gastos também importa. Grupos de grandes gastadores podem alienar involuntariamente jogadores que não conseguem acompanhar financeiramente, enquanto os gastadores de alto potencial podem se sentir deslocados entre os usuários free-to-play. Embora alguma variação no tempo e no investimento monetário possa elevar o desempenho do grupo, grandes lacunas muitas vezes se tornam desmotivadoras, conscientemente ou não. Portanto, combinar jogadores com níveis semelhantes de engajamento e circunstâncias financeiras garante uma experiência de jogo mais favorável e prolongada - e aumenta a comunidade geral.

Exemplos de Aplicações de Sistemas de Recomendação em Jogos

Experiências Centradas no Jogador

Como mencionado anteriormente, os recomendadores precisam se alinhar com as preferências do jogador para maximizar o engajamento e mantê-los voltando para mais — tudo isso garantindo que eles se sintam valorizados. A próxima seção vai explorar maneiras que os desenvolvedores estão usando recomendadores em suas respectivas empresas hoje.

História do Desenvolvedor: 2K Games
Durante o Fórum da Indústria de Jogos no Data and AI Summit 2025, Dennis Ceccarelli, GM for Sports* na 2K Games, compartilhou como eles estão pensando sobre recomendadores e projetos de personalização. Foi particularmente perspicaz como eles estavam aproveitando dicas e recompensas como mecanismos para manter os jogadores no caminho dourado. 2K Games levou detalhes sobre a experiência do jogador, experiências passadas do jogador e resultados bem definidos do jogador como entradas para garantir que seus jogadores estão altamente engajados e desfrutando de uma experiência de jogo personalizada.

O caminho dourado é um conceito tão importante nos jogos, mas pode significar muitas coisas diferentes. Não há um único caminho dourado para todos os jogos. Na verdade, pode nem haver um para um único jogo. Ao alinhar seus testes de modelo de recomendação com as métricas de negócios downstream, KPIs ou resultados, você pode determinar melhor os beats intermediários a recomendar, à medida que seu jogador se move em direção ao seu resultado dourado - seja ele o engajamento diário sustentado, alcançando um rank de platina, completando a história principal ou se convertendo em um gastador de longo prazo.

Conhecendo Seu Jogador

Os sistemas de recomendação são uma maneira poderosa de aumentar seus esforços no Player360. Neste contexto, o objetivo não é a ação imediata, mas sim construir uma compreensão abrangente de cada jogador. Esta base abre caminho para recomendações mais rápidas e personalizadas em várias partes da experiência de jogo. Ao calcular as preferências do jogador em uma ampla gama de vetores, seus desenvolvedores podem desbloquear novos recursos e suportar múltiplos casos de uso.

Então, isso significa que você deve fazer agrupamento K-Means, segmentação ou um sistema de recomendações? Geralmente, a resposta é sim, mas por diferentes razões. Cada abordagem serve a um propósito diferente. A segmentação é ideal quando você precisa de agrupamentos amplos e legíveis por humanos que podem ser facilmente agidos, especialmente quando há um humano no ciclo. É ótimo para dividir jogadores com base em atributos, como geografia, demografia, coorte ou tempo de jogo. Esses segmentos ajudam as equipes a planejar campanhas, analisar comportamentos e tomar decisões estratégicas em um alto nível.

A saída do agrupamento automatizado, como o K-Means, pode ser difícil de interpretar do ponto de vista da legibilidade humana. Tradicionalmente, esses projetos requerem um esforço significativo para nomear os clusters e torná-los casos de uso acionáveis para marketing e remarketing. Para agilizar esse processo, técnicas como agrupamento assistido por LLM podem ser usadas para explicar as diferenças entre os clusters gerados automaticamente. Isso pode reduzir os cronogramas do projeto de meses para dias - ou até mesmo horas.

Recentemente, tem havido uma crescente experimentação com abordagens de auto-agrupamento para a geração de conteúdo de marketing que removem completamente o humano do ciclo. Esses métodos aproveitam os LLMs e o GenAI para criar conteúdo de remarketing personalizado em escala.

Se o seu jogo inclui uma grande variedade de modos ou conteúdo gerado pelo usuário (UGC), e seu objetivo é aumentar a probabilidade de engajamento do jogador, os sistemas de recomendação são muitas vezes a melhor solução. Esses sistemas podem até incorporar saídas de segmentação ou agrupamento como recursos, combinando agrupamentos comportamentais com sinais em tempo real para fornecer sugestões eficazes.

