Desvendando as preferências dos gamers: análise preditiva e mercadológica da indústria de jogos

Resumo

A presente pesquisa teve como objetivo central investigar as preferências dos jogadores em plataformas de jogos digitais, como a Steam, estabelecendo uma relação entre o feedback textual fornecido em suas avaliações e seu comportamento de jogo. Para tal, adotou-se uma abordagem metodológica quantitativa e exploratória, baseada na análise de dados extraídos da própria plataforma via APIS (Application Programming Interface). O estudo empregou uma série de técnicas de processamento e modelagem. A análise de sentimentos, utilizando o léxico VADER da biblioteca NLTK, revelou uma tendência significativa de avaliações positivas para os jogos mais populares (como maior número de avaliações no período estudado. Em seguida, a análise de redes foi utilizada para mapear os padrões de co-avaliação entre jogos, onde arestas foram ponderadas pela soma do tempo de jogo, evidenciando afinidades e comunidades de jogadores com interesses em comum. O passo mais significativo foi a construção de um modelo de classificação preditiva. O texto das avaliações foi vetorizado usando a técnica de TF-IDF, e um modelo de classificação K-Nearest Neighbors (KNN) foi treinado para prever se uma avaliação seria classificada como positiva (voted_up). Os resultados obtidos foram significativos e validaram a tese da pesquisa. O modelo de classificação alcançou métricas de desempenho relevantes, com uma Acurácia de 0.91, Precisão de 0.92, Recall de 0.99 e F1-Score de 0.95. Tais pontuações indicam que o texto das avaliações é um preditor altamente poderoso e confiável para determinar o sentimento do jogador. A contribuição da pesquisa reside na demonstração da eficácia de técnicas de text mining na compreensão do feedback de usuários em larga escala, oferecendo uma ferramenta robusta para o monitoramento da satisfação dos jogadores com os jogos que lhe foram apresentados, e é uma abordagem fundamental para decifrar as preferências de jogo.