Analista de dados num casino: BI, métricas GGR/NGR e faixas salariais

Num casino, cada rodada de uma slot, cada depósito e cada recusa de bónus é uma linha numa base de dados. Alguém tem de transformar milhões dessas linhas em números compreensíveis: quanto é que a plataforma ganhou de facto, quem vale a pena reter com um bónus e a quem já é altura de mostrar limites de depósito. É este o trabalho do analista de dados — uma das profissões mais procuradas e, ao mesmo tempo, das menos «gambling» à primeira vista no iGaming: por fora são SQL e dashboards, por dentro são métricas que não aparecem nos manuais de analítica de produto. Analisamos o que faz um analista de dados num casino, que números tem na cabeça todos os dias, que stack é preciso, em que esta função difere da analítica de produto clássica e quanto se paga por ela em 2026.

A procura por esta função cresce mais depressa do que para a maioria das outras profissões da indústria: os operadores expandem simultaneamente o número de mercados, acrescentam novos fornecedores de jogos e apertam os requisitos regulatórios de transparência de relatórios — e sem alguém capaz de tirar deste fluxo um número rigoroso e defensável perante um auditor, nenhum destes processos funciona.

O que faz um analista de dados num casino

Formalmente, a função chama-se Data Analyst ou BI Analyst, mas na prática é o elo de ligação entre o produto, o marketing, o CRM, o compliance e o diretor financeiro — todos aparecem regularmente com a pergunta «e como estão os números». Principais áreas de responsabilidade:

• Reporte regular. GGR e NGR por produto (slots, casino ao vivo, apostas desportivas), geo, segmento VIP e fornecedor de jogos — normalmente numa base semanal e mensal para a direção.
• Dashboards self-serve. Tableau, Power BI ou Looker para as equipas de CRM, marketing e produto, para que os gestores vejam os números sozinhos, em vez de pedirem análises por mensagem privada todos os dias.
• Testes A/B. Verificação de hipóteses sobre mecânicas de bónus, funil de registo, landing pages e campanhas de email/push — tendo em conta que os ganhos dos jogadores distorcem fortemente a amostra.
• Modelos de LTV e de churn. Previsão de quanto NGR um jogador vai trazer ao longo de toda a sua vida na plataforma, e quais dos jogadores ativos agora vão sair no próximo mês.
• Segmentação de jogadores. Análise RFM, clustering por comportamento — a base para as campanhas de CRM e para definir os limiares de VIP.
• Investigações ad hoc. «Porque é que o NGR caiu na Alemanha na semana passada» — e já o analista está a cruzar a taxa de câmbio, o orçamento de marketing, o downtime técnico e a nova lei sobre limites.

Uma parte à parte, e cada vez mais importante, do trabalho são as investigações conjuntas com as equipas de antifraude e compliance: padrões anómalos de apostas, sinais de multicontas ou de abuso de bónus veem-se primeiro nos dados, e o analista de fraude trabalha quase às cegas sem os extratos do analista de dados.

Métricas sem as quais não se pode viver: GGR, NGR, RTP, LTV, retenção

A primeira coisa que um analista vindo do e-commerce ou do SaaS aprende no iGaming: aqui não se conta MRR nem DAU, conta-se GGR e NGR, e confundi-los é como confundir receita com lucro.

A particularidade do casino é que o GGR e o NGR são métricas extremamente «ruidosas»: um único jackpot grande pode derrubar o GGR diário de todo um produto, e a primeira tarefa do analista é ensinar a direção a não entrar em pânico com quedas de um dia e a olhar antes para a média móvel.

Os investidores e o conselho de administração interessam-se, por norma, mais pela evolução do NGR do que pela do GGR: um GGR a crescer com os custos de bónus a crescerem ainda mais depressa pode significar que o operador está apenas a comprar receita com promoções agressivas, em vez de fazer crescer uma base saudável de jogadores. Separar estes dois cenários é uma tarefa típica do analista na preparação do relatório trimestral e, sem um olhar por coortes (quanto NGR trazem os jogadores captados em janeiro passados três e seis meses), não é possível fazê-lo com honestidade.

