Data Science aplicado a jogos: meu estágio na Wildlife Studios

Por que a parte difícil não é escrever a query, e sim descobrir qual pergunta vale a pena responder.

Por Gabriel Lucena, Data Science Intern · setembro 2026

Antes da Wildlife Studios, eu era estudante de matemática aplicada na Unicamp e já tinha alguma experiência criando versões fan de jogos antigos. Aprender a construir esses jogos me ensinou como um jogo funciona por dentro, mas eu também queria trabalhar com dados. Na Wildlife, encontrei a chance de juntar os dois mundos e trabalhar com Data Science aplicado a jogos.

Trabalhar com dados é entender como o jogador se relaciona com o jogo

Entrei no começo do ano passado, no time de New Games Insights. Imaginava que ia explorar os dados, escrever algumas queries e gerar gráficos para responder perguntas, mas logo percebi que o escopo era muito mais amplo do que isso. Para cada pergunta aparentemente simples — “por que os jogadores estão parando nesse nível?” — eu precisava entender o que a gente queria medir, por que queria medir aquilo e como responder. Entender se estamos respondendo à pergunta certa é fundamental. E saber quais resultados e descobertas são de fato valiosos importa tanto quanto. A maior parte do trabalho acontece antes do código: entender o problema e discutir com o time até chegar lá. É mais lento e muito mais colaborativo do que eu imaginava, e é exatamente isso que deixa o trabalho empolgante.

Meu trabalho é entender como o jogo funciona de verdade: o que o torna divertido, o que faz o jogador querer jogar uma vez mais, o que o faz gastar dinheiro. Também buscamos entender o que está funcionando e o que não está. É comum, por exemplo, investigar a calibragem do jogo para descobrir quando a economia está quebrada — e por que está quebrada, para conseguirmos agir sobre isso.

Uma das minhas primeiras análises foi exatamente essa. Os jogadores estavam acumulando uma quantidade enorme de moedas. Olhei o saldo de moedas ao longo dos níveis e o acúmulo ficou evidente. Depois quebrei os dados entre ganhos e gastos de moedas dos jogadores: os gastos eram baixos e constantes de um nível para o outro, enquanto os ganhos só cresciam. A proposta foi calibrar a mecânica de ganho que aumentava a renda do jogador de forma exponencial e seguir discutindo quais oportunidades tínhamos de aumentar os gastos ao longo da progressão. A conclusão foi clara o bastante para que a calibragem da economia entrasse como prioridade no roadmap.

Enquanto estive no New Games Insights, trabalhei em vários protótipos de jogos que estávamos testando e desenvolvendo para melhorar cada jogo como produto. É muito legal mergulhar em vários jogos ao mesmo tempo: dá para comparar como os jogos funcionam e melhorar o nosso próprio produto e, às vezes, é preciso entender um jogo muito a fundo e propor formas criativas de destrinchar um problema. Hoje trabalho em dois jogos com mais profundidade. Ter passado por vários antes me deu repertório: cada jogo tem um tipo diferente de problema e, depois de alguns, você começa a reconhecer os padrões.

De um hackathon a um projeto de verdade

De vez em quando a gente se afasta das atividades principais para participar de um hackathon, em que é possível construir um jogo inteiro em três dias ou tocar outro tipo de projeto. No meu primeiro, escolhi desenvolver um bot capaz de responder perguntas abertas sobre o comportamento dos jogadores. A ideia era liberar nosso tempo para as perguntas mais demoradas e dar autonomia para os product managers conseguirem respostas fora dos dashboards, de forma mais rápida.

A ideia e o potencial eram bons, e decidimos continuar com o projeto depois do hackathon. Ele virou meu projeto principal por um tempo: o bot rodava no nosso Slack e tínhamos jobs em produção. Mas, no fim, a adoção não se sustentou para justificar a priorização — e decidimos parar de investir no projeto.

Na prática, não funcionou como esperávamos, e seguimos para o próximo projeto de jogo. Mas, ao longo do desenvolvimento, eu ampliei bastante meu conhecimento e aprendi a quebrar uma pergunta aberta em três partes: o que queremos medir, por que queremos medir e como responder — transformando uma pergunta vaga em uma análise fechada, confiável e rigorosa. Esses padrões me deixaram melhor nos jogos em que trabalhei depois e também me ajudaram a melhorar nossas bibliotecas e ferramentas — as que permitem construir as análises mais comuns de forma mais rápida e com mais confiança. No fim, o processo de trabalhar nesse projeto foi importantíssimo para a forma como trabalho hoje.

IA para ir mais fundo nas análises

Esses padrões viraram o fluxo de trabalho que uso todos os dias. Montei uma forma de trabalhar em que a IA agêntica cuida da parte operacional da análise: escrever código, montar notebooks, gerar dashboards. Eu fico com a parte que exige julgamento de verdade: entender o problema, questionar as hipóteses e decidir o que a análise precisa provar antes que eu acredite nela.

No dia a dia, o trabalho operacional deixou de ser o gargalo. Uma análise que antes levava dias hoje flui muito mais rápido e com mais consistência, porque o processo está padronizado e é reprodutível. As bibliotecas e ferramentas que construímos juntos ajudam nessa consistência: elas dão funções e convenções padrão que combinamos como time, então conseguimos confiar no que estamos produzindo. Isso me deixa livre para gastar meu tempo nas perguntas que são realmente difíceis.

E não sou só eu. Vi o uso de IA crescer muito no time no último ano e meio. A pergunta não é mais “vale a pena usar?”, e sim “como usar bem?”.

A cultura de dados que encontrei aqui

Antes de entrar, eu não sabia muito bem o que esperar: era minha primeira experiência em uma empresa de tecnologia. O que encontrei me surpreendeu — decisões realmente tomadas com base em dados, e discussões técnicas profundas. Dados não são um monte de relatórios que às vezes são pedidos no fim do processo: eles fazem parte de como as decisões são tomadas desde o começo.

Mas o que mais me impressionou foi a autonomia. Como estagiário, eu esperava receber tarefas bem definidas e executá-las. Em vez disso, participo da discussão desde o início e ajudo a direcionar as prioridades. E o time genuinamente quer que eu tire o máximo dessa experiência.

Nesse período tive dois gestores, e ambos me dedicaram tempo e me apoiaram com oportunidades consistentes. Estavam sempre por perto, trazendo desafios para eu aprender da melhor forma, e me incentivaram a questionar as coisas, a entender por que estávamos fazendo aquilo e a dar minha opinião. “Por que estamos fazendo desse jeito?” nunca foi uma pergunta ruim aqui — era uma pergunta esperada.

O processo é a parte divertida

Aqui o que vale é a evolução e o aprendizado constante. Você tem que pensar, questionar, testar e experimentar até chegar à melhor ideia. Repetir até melhorar. Com o tempo, fica mais fácil enxergar o progresso em pequenos passos.

Na Wildlife, aprendemos que os melhores resultados não nascem de métodos ou processos complicados, e sim de uma equipe unida. Só esse ambiente me mostrou que podemos nos desenvolver e ajudar uns aos outros crescendo juntos.

Entrar nessa caminhada sem receio, falhar rápido, ajustar e seguir. A ideia de nunca estar pronto é o que me mantém andando, e aqui — dentro dessa cultura — tenho certeza de que vou continuar evoluindo. Esse é um bom lugar para crescer.