Aumentando Sua Base de Jogadores

Quando se trata de aquisição de usuários e marketing, os recomendadores têm uma ampla gama de aplicações. Normalmente, seu objetivo é identificar as preferências do jogador para construir grupos e públicos semelhantes que informam a estratégia da campanha - desde a criação e mensagens até oportunidades de venda cruzada e direcionamento de rede de anúncios.

Casos de Uso para Otimização de Aquisição

  • Criativo de Marketing e UA Direcionado: Ao tentar construir um criativo de marketing que ressoe com jogadores de alto LTV, um recomendador pode ajudar a destacar as três principais características, mapas ou experiências no jogo que mais atraem esse público. Essas percepções podem orientar o desenvolvimento criativo e o direcionamento de público nas campanhas de aquisição de usuários.
  • Remarketing: Este caso de uso é semelhante ao UA direcionado, mas com um objetivo diferente: reengajar um jogador conhecido em vez de atrair um novo grupo semelhante. Já discutimos anteriormente como a segmentação pode apoiar esforços de remarketing ao criar programas baseados em arquétipos. Um recomendador pode levar isso um passo adiante, especialmente em um contexto de mensagens diretas, trabalhando ao lado de um LLM para gerar alcance personalizado. Isso permite uma quase comunicação um-a-um que segue um framework consistente, mas se adapta às preferências únicas de cada jogador.
  • Marketing Cross Hyper-Casual: Se você é um criador de jogos hiper-casuais para dispositivos móveis ou baseados na web, provavelmente verá curtos períodos de vida útil do jogador - dois a três dias em média - antes que os jogadores desistam e sigam em frente. O objetivo é maximizar o engajamento, veicular anúncios suficientes para obter um forte retorno sobre o gasto com anúncios (ROAS) e fazer a transição dos jogadores para outro título em seu portfólio. Ao desenterrar dados de jogabilidade e comportamento do jogador, um recomendador pode identificar os próximos dois ou três títulos a serem promovidos assim que o jogador se aproxima do fim de seu tempo com o jogo atual. Isso não apenas prolonga o valor vitalício em todo o seu ecossistema, mas também ajuda você a extrair o máximo de ROAS por jogador.

Insight do Desenvolvedor: SciPlay
Na SciPlay, o marketing é um motor de crescimento. Com os custos de aquisição de usuários aumentando, não se trata mais de gastar mais; trata-se de gastar de forma mais inteligente. Ao incorporar modelos de recomendação inteligentes em nossas operações de marketing e estratégias de campanha, mudamos significativamente nosso orçamento e identificamos estrategicamente jogadores com o maior valor potencial. Esta abordagem orientada por dados garante que cada dólar gasto está trabalhando mais, melhorando tanto a qualidade do jogador quanto o ROI em um ambiente altamente competitivo.

Visão do Parceiro da Indústria: Braze
Braze, uma plataforma líder de engajamento do cliente utilizada por empresas de jogos globalmente, compartilha, “Sistemas de recomendação dentro de plataformas de engajamento do cliente podem oferecer uma abordagem poderosa para o reengajamento, permitindo a capacidade de guiar os jogadores através de jornadas altamente personalizadas que são projetadas para reacender o seu interesse. Quando o engajamento de um jogador diminui, um sistema de recomendação pode analisar seu histórico no jogo, conteúdo preferido e até mesmo sua receptividade passada em diferentes canais de comunicação. Essas informações abrangentes então determinam o conteúdo mais relevante a oferecer (por exemplo, novos recursos do jogo, títulos diferentes, itens específicos ou eventos sociais) e a sequência ideal de interações e mensagens a serem entregues, incluindo o melhor horário para enviar e o canal mais eficaz para aquele indivíduo.

Essa inteligência dentro das campanhas de reengajamento pode ser aproveitada para personalizar a progressão do jogador dinamicamente. Por exemplo, em um ponto crucial de decisão em uma campanha, o modelo do recomendador pode prever qual ramo ou sequência de mensagens um jogador específico é mais provável de responder ou converter. O sistema então direciona inteligentemente esse jogador para o caminho mais viável que faz sentido para sua jornada individual.

