该团队创建了一种基于人工智能的推荐算法，可以分析用户偏好和游戏行为，从而提供个性化建议。
人工智能驱动的推荐机器是通过收集详细的用户行为数据，然后分析这些数据来了解用户偏好和行为，并使用这些见解来为引擎提供信息的过程开发的。
格兰特说：“通过实施机器学习，我们确保每个用户的体验都是独一无二的，使得游戏发现不仅直观而且个性化。”
该引擎通过分析用户偏好和过去的行为，以及游戏受欢 阿曼电报数据库 迎程度和类似用户偏好的实时数据，动态个性化游戏推荐。它包括动态排序选项和根据用户偏好定制的丰富游戏信息。
创意示例#6：“最受欢迎”游戏类别页面（处理）
创意示例#6：“最受欢迎”游戏类别页面（处理）
测试 #1 结果：用户参与时间增加
“我们在 Excel 和 BigQuery 中运行所有数据，”格兰特说。
治疗组的效果优于对照组：
平均参与时间增加了 24%，从 2:09 增加到 3:06
从探索到游戏的转化率提高了 30%，从 6.11% 提高到 7.94%
点击率提高了 40%，从 6% 提高到 8.4%
回访者增加了 15%
测试 #2 之前：静态图像游戏预览
静态图像被用作游戏预览。
创意示例#7：游戏预览（控制）
创意示例#7：游戏预览（控制）
测试 #2 之后：视频游戏预览
该团队测试了短视频片段作为比赛预告。
创意示例#8：游戏预览（处理）
创意示例#8：游戏预览（处理）
测试 #2 结果：平均参与时间增加
治疗组的效果优于对照组：
平均参与时间增加 200%，从 0:45 增加到 1:35
点击率增加了 133%，从 3% 增加到 7%
测试 #3 之前：顶部导航布局
该网站有一个传统的顶部水平导航菜单。
创意示例#9：导航布局（控制）