Como as recomendações personalizadas melhoraram a experiência do jogador no Boost Casino

Visão geral

O Boost Casino buscava migrar de um lobby estático, com curadoria manual, para um layout de jogo personalizado e adaptável. O objetivo era melhorar os principais indicadores de desempenho e, ao mesmo tempo, reduzir a carga de trabalho manual contínua.

Trabalhando em estreita colaboração, as duas equipes introduziram dois recursos principais de personalização: uma seção de recomendações na página principal do cassino e um pop-up de “jogos semelhantes” exibido quando um jogador fecha um jogo.

Para medir o impacto com precisão, as equipes realizaram um teste A/B: um grupo de jogadores continuou vendo o lobby original, enquanto o outro grupo recebeu a experiência personalizada.

Durante o experimento, a marca observou um aumento tanto no volume de apostas quanto no GGR por jogador. Uma métrica proxy fundamental — o número de jogos únicos jogados por jogador — também apresentou um leve crescimento. Após o término do teste A/B, ambas as equipes continuaram monitorando o desempenho, e o aumento permaneceu estável nos meses seguintes. Com o tempo, os jogadores passaram a utilizar cada vez mais os módulos de recomendação, que se tornaram a principal fonte de descoberta de jogos na marca.

Colaboração

O principal objetivo do Boost Casino era abandonar a forma única e uniforme de organizar os jogos no lobby e, em vez disso, oferecer conteúdo mais relevante para cada jogador individualmente. Essa abordagem visava ampliar o portfólio de jogos dos jogadores, fortalecer a fidelidade à marca e melhorar os principais indicadores financeiros.

Por meio de uma colaboração estreita entre as equipes de produto, as empresas encontraram uma maneira ideal de introduzir a personalização no lobby existente sem prejudicar a UX, que já era sólida. Ao mesmo tempo, as seções personalizadas foram posicionadas em locais de alta visibilidade para maximizar o impacto.

Usando as ferramentas de back-office da Zing, o parceiro compreendeu rapidamente a estrutura da API, os resultados personalizados e os dados necessários. A equipe técnica deles também forneceu acesso ágil para controle de qualidade, permitindo testes minuciosos antes do lançamento.

Apesar de uma arquitetura interna complexa e múltiplas dependências de plataforma, o sucesso foi possível graças à forte cooperação entre as equipes. A integração foi concluída rapidamente e implementada sem problemas críticos que pudessem afetar a experiência do jogador.

A etapa final concentrou-se na avaliação dos resultados. Análises detalhadas — incluindo análise baseada em percentis e o método CUPED — demonstraram claramente o crescimento e ajudaram o parceiro a tomar uma decisão objetiva de continuar a colaboração e expandir ainda mais a personalização em todo o produto.

Visão geral da solução

Dois módulos de personalização foram introduzidos na marca para abranger tanto a descoberta no lobby quanto a continuidade do jogo durante a sessão.

A IA da ZingBrain continua classificando os jogos pela relevância para o jogador, mas utiliza configurações de prioridade como um sinal de negócio adicional. As equipes podem validar o impacto por meio de testes A/B e análises.

Seção de Recomendações Principais

Este é o módulo central personalizado que reflete as principais preferências de cada jogador. Ele combina títulos familiares que o jogador já aprecia com novos jogos que ele ainda não descobriu.

Para cada jogador, o sistema calcula uma Pontuação de Descoberta — uma medida de quão disposto ele está a experimentar novos jogos — e adapta a proporção entre títulos novos e conhecidos de acordo com isso.

O pós-processamento também é aplicado para garantir que as recomendações permaneçam atualizadas e não se repitam com muita frequência.

Pop-up de Jogos Semelhantes ao Sair do Jogo

Quando um jogador fecha um jogo, antes de retornar ao lobby, ele vê um pop-up com títulos semelhantes ao que acabou de jogar.


A similaridade é calculada usando uma ampla gama de parâmetros, incluindo tipo de jogo, recursos, tema, volatilidade e sinais de filtragem colaborativa.


Isso permite que o sistema apresente as alternativas mais relevantes para cada jogo disponível na marca.

‍

Análise de Resultados

Como o volume de apostas (turnover) e o GGR são métricas altamente voláteis, foi importante abordar a análise de forma abrangente e isolar o impacto real da personalização — independentemente da sazonalidade, flutuações de tráfego ou outros fatores externos.

A consistência desse aumento e sua estabilidade ao longo de um período prolongado demonstraram que a personalização gera um efeito positivo, levando o parceiro a continuar e expandir a colaboração.

Vários métodos analíticos foram utilizados: corte de grupos por percentis, aplicação do método CUPED, revisão dos valores medianos por jogador para jogadores de longo prazo e verificação da significância estatística por meio de valores-p.

Com base na análise conjunta realizada por ambas as equipes de análise, a conclusão foi clara: houve um aumento tanto no turnover quanto no GGR por jogador. A principal métrica de proxy — o número de jogos únicos jogados por jogador — também apresentou um leve aumento.

‍

Conclusão e Próximos Passos

A introdução de recomendações personalizadas provou ser um passo significativo para o Boost Casino, proporcionando um aumento claro e sustentado nas principais métricas de desempenho, ao mesmo tempo em que fortalece a experiência geral do jogador. A colaboração entre as equipes mostrou que a personalização pode ser integrada de forma rápida, segura e com impacto mensurável — mesmo dentro de uma estrutura de plataforma complexa.

Olhando para o futuro, ambos os lados planejam expandir a personalização para pontos de contato adicionais, explorar novos sinais em tempo real e testar cenários de descoberta mais avançados. Esses próximos passos visam desbloquear um engajamento ainda mais profundo e criar uma experiência de cassino centrada no jogador e em constante evolução.