Considere um jogador apaixonado por modos competitivos que está mostrando sinais de desengajamento. Uma campanha de reengajamento é então projetada com múltiplos caminhos: um destacando novos desafios competitivos e outro focado em eventos de guilda social. Um sistema de recomendação dentro de uma plataforma de engajamento do cliente identifica seu interesse no "Jogo X" e uma preferência passada por alertas no jogo.

No momento em que o jogador entra nesta campanha, o recomendador avalia seu perfil e o direciona inteligentemente para o caminho dos desafios competitivos, porque sua previsão indica que isso será mais eficaz para aquele jogador específico. As mensagens dentro desse caminho escolhido também podem ser personalizadas (talvez com a ajuda da IA) para parecerem exclusivamente relevantes.

Aumentando Sua Receita

De todas as áreas onde os recomendadores são aplicados, o crescimento da receita é de longe o mais prolífico, e é fácil entender o porquê. Nos jogos, o aumento do engajamento geralmente leva a um aumento da receita. Os recomendadores ajudam a alinhar o valor que um jogo tem a oferecer com os jogadores mais propensos a apreciá-lo.

O impacto dos recomendadores na receita é visto em todas as indústrias. Mesmo antes do comércio digital, existiam analogias físicas de recomendações: supermercados costumavam colocar itens complementares, como fraldas e cerveja, juntos. Isso não era apenas uma merchandising inteligente. Era uma forma primitiva de recomendação: "Pessoas que compraram isso também compraram aquilo."

Antes de mergulhar em casos de uso específicos, vale a pena notar que os recomendadores vêm em muitas formas, desde heurísticas simples até modelos avançados de ML. Mesmo sistemas básicos podem gerar impacto real. Muitos desenvolvedores começam simples e gradualmente aumentam a complexidade à medida que buscam retornos mais altos. Embora este blog se concentre em recomendadores impulsionados por ML, nosso principal conselho é: faça algo. Mesmo melhorias modestas na forma como você apresenta conteúdo aos jogadores podem impactar significativamente a receita.

Casos de Uso para Gerar Receita com Recomendadores

  • Próximo Melhor XXXX: Para aumentar a receita usando recomendadores, a grande maioria dos casos de uso pode ser expressa, de alguma forma, como "próximo melhor XXXX". Não é surpresa que o objetivo de um recomendador é sugerir o que o jogador provavelmente vai querer a seguir. O exemplo mais comum é "próxima melhor oferta", onde os dados do jogador, preferências de itens, uso de personagens e compras passadas informam qual SKU terá mais ressonância. Isso pode se manifestar como um único anúncio no jogo, um carrossel de ofertas selecionadas ou uma reorganização dinâmica da loja no jogo.
  • Otimização de Compra: Um subconjunto das melhores ofertas seguintes, a otimização de compra visa encontrar o pacote com o melhor preço que um jogador provavelmente aceitará. Isso pode envolver a seleção de SKUs pré-definidos ou a geração de ofertas personalizadas em tempo real. Este último raramente é implementado em larga escala devido à sua complexidade (ou seja, determinar uma combinação de produtos, preços e descontos em nível individual), o que apresenta desafios logísticos e sociais. Por exemplo, uma vez que os jogadores começam a comparar ofertas nas redes sociais, a percepção de injustiça pode levar à frustração e fazer com que muitos estúdios evitem pacotes ultra-personalizados.
  • Ordenação da Loja: Os recomendadores podem desempenhar um papel chave na determinação da ordem ideal dos itens em sua loja no jogo. Um desenvolvedor compartilhou que simplesmente reordenar a loja com base em compras passadas e métricas de engajamento do jogador levou a um aumento de 20% nas taxas de compra. Outro tinha mais de 500 SKUs para os jogadores navegarem, espalhados por páginas que exibiam apenas de 9 a 12 itens cada. Os jogadores tinham dificuldade em encontrar o que queriam, mesmo com uma função de busca eficaz. A solução mais impactante foi priorizar 24 itens mais prováveis de atrair cada jogador. Estes foram divididos em duas páginas - mantendo o hábito familiar de navegar além da primeira página - e a ordem dentro de cada página foi randomizada (ou seja, os 12 primeiros em uma página e de 13 a 24 na página dois) para evitar a aparência de conteúdo estático. Esta abordagem melhorou a descoberta e o engajamento, fazendo a loja parecer mais responsiva e personalizada.

