MACHINE LEARNING E ESTATÍSTICA PARA ESTIMAÇÃO DE FATURAMENTO COM O JOGO LEAGUE OF LEGENDS

Resumo

Este trabalho teve como objetivo desenvolver um modelo preditivo capaz de estimar o faturamento anual da empresa Riot Games com o jogo League of Legends (LoL), utilizando técnicas de Machine Learning (ML) e dados públicos relacionados aos conteúdos lançados no jogo. LoL é um dos jogos eletrônicos mais populares do mundo. Cada partida deste jogo envolve dois times de cinco jogadores, estrategicamente posicionados, cujo principal objetivo é destruir a base inimiga. Os jogadores podem escolher entre mais de 160 personagens disponíveis, chamados campeões. Os campeões são obtidos de forma gratuita e cada um possui uma aparência padrão que reflete sua história dentro do universo do jogo. Contudo, é possível personalizar esses campeões adquirindo skins, que modificam sua aparência visual. As skins são compradas com dinheiro real e existem diversas opções, organizadas por níveis e preços. À medida que o valor aumenta, mais detalhes visuais e efeitos personalizados são incluídos. Embora LoL funcione sob o modelo free-to-play (gratuito para jogar), ele se destaca como um dos jogos online mais lucrativos, principalmente devido à venda dessas skins. Mesmo com o sucesso comercial, a Riot Games não divulga detalhadamente seus dados financeiros, tornando desafiadora a compreensão do impacto econômico de suas estratégias de conteúdo. Para atingir o objetivo proposto, foram coletados e organizados dados históricos sobre campeões, skins e eventos a partir de fontes públicas confiáveis, como o League of Legends Fandom. O pré-processamento dos dados incluiu a transformação em vetores de características adequados para aplicação em modelos de ML. Foram implementados e comparados modelos de Regressão Linear, Árvore de Decisão e Random Forest, avaliando seu desempenho na previsão do faturamento. Uma técnica de redução de dimensionalidade, a Análise de Componentes Principais (PCA), foi aplicada para otimizar os modelos e melhorar a interpretabilidade dos resultados. Os resultados indicaram que o modelo Random Forest, especialmente quando combinado com técnicas de normalização e PCA, apresentou melhor desempenho na previsão do faturamento. Apesar das limitações decorrentes da utilização de estimativas de faturamento obtidas em sites de notícias e fóruns, os modelos conseguiram captar tendências gerais, oferecendo insights valiosos sobre os fatores que influenciam a receita da Riot Games. O estudo evidencia a viabilidade de aplicar técnicas de ML na previsão de faturamento em contextos com dados limitados ou parcialmente indisponíveis.