Desvendando Padrões: Uma Análise Estatística Profunda do meu MyAnimeList

A análise de dados tem se tornado uma ferramenta cada vez mais poderosa para entender comportamentos e identificar padrões. Neste projeto, apliquei técnicas estatísticas para explorar os dados do meu perfil no MyAnimeList (MAL), uma plataforma que permite aos usuários catalogar e avaliar animes assistidos. O objetivo principal foi identificar tendências e padrões de consumo pessoal, utilizando a ferramenta para uma análise profunda do meu comportamento enquanto consumidor de animes.

A análise foi conduzida utilizando um DataFrame contendo diversas informações do meu perfil no MAL. Os dados incluíam a nota atribuída a cada anime, o número de episódios assistidos, o gênero, o status (assistido, em andamento, ou planejado), entre outras variáveis relevantes. A partir desses dados, várias métricas foram extraídas para identificar tendências e insights comportamentais.

Ferramentas Utilizadas

A análise foi realizada utilizando a linguagem Python, com o auxílio das bibliotecas Pandas para manipulação de dados e Matplotlib para a criação de gráficos. As probabilidades foram calculadas com base em eventos como a interseção entre gêneros e notas, além da análise de status de visualização.

Padrões de Consumo

A primeira parte da análise concentrou-se em entender como eu costumo consumir animes. Uma observação interessante foi a alta taxa de conclusão de animes que começo a assistir. A maior parte dos animes em andamento acaba sendo finalizada, enquanto minha lista de “Planejado para Assistir” é mantida enxuta e organizada, sem muitos títulos acumulados.

Probabilidade de Gêneros e Formatos

A análise de probabilidade foi outro ponto-chave do estudo. Um dos focos foi calcular a probabilidade de eu assistir a animes com nota superior a 7 ou que sejam classificados nos formatos de Filme, TV ou ONA. Para tal, utilizou-se a interseção entre essas variáveis, revelando uma tendência clara de preferência por esses formatos, com destaque para o gênero de ação e aventura, que aparece com maior frequência em conjunto com outros gêneros populares.

Uma matriz de covariância entre gêneros foi gerada para identificar quais combinações de gêneros são mais comuns em meu consumo de animes. O resultado mostrou uma forte correlação entre gêneros como “ação” e “fantasia”, indicando uma preferência clara por narrativas que envolvem batalhas e mundos fictícios.

A análise detalhada dos dados do MyAnimeList revelou uma série de padrões claros e tendências no meu comportamento como espectador de animes. Aqui estão os principais pontos, abordando diferentes aspectos do consumo e das variáveis envolvidas:

1. Conclusão vs. Abandono: Observando o status dos animes, é possível notar que a grande maioria dos títulos que inicio são finalizados, com poucas exceções. Isso indica um comportamento consistente, onde há um forte compromisso com o término dos animes. A análise mostrou que apenas uma pequena porcentagem dos animes iniciados foi abandonada, sugerindo que apenas títulos considerados realmente insatisfatórios são descontinuados.
2. Gêneros e Formatos: Um dos pontos mais reveladores foi a análise de gêneros e formatos. A matriz de covariância mostrou que gêneros como Ação, Fantasia e Aventura aparecem frequentemente em conjunto. Esses gêneros têm uma forte presença em títulos que assisto, com maior probabilidade de coexistirem. Além disso, houve uma análise específica para os diferentes formatos (Filme, TV, ONA), com uma clara preferência por animes de formato TV, seguidos de filmes e ONA. Essa correlação indica uma inclinação por narrativas mais longas e estruturadas, que permitem maior desenvolvimento de enredo e personagens.
3. Notas Altas x Gênero: Um ponto específico que foi analisado é a probabilidade de um anime receber nota superior a 7 com base em seu gênero. Os dados mostraram que animes de ação e fantasia têm uma probabilidade consideravelmente maior de receber notas acima dessa faixa, enquanto gêneros mais leves, como Slice of Life ou Comédia, embora também presentes, tendem a não alcançar notas tão altas com frequência.
4. Reassistência: A coluna my_rewatching também revelou padrões de comportamento no que diz respeito à reassistência de animes. Poucos títulos foram reassistidos, sugerindo que animes raramente são revisitados após a primeira conclusão. Quando reassistidos, esses animes tipicamente recebem notas mais altas, indicando um forte apreço por títulos que conseguem se destacar e proporcionar uma experiência digna de uma segunda chance.
5. PTW: Outro aspecto interessante é a gestão criteriosa da lista de "Planejado para Assistir". Diferentemente de muitos usuários que acumulam longas listas, minha lista é mantida enxuta e organizada, com poucos títulos acumulados. Isso reflete uma abordagem disciplinada e focada, na qual apenas animes com real intenção de serem assistidos entram na lista. Analisando a proporção entre animes "completos" e "planejados", foi possível notar uma clara preferência por concluir animes antes de adicionar novos à lista de espera.

Esta análise estatística não apenas revela padrões pessoais de consumo de anime, mas também demonstra como a análise de dados pode ser uma ferramenta poderosa para entender hábitos de entretenimento de forma mais precisa. Se você se interessa por esse tipo de estudo ou deseja explorar como suas preferências podem influenciar seu consumo de conteúdo, convido você a conferir a análise completa. Além de insights detalhados, você poderá apreciar gráficos que ilustram os resultados de maneira clara e envolvente.

É importante destacar que este artigo foi desenvolvido com o auxílio de Inteligência Artificial como parte de um curso da plataforma DIO, mas toda a análise de dados, incluindo a coleta e o tratamento das informações, foi feita de forma independente, utilizando técnicas estatísticas e ferramentas de ciência de dados.

Autor: Thomaz, estudante de Ciência da Computação