Casos de Uso para Engajamento e Retenção do Jogador

  • Mitigação de Churn: Com base na abordagem de remarketing, os desenvolvedores de jogos estão agora indo um passo além e integrando insights em sua estratégia de mitigação de churn. Considere sistemas de IA agentivos que podem usar dados sobre churners passados para identificar mais cedo jogadores que provavelmente irão churn. Ao encontrar tendências semelhantes, semelhanças e mudanças no comportamento (por exemplo, uma mudança na frequência de jogo e na duração da sessão de jogo), o sistema pode marcar alguém como um provável churner, aproveitar as capacidades construídas para remarketing e enviar mensagens personalizadas, sintetizadas por LLM, para reengajar o jogador.
  • Personalização da Experiência: O exemplo mais avançado e visionário para recomendadores é integrá-los ao próprio jogo. Imagine um jogo de mundo aberto, onde você acabou de terminar sua missão, e se pergunta, Qual missão devo fazer a seguir? Se você está jogando a história principal, o próximo passo na história, certo? E se fosse uma missão secundária, e não houvesse continuação dessa missão para seguir? Você escolhe a missão mais próxima, uma que já começou ou uma onde você mata "X inimigo?" Ao integrar um recomendador a este título, seus jogadores podem avaliar os tipos de missões que gostariam de participar e receber recomendações sobre a próxima melhor missão para eles enfrentarem, mantendo-os engajados com o título por um período mais longo.
  • O Problema do Novo Conteúdo: Esta abordagem se aplica a todos os tipos de conteúdo não testado - seja um SKU recentemente adicionado, um item gerado pelo usuário ou um modo de jogo totalmente novo. Nestes casos, os desenvolvedores costumam confiar em modelos de exploração/exploração para equilibrar o desempenho de curto prazo com a descoberta de longo prazo (veja mais aqui). Os modelos de exploração se concentram em promover conteúdo comprovado que impulsiona o engajamento de forma confiável, e é por isso que muitos desenvolvedores recorrem a eles. Embora eles ofereçam resultados rápidos, não necessariamente ajudam a destacar conteúdos novos ou menos conhecidos. Para encontrar um equilíbrio, alguns desenvolvedores dividem suas recomendações em carrosséis: a primeira linha mostra o conteúdo de "exploração" (o testado e verdadeiro), enquanto a segunda linha destaca o conteúdo de "exploração" (o novo e desconhecido). É uma maneira fácil e eficaz de gerenciar a descoberta de conteúdo. Enquanto os sistemas de recomendação de exploração podem se basear em atributos básicos, como preço, descrição ou tipo de compra, os modelos de exploração podem considerar sinais adicionais, como cor, uso de tema ou tom. Este conjunto de dados mais rico ajuda o sistema a fazer previsões mais inteligentes e precoces sobre quais jogadores podem se envolver com o conteúdo, preenchendo a lacuna enquanto você coleta dados comportamentais suficientes para validar o desempenho.

Visão do Desenvolvedor: SciPlay
A retenção é a nova aquisição. Cada jogador de alta qualidade perdido é um custo futuro que você terá que recuperar através de caras campanhas de UA. É por isso que a SciPlay investiu pesadamente em modelos preditivos de churn - não apenas para identificar quando os jogadores podem sair, mas também para envolvê-los com intervenções personalizadas antes que eles cheguem a esse ponto. Tais modelos melhoraram nossa precisão em mais de 10x e nos ajudaram a evitar a armadilha do direcionamento errado, onde um esforço de retenção bem-intencionado pode realmente sair pela culatra. Quando tudo está dito e feito, trata-se de entregar a experiência certa para o jogador certo no momento certo.

Construindo Jogos Melhores com Recomendações

Os desenvolvedores de jogos devem pensar sobre sistemas de recomendação não apenas como um aprimoramento pós-lançamento, mas como componentes estratégicos ao longo de todo o ciclo de desenvolvimento, especialmente em ambientes GaaS ou LiveOps.

Desde a modelagem de experiências de jogo até a informação sobre monetização e personalização, os recomendadores estão se tornando uma parte crítica da construção de jogos melhores e mais adaptáveis. Portanto, enquanto muitos casos de uso se enquadram na experiência do jogador ou na otimização de receita, algumas aplicações de recomendadores apoiam diretamente a redução de riscos no desenvolvimento.

Estes três casos de uso abaixo introduzem flexibilidade inteligente no processo de desenvolvimento de jogos, ajudando as equipes a testar, adaptar e ajustar o conteúdo antes de comprometê-lo com decisões importantes de design e produção.

