На G GATE CONF в Тбилиси поговорили с Владимиром, BDM компании MICo, о том, как ML-модели помогают iGaming-операторам работать с retention, VIP-игроками и персонализацией игрового лобби.
MICo разрабатывает решения на базе Machine Learning, которые анализируют поведение пользователей, помогают находить потенциальных хайроллеров, подбирать релевантные игры и улучшать ключевые показатели продукта: GGR, retention и эффективность работы с игроками.
Сколько может терять оператор без ML-решений
По словам Владимира, все зависит от конкретного продукта, существующей целевой аудитории, качества обработки данных и того, какие инструменты уже использует оператор. Но если речь идет о крупном бренде, потери могут доходить до нескольких сотен тысяч долларов в месяц.
Основная проблема в том, что без предиктивной аналитики оператор слишком поздно замечает ценных игроков. Например, если потенциальный VIP-пользователь не попадает в поле зрения менеджера вовремя, то большая часть его LTV уже потеряна: позже выстраивается коммуникация, и, как следствие, часть потенциальной выручки теряется.
Как обычно ищут хайроллеров
На многих платформах до сих пор используется стандартная фильтрация: игрок достигает определенного порога по депозитам — попадает в группу pre-VIP — менеджер начинает с ним работать.
Иногда таких фильтров может быть несколько: сумма депозита, количество ставок, активность за определенный период и другие параметры. Но такой подход все равно ограничен, потому что он оценивает игрока по набору правил, без учета полной картины поведения.
Владимир объясняет, что ML-алгоритмы MICo анализируют не один конкретный показатель, а поведение пользователя в комплексе. В расчет берутся депозитная активность, ставки, игровые сессии и то, как игрок взаимодействует с платформой. На основе этих паттернов модель может находить новых пользователей, похожих на тех, кто в прошлом вырастал до VIP-уровня.
Можно ли определить хайроллера в первый день
Потенциального хайроллера можно определить уже в первый день, если пользователь активно проявляет себя на платформе: заходит в разные игры, делает ставки, взаимодействует с продуктом и демонстрирует понятные поведенческие сигналы.
При этом один депозит сам по себе ничего не гарантирует. Если игрок зарегистрировался, внес деньги и больше никак себя не проявил, ни одна модель не сможет точно сказать, станет он хайроллером или нет.
С другой стороны, небольшой депозит тоже не означает, что у игрока нет потенциала. Пользователь может делать небольшие ставки, но начинает играть активнее и приносит продукту больше выручки, если начать работать с ним лично.
Именно поэтому для определения VIP-потенциала важны не только сумма депозита и количество пополнений, но и вся совокупность действий внутри платформы.
Почему скорость важна для VIP-команды
Если потенциального VIP-игрока находят только через 4–5 дней, часть возможностей уже может быть упущена. За это время игрок может потерять интерес, не получить персональное внимание вовремя и в конечном счете уйти к другому оператору.
Когда модель видит подходящие микропаттерны поведения в первый или второй день, VIP- или retention-команда может быстрее начать коммуникацию: предложить персональные условия, подключить менеджера, отправить подходящий push или email.
Такой подход помогает не ждать, пока игрок достигнет формального порога по депозиту, а работать с ним раньше — зная потенциал роста.
Как MICo помогает молодым продуктам
Для молодых продуктов одна из проблем — отсутствие готовой сегментации. Без нее сложнее запускать инструменты для работы с любыми игроками и retention.
Владимир рассказал, что у MICo есть модель автосегментации. Она помогает автоматически разделять игроков на результативные сегменты на основе исторических данных оператора. В одном из проектов это позволило найти перспективных игроков на три месяца раньше, чем оператор мог бы сделать это самостоятельно.
Для рекомендательной системы порог входа еще ниже. Ее можно запускать практически с холодного старта. На первом этапе достаточно базовых данных: географии пользователя, устройства и основных рыночных маркеров. Дальше, по мере накопления информации, персонализация становится точнее.
Даже если у оператора 500–1000 игроков и бренд только запустился, рекомендательная система уже может работать и постепенно обучаться на новых данных.
Персонализация игрового лобби
Еще одно направление MICo — ML-решение для создания персонализированных подборок игр. Владимир сравнивает это с рекомендательными системами, к которым пользователи уже привыкли в YouTube, TikTok и на других платформах. Человек заходит в продукт и сразу видит контент, который с большей вероятностью будет ему интересен.
В iGaming это работает похожим образом. Алгоритм анализирует поведение игрока и понимает, какие типы игр могут ему подойти: слоты, crash, live-казино или что-то другое. В результате пользователю не нужно вручную искать интересные игры через поиск или фильтры — релевантная подборка появляется в лобби.