O ciclo de trabalho: do dashboard à experiência

Quase não existe um «dia típico» único para um analista num casino — o conjunto de tarefas depende muito de trabalhar sozinho para um operador pequeno ou numa equipa de uma dezena de analistas dentro de um grande grupo. Mas o ritmo semanal é reconhecível na maioria das empresas:

Stack: SQL, Python e a camada de BI

A stack tecnológica não é exótica — a dificuldade não está nas ferramentas, mas no volume e na especificidade dos dados: cada spin num slot, cada aposta num casino ao vivo e cada evento nas apostas desportivas geram uma linha, e as tabelas crescem facilmente até milhares de milhões de registos.

• SQL — obrigatório e usado todos os dias. Joins complexos entre tabelas de transações e rondas de jogo, funções de janela para análise de coortes, otimização de queries em grandes volumes.
• Python (pandas, numpy, scikit-learn ou statsmodels). Modelos de LTV e de churn, automatização de relatórios regulares, estatística para testes A/B.
• Ferramentas de BI. Tableau, Power BI ou Looker/Looker Studio — dashboards self-serve para as equipas de CRM, marketing e VIP.
• Data warehouse. Snowflake, BigQuery, ClickHouse ou Redshift — devido ao volume de eventos (cada spin, cada aposta), a escolha do motor influencia muito a velocidade de trabalho do analista.
• dbt e orquestração (Airflow, Dagster). Nem sempre obrigatórios para junior/mid, mas aparecem cada vez mais e abrem caminho para analytics engineering.
• Estatística para experiências. Perceber porque é que um t-test normal falha em dados com ganhos grandes e raros, e como calcular a significância nessas condições.
• Excel/Google Sheets — continua bem vivo. Uma verificação rápida de uma hipótese, ou um relatório pontual para um único stakeholder, muitas vezes monta-se mais depressa numa folha de cálculo do que a criar um dashboard só para isso.

A especificidade do gambling acrescenta as suas nuances por cima da stack padrão: os eventos chegam não só do site e da app, mas também diretamente dos fornecedores de jogos e dos gateways de pagamento, o que obriga o analista a cruzar várias fontes de verdade e a perceber porque é que o número no relatório do fornecedor não bate certo com o tracking interno.

Um portefólio com um par de casos de SQL/Python e uma explicação clara de como se calcula o NGR costuma pesar mais do que um diploma em data science — os requisitos de stack nas vagas reais variam muito de empresa para empresa.

Quanto pagam por nível

Dominar Python e ter experiência a construir modelos preditivos (LTV, churn) costuma acrescentar 15–25% à faixa salarial, em relação a um perfil puramente SQL/BI do mesmo nível. A ficha completa com mais de 20 funções da indústria está em ficha de profissões.

Em que é que isto difere da análise de produto

Um analista que passa para o iGaming vindo de um produto clássico ou de SaaS costuma ter de reaprender três coisas:

• Um conjunto diferente de métricas-chave. Em vez de MRR, ARR e churn rate de subscrições — GGR, NGR, hold e RTP, que se calculam com fórmulas completamente diferentes e dependem muito da mecânica de bónus e das contribuições de licenciamento.
• O circuito regulatório à volta dos dados. O jogo responsável (Responsible Gambling) e os requisitos do licenciado significam que parte dos modelos não visa o crescimento da receita, mas sim métricas de risco obrigatórias: sinais de comportamento problemático, limites, self-exclusion.
• Volatilidade extrema da receita. Um único jackpot de várias centenas de milhares de euros pode «partir» o relatório diário de GGR de uma forma que nenhuma métrica de e-commerce normal se comporta — são precisos métodos robustos a outliers e médias móveis.
• Multijurisdicionalidade. O mesmo produto vive sob licenças diferentes (MGA, UKGC, Curaçao) em países diferentes — a segmentação por geo é obrigatória em quase todos os relatórios, não é opcional.
• Um círculo diferente de stakeholders. Em vez do habitual produto e marketing, aparecem o compliance, o antifraude e, em empresas com apostas desportivas, também a equipa de trading, que vive de métricas de margem e de movimento de linha, e não só de retenção.