Casos de Uso para Reduzir os Riscos do Seu Processo de Desenvolvimento

  • Equilíbrio do Jogo: À medida que você avança no ciclo de vida do desenvolvimento e passa de amigos e família - ou para alfa, lançamento suave, global e além - equilibrar seu jogo é um esforço constante.
  • Mapeamento de Dificuldade: Para jogos de quebra-cabeça simples, onde a dificuldade é relativamente unidimensional, heurísticas podem ser aplicadas. Quando você pensa em jogos mais dinâmicos onde os encontros podem ser gerados proceduralmente, os recomendadores se tornam ainda mais interessantes. Com base nos encontros passados do jogador, qual é a composição certa de um encontro onde eles vão ganhar XX% do tempo? Que tipos de inimigos, terreno, disponibilidade de armas ou poções de saúde devem fazer parte deste encontro para alcançar um objetivo particular?
  • Orientação de Conteúdo para Lançamento Suave: Esta é uma ramificação das abordagens de próximo melhor XXXX, mas importante ao longo do ciclo de vida do desenvolvimento do jogo. À medida que você desenvolve novo conteúdo para um título existente ou introduz novos recursos em um jogo que ainda está em pré-produção, é um esforço para fazer os jogadores se envolverem mais com esses sistemas. Embora e-mails, vídeos e missões selecionadas sejam frequentemente usados e úteis para guiar os jogadores através das novas ofertas, eles costumam ser uma abordagem estática e generalizada. Com o uso de recomendadores, é mais fácil guiar os jogadores para um novo conteúdo que ressoará com eles em um nível mais profundo.

Otimizando LiveOperations para Melhorar a Jogabilidade

O último conjunto de casos de uso se enquadra no guarda-chuva de LiveOperations, ou Live Ops. São aplicações dinâmicas, no momento, que priorizam a experiência personalizada e centrada no jogador para melhorar a jogabilidade contínua.

Abaixo estão três casos de uso chave do LiveOps onde os recomendadores ajudam os desenvolvedores a oferecer experiências de jogo mais envolventes, responsivas e personalizadas.

Casos de Uso de Recomendadores Dentro do LiveOps

  • Recomendadores de Amigos / Sociais: A introdução de um engajamento social significativo dentro de um título é muitas vezes uma maneira eficaz de melhorar a retenção do jogador. Embora tenhamos recebido feedback de que qualquer interação social, mesmo as negativas, melhora a retenção, a criação de conexões significativas é muito mais eficaz e saudável. Com os recomendadores, você pode levar em conta detalhes sobre o estilo de jogo do jogador, suas preferências de comunicação, os horários em que eles jogam e os tipos de tópicos que parecem achar interessantes para ajudá-los a encontrar outros para jogar. Para jogos baseados em esquadrões, inclua detalhes sobre os tipos de personagens que eles gostam de jogar e permita que seus jogadores conheçam possíveis membros da equipe para suas partidas.
  • Recomendadores de Servidores de Jogo: As recomendações de servidores de jogos são feitas com um pequeno número de variáveis: ping, disponibilidade, jogadores na fila e, se apropriado, ELO dos jogadores na fila. Para a maioria dos jogos competitivos em tempo real, essas informações serão suficientes. Quando você começa a considerar jogos onde a latência é menos importante, onde um jogador pode ser permanentemente atribuído a um servidor ou onde existem aspectos sociais pesados no jogo, considere uma abordagem de recomendador. Ao aproveitar um recomendador, é simples construir servidores de jogos focados na comunidade, onde o objetivo é reunir jogadores que terão uma experiência positiva uns com os outros.

Insight do Desenvolvedor: SciPlay
LiveOps é onde a ciência dos dados encontra a arte do timing e do desafio. Trata-se de encontrar o equilíbrio certo para manter os jogadores engajados com experiências significativas, evitando fadiga ou frustração. Ao aproveitar modelos projetados para estender naturalmente a sessão de um jogador, identificar o momento exato em que um jogador provavelmente vai se desengajar torna menos complexo entregar a experiência certa para mantê-los imersos. O objetivo não é simplesmente adicionar mais conteúdo, mas também garantir que cada interação faça sentido para a experiência individual do jogador.