При этом учитываются не только интересы игрока, но и интересы оператора. Игры ранжируются так, чтобы среди релевантных пользователю вариантов выше могли оказаться те позиции, которые принесут больше GGR оператору.
Как обновляются рекомендации
Персонализация не должна быть статичной. Нельзя один раз собрать витрину под игрока и показывать ее постоянно.
Владимир объясняет, что поведение пользователя меняется: настроение, сезонность, свободное время, период после зарплаты или загруженность на работе могут влиять на то, какой контент ему интересен сейчас.
Поэтому рекомендации можно обновлять ежедневно, ориентируясь на поведение за прошедшие сутки. Если у оператора есть техническая возможность, подборки можно обновлять чаще.
Такой подход позволяет показывать пользователю не просто игры, которые когда-то ему подходили, а те, которые актуальны для него именно в текущий момент.
Как тестируют эффективность моделей
Любую модель нужно проверять на данных конкретного оператора. Сначала собирается и анализируется стек данных, проводится предварительная оценка, а затем запускается полноценный A/B-тест.
Для теста пользователей делят на равнозначные группы. Важно, чтобы условия были одинаковыми: одинаковые промоакции, сопоставимые группы по депозитам и другим параметрам. Это нужно, чтобы результат был связан именно с работой модели, а не с внешними факторами.
При сравнении ручных подборок с рекомендациями, собранными моделью MICo, рост GGR на игрока в секции мог доходить до четырех раз.
Кейс с рекомендательной системой
Один из кейсов MICo связан с крупным мультибренд-оператором. Рекомендательную систему тестировали в СНГ и Индии. Пользователей делили на равные группы, учитывали долю VIP-игроков и применяли бонусные механики. Уже первые результаты показали рост GGR в секции примерно на 200%.
Из-за сильного результата CEO оператора сначала не поверил в показатели, поэтому A/B-тесты проводили несколько раз и смотрели на разные метрики.
Одним из дополнительных показателей стала нагрузка на поисковую строку. После внедрения рекомендаций игроки стали на 70% реже пользоваться поиском. Это означает, что пользователи заходили в лобби, сразу видели релевантные подборки и меньше нуждались в ручном поиске игр.
Автосегментация для VIP Intelligence
Еще один кейс связан с оператором, который хотел работать с ранней идентификацией потенциальных хайроллеров, но не имел собственной VIP-сегментации.
MICo предложила использовать модель по определению таких игроков. На основе исторических данных их разделили на результативные сегменты, с которыми уже можно было работать: кому давать больше бонусов, кому меньше, с кем связываться в первую очередь. Сегодня такая модель уже умеет “подсказывать” какую маркетинговую коммуникацию лучше применить к конкретному юзеру.
Владимир отмечает, что MICo не просто подключает готовый API-инструмент, а подстраивается под запрос оператора и как разработчик может предлагать дополнительные модели, даже если на первом этапе они не обсуждались.
Кому такие решения подходят
С MICo могут работать как самописные продукты, так и white label. Для white label ценность в том, что они могут расширить функционал для операторов, которые используют их решение.
Если в white label уже есть CRM-инструменты, данные от моделей можно использовать внутри отчетов для retention-команды и VIP-менеджеров.
Сложнее работать тем, у кого нет данных для анализа или кто не готов развивать автоматизацию. Но даже в этом случае все зависит от конкретной модели: рекомендательную систему можно запускать почти с нуля, а для VIP- и retention-моделей уже нужен определенный объем и качество разметки данных, чтобы модель могла обучиться и давать точные прогнозы с коэффициентом уверенности от 90%.
Что изменится, если отключить ML-модели
Если оператор уже привык работать с моделями и затем отключит их, первыми это почувствуют retention- и VIP-команды. Они потеряют списки игроков, с которыми стоит связаться, персональные подборки и подсказки, основанные на микропаттернах поведения.
Владимир сравнивает это с ситуацией, когда человек идет в темноте с фонариком и видит только узкий участок перед собой. Без моделей команда опирается на ручные правила и ограниченный набор фильтров, не замечая более тонкие сигналы в поведении игроков.
Главное
ML-модели в iGaming помогают не заменять команду, а быстрее давать ей точные сигналы: кто из игроков может вырасти в VIP, кто собрался покинуть платформу (риск оттока), какие игры лучше показать конкретному пользователю, где есть потенциал для роста GGR и как эффективнее работать с retention.
В случае MICo акцент сделан на комплексном анализе поведения. Важен не только депозит и количество ставок, а вся картина взаимодействия игрока с продуктом. Именно это позволяет раньше находить перспективных пользователей, персонализировать лобби и наращивать выручку без изменения в интерфейсе платформы и увеличения бюджета на бонусы.