Em contrapartida, transfere-se exatamente o mesmo: SQL, Python, estatística de testes A/B e a capacidade de explicar a um gestor não técnico o que significa o número do dashboard. O domínio — RTP, wager, GGR/NGR — aprende-se no local em dois meses. À parte ficam o betting e o betting de esports: aí acrescenta-se o trabalho com linhas e odds, e parte dos analistas acaba por se deslocar para junto do trading, onde as decisões se tomam em tempo real e não no fecho do relatório semanal.

Como entrar na profissão

1. O portefólio pesa mais do que o diploma. Um par de casos com dados públicos (por exemplo, calcular retenção ou LTV num dataset open-source), com SQL e Python claros, resolve a questão da formação formal.
2. Quase sempre há um teste prático. O formato típico é escrever uma query que calcule o NGR por dia e por segmento, ou interpretar um gráfico de retenção com uma queda artificial.
3. O domínio aprende-se no terreno. Os termos GGR, NGR, RTP, wager e hold são explicados no onboarding em 2–4 semanas — não é preciso saber a especificidade de antemão, mas o SQL e a estatística é melhor melhorá-los antes da entrevista.
4. Profissões vizinhas — entrada rápida. Experiência em BI ou em análise de produto de e-commerce/fintech transfere-se quase sem perdas.

Para onde crescer

Analista de dados num casino não é um cargo sem saída, é um hub de onde partem vários percursos ao mesmo tempo:

• BI / Analytics Engineer. Se o que te atrai não é construir modelos, mas a arquitetura de data marts e de dashboards self-serve, o passo lógico é ir para análise de BI.
• Matemática de jogos. Um conhecimento profundo do RTP e da volatilidade dos jogos leva parte dos analistas a tornarem-se matemáticos de jogos, que projetam a mecânica dos slots.
• CRM / Retention Lead. Modelos de churn e segmentação são o caminho direto para a gestão de retenção, mais detalhes no perfil de gestor de CRM.
• Análise de produto / Product Manager. Perceber o funil e o LTV abre a transição para gestão de produto dentro do operador.
• Análise de VIP. A segmentação de grandes jogadores por LTV está intimamente ligada ao trabalho do VIP manager — é precisamente nos dados do analista que se baseia a decisão de quem passar para uma carteira VIP pessoal.

As vagas abertas com faixas salariais e stack indicados estão na secção de vagas ativas para analistas de dados. Uma visão geral dos salários da indústria em 2026 está no artigo «Salários no iGaming 2026».

Perguntas frequentes

É preciso um diploma em data science? Não. Os empregadores olham muito mais atentamente para o SQL, o Python e um portefólio com casos reais do que para a formação formal.

Dá para fazer a transição a partir da análise de produto de e-commerce ou de SaaS? Sim, é um dos caminhos de entrada mais comuns — a parte técnica transfere-se por inteiro, e a especificidade do GGR/NGR/RTP e a regulação aprendem-se nos primeiros meses. Sobre outras formas de entrar na indústria sem experiência, no artigo «Como entrar no iGaming sem experiência».

O Python sobe muito a faixa salarial em comparação com um perfil só de SQL? Normalmente 15–25% no mesmo nível — especialmente se houver experiência a construir modelos de LTV ou previsão de churn, e não só análise descritiva.

Em que é que um analista num casino difere de um analista nas apostas desportivas? A base — SQL, Python, métricas GGR/NGR — é a mesma. Nas apostas desportivas e no ciber-betting acrescenta-se trabalho com odds, margem do bookmaker e velocidade de dados em tempo real, o que aproxima a função do trading mais do que num casino clássico.