Construindo Recomendadores na Indústria de Jogos

Coleta e Preparação de Dados

Não é segredo que os sistemas de recomendação dependem fortemente de dados. Mas que tipo de dados você precisa? E quais tipos são mais úteis? Como na maioria das coisas em ciência de dados, a resposta é: depende.  

Diferentes tipos de recomendadores são otimizados para diferentes metas, tipos de conteúdo e comportamentos do usuário. Quando você está recomendando, para quem e em que contexto, todos moldam os requisitos de dados. Por exemplo, um sistema projetado para aumentar a duração da sessão de jogo pode priorizar diferentes sinais do que um focado em maximizar a monetização ou o engajamento social.

Dito isso, existem temas comuns na maioria dos casos de uso na coleta de dados. Em uma loja online ou cenário de IAP, a atividade de compra é um dos sinais mais úteis. Em outras palavras, comprar algo é uma forte classificação implícita. Da mesma forma, se você está recomendando níveis, mapas ou outras experiências no jogo, é importante rastrear o que os jogadores estão jogando, quanto tempo estão jogando e com que frequência retornam. Certifique-se de marcar esses eventos com um carimbo de data/hora. Com o tempo, as preferências dos jogadores evoluem, novos conteúdos são introduzidos e os metas mudam, então dados desatualizados podem reduzir o desempenho do modelo.

Além de avaliações implícitas ou explícitas, características densas ou categóricas podem enriquecer seus modelos. Por exemplo, classificações, como ESRB, PEGI ou ELO, podem ser úteis como entradas e filtros rígidos a jusante. Atributos de conteúdo, como violência, linguagem ou conteúdo sexualmente explícito, também podem servir como informações para alimentar seus modelos.

Você também vai querer considerar dados contextuais do jogador: horário do dia em que eles normalmente jogam, características do dispositivo e da plataforma, localização e mais. Para títulos multiplataforma, o contexto é especialmente importante, pois um jogador pode preferir uma sessão rápida no celular, mas conteúdo mais longo e complexo no PC. Essas preferências também devem informar quais recomendações são servidas em cada cenário.
Para suportar as funcionalidades do recomendador, sua empresa precisará coletar, unificar e organizar dados em escala. As percepções virão de várias fontes: telemetria no jogo, lojas e até plataformas externas, como Steam ou Google Play Store. É por isso que um data lakehouse é bem adequado para jogos e fornece um ambiente centralizado para ingerir, processar e armazenar dados para treinamento e pontuação de modelos de recomendação para elevar a experiência do jogador.

Treinamento do modelo

Existem tantas abordagens de modelagem e padrões de implementação para sistemas de recomendação quanto casos de uso, se não mais. Desde o advento do famoso modelo de recomendações da Netflix, este espaço se tornou um grande foco tanto na academia quanto na indústria, resultando em uma ampla gama de inovações. Assim como na coleta de dados, não há uma abordagem única para todos: a arquitetura do modelo certo depende inteiramente do seu caso de uso específico, dados e objetivos.

Dito isto, jogos online em grande escala com dados comportamentais ricos podem muitas vezes se beneficiar de recomendadores baseados em aprendizado profundo moderno. TorchRec é um framework flexível e de produção que tem sido usado efetivamente em muitas equipes. Uma arquitetura comum de primeira fase no TorchRec é o modelo de duas torres, que gera embeddings para usuários (via uma torre) e itens (via a outra). Esses embeddings são então usados para busca de similaridade, combinando as preferências do jogador com o conteúdo.

Vetores do lado do usuário podem ser comparados com embeddings do lado do item armazenados em um banco de dados de vetores para recuperar rapidamente, por exemplo, os dez itens mais relevantes. Estes podem ser apresentados diretamente ou passados como um modelo de segunda etapa que leva em conta as características cruzadas entre o jogador e cada item para fornecer um ranking refinado e uma personalização mais profunda.

Simplificando, o sistema funciona como um funil:

  • O catálogo completo de itens aparece no topo.
  • Um modelo de primeira etapa o reduz a um subconjunto relevante.
  • Um modelo de segunda fase reclassifica esses itens com base em um contexto mais detalhado.
  • Filtros adicionais (por exemplo, adequação à idade, exclusões de contexto) são aplicados conforme necessário.

O treinamento desses modelos de aprendizado profundo normalmente requer GPUs e computação distribuída. Ferramentas como TorchDistributor ou Ray Train são comumente usadas para gerenciar o treinamento paralelo em vários nós. Dados pré-processados podem ser transmitidos usando soluções como Mosaic Streaming ou Ray Data. A seleção de modelos e o ajuste de hiperparâmetros são frequentemente executados em paralelo em subconjuntos de dados, com os resultados avaliados contra um conjunto de dados de validação.

Para gerenciar a complexidade desses fluxos de trabalho, incluindo código, métricas, parâmetros e artefatos, o MLflow desempenha um papel crítico. Ele permite o rastreamento centralizado de experimentos, comparação e versionamento, garantindo que sua equipe permaneça alinhada sobre o que está funcionando e onde iterar a seguir.

Teste e Avaliação de Modelos

Uma vez que seu modelo de recomendação foi treinado, avaliar sua eficácia é crítico em termos de métricas de modelo bruto e seu impacto na experiência do jogador e nos resultados de negócios. Geralmente, há duas fases para este processo: uma sendo a avaliação offline (antes da implantação) e a outra sendo a avaliação online (pós-implantação).

Avaliação Offline

O teste offline acontece antes do modelo estar ao vivo e se concentra em quão bem o modelo se comporta com dados históricos. Este é o seu primeiro sinal de que o modelo está funcionando conforme o esperado. As métricas comuns para testes offline incluem:

  • Precisão / Recall: Especialmente útil em cenários de recomendação Top-K para medir se os itens certos estão entre as recomendações.
  • Mean Reciprocal Rank (MRR): Útil quando a classificação importa. Isso lhe diz o quão perto do topo o item certo apareceu.
  • Normalized Discounted Cumulative Gain (NDCG): Outra métrica de classificação que recompensa itens corretos mais altos na lista.
  • RMSE / MAE: Usado ao trabalhar com classificações ou pontuações previstas (por exemplo, o quanto o usuário deve gostar de um item).
  • Personas de Compra Geradas por LLM: Meça a relevância de suas recomendações em comparação com sua persona geral. Escolher um subconjunto de usuários para continuar testando ajuda a avaliar vários modelos ao longo do tempo.

É importante testar em diferentes fatias da população (por exemplo, novos jogadores vs. jogadores que retornam, mobile vs. desktop ou baixo engajamento vs. alto engajamento) para identificar quaisquer possíveis vieses ou lacunas de desempenho.

No entanto, a avaliação offline por si só não é suficiente, então também existem métodos de avaliação online.

Avaliação Online

Uma vez que o modelo é implantado, os testes online ajudam a determinar o impacto real nos negócios e no jogador. Isso inclui o clássico teste A/B (ou técnicas de bandit multi-armado em configurações avançadas), onde você compara o comportamento dos usuários expostos ao novo modelo versus um grupo de controle.

Ao realizar testes A/B, considere métricas como:

  • Engajamento: Sessões por jogador, duração da sessão e tempo até a próxima sessão.
  • Conversão: Taxa de compra, Receita Média Por Usuário (ARPU) e seleção de pacotes.
  • Retenção: Retenção de 1/7/30 dias e curvas de decaimento de coorte.
  • Satisfação do Jogador: Sinais indiretos como redução de churn, sentimento de chat no jogo e volumes de tickets de suporte.

Armadilhas Comuns

  • Incompatibilidade Offline/Online: Um modelo que se comporta bem offline pode ainda se comportar mal online devido a deriva, recursos ausentes ou diferenças na infraestrutura de serviço.
  • Grupo de Teste Pequeno: Não atingir a significância estatística leva a resultados inconclusivos e tempo desperdiçado.
  • Duração Curta do Teste: Alguns efeitos (por exemplo, mitigação de churn) só aparecem em prazos mais longos e requerem paciência e rastreamento cuidadoso de coorte.

Implantação e Inferência do Modelo

Uma vez que você tenha um modelo de recomendação, e seus stakeholders estejam satisfeitos com a avaliação inicial, é hora de implantá-lo em produção. Isso geralmente se parece com um processo de várias frentes: pontuação offline de recomendações para pré-computar itens para servir aos jogadores com antecedência (em modo batch ou streaming) ou pontuação online, onde os resultados são sempre calculados na hora.

Databricks suporta ambos os cenários igualmente bem, com capacidades de lote e streaming poderosas e eficientes, além da capacidade de servir esses mesmos modelos com serviço de modelo online. Felizmente, a governança entre todas essas abordagens usa o mesmo mecanismo subjacente: Unity Catalog. Os modelos são registrados no Catálogo Unity, juntamente com outros objetos, como tabelas, funções e arquivos, com todas as versões e permissões necessárias para governá-los de forma eficaz, proporcionando um ambiente coerente e consistentemente seguro para suas equipes prosperarem.

Uma vez que um modelo foi registrado no catálogo, ele recebe um alias pelo qual os pipelines downstream podem referenciá-lo, para que eles sempre obtenham o mais recente que sua equipe publicou (por exemplo, models:/production.personalization.two_tower_item_recommender@champion) para o melhor modelo de duas torres a ser usado.

As tabelas de recursos são implantadas de maneira semelhante. Quando os modelos são publicados usando o cliente de engenharia de recursos, todas as consultas de recursos e funções de transformação são automaticamente capturadas como metadados. Isso significa que as equipes downstream só precisam fornecer uma chave de usuário e um carimbo de data/hora para recuperar recomendações, pois todo o resto é gerenciado pela biblioteca de engenharia de recursos. Os modelos também podem ser implantados ou atualizados para pontos de atendimento online usando a mesma fonte usada para implantações em lote e streaming, garantindo consistência em todos os caminhos de inferência.

Monitoramento de modelos

Ter uma capacidade de avaliação online eficaz é ainda mais importante do que sua capacidade offline porque o recomendador está afetando todas as suas métricas de negócios, não importa onde ele esteja. Mesmo que você obtenha uma boa pontuação RMSE para o seu modelo durante o treinamento, se ele começar a prejudicar sua receita, avaliações ou outras métricas, é importante saber do problema imediatamente. Portanto, é comum adotar uma das várias estratégias de medição e complementar isso com as técnicas de implantação necessárias, como implantações de teste A/B.

Semelhante ao alias @champion, considere implantar um modelo de alias @challenger e enviar, por exemplo, uma porção menor do tráfego para o modelo desafiante para ver como ele se comporta com o impacto real do usuário e dos negócios. Aproveite as ofertas do Databricks Lakehouse Monitoring para ajudar a capturar estatísticas e métricas de deriva sobre seus dados e tabelas de séries temporais, juntamente com suas tabelas de inferência e resultados. Desta forma, sua equipe pode medir e acompanhar essas mudanças ao longo do tempo, alcançando resultados reais de negócios com seus sistemas de recomendação.

Usando Databricks Para Tornar os Jogos Mais Intuitivos

Independentemente do tipo de jogo que você está fazendo, os recomendadores têm um potencial extremo para ajudar sua empresa a construir uma experiência centrada no jogador.

Ao construir em cima de uma plataforma de dados integrada, alimentada por um Lakehouse, você criará recomendadores que aproveitam insights de grandes volumes de dados e uma ampla variedade de fontes de dados, dando à sua equipe uma visão holística de seus jogadores, suas preferências e experiências em seu jogo. Sem um lakehouse, provavelmente você perderá detalhes importantes sobre seus jogadores, resultando em recomendações sub-ótimas.

Sem uma Plataforma de Dados, sua equipe gastará mais tempo focada na conectividade e nas ferramentas técnicas subjacentes e menos tempo gerando insights acionáveis. A boa notícia é que os recomendadores estão evoluindo continuamente, e novas capacidades de ML estão sendo desenvolvidas para aumentar sua eficácia. Uma plataforma de dados que permite operações de ML de primeira classe, testes A/B, o rastreamento de resultados e a implantação de produção de novos modelos agora é indispensável.

A plataforma também deve ter ferramentas que permitam uma engenharia de recursos mais fácil, como análise de conversação, e que construam confiança na percepção derivada através de uma sólida base de governança e linhagem de dados, como Unity Catalog. Databricks torna mais fácil investigar, criar, testar e implantar sistemas de recomendação de produção para empresas de jogos de forma econômica. 

Se você quiser saber mais sobre como o Databricks ajuda as empresas de jogos com esses e outros casos de uso, confira databricks.com/games ou entre em contato com seu executivo de contas. Você também pode aprender mais sobre dados, IA e jogos em nosso eBook ou através de nossos aceleradores de solução

 

(This blog post has been translated using AI-powered tools) Original Post

Nunca perca uma postagem da Databricks

Inscreva-se nas categorias de seu interesse e receba as últimas postagens na sua caixa de entrada