Blog y casos

Un caso de estudio de un operador con ~615 mil usuarios activos mensuales: cómo aumentar el valor de una audiencia existente e impulsar un crecimiento adicional de los ingresos brutos del juego (GGR) mediante personalización con aprendizaje automático y recomendaciones de juegos personalizadas, sin aumentar el volumen de tráfico.

Miles de títulos en un catálogo no garantizan por sí solos que un jugador encuentre un juego que coincida con sus intereses y su intención de juego. Una selección curada manualmente que es igual para todos puede ser popular entre la mayoría de los jugadores, pero resultar completamente irrelevante para un usuario en particular.

Pero cuando la selección de juegos está impulsada por un sistema de recomendación basado en aprendizaje automático, el impacto puede ir mucho más allá de la sección "Recomendado para ti" y afectar a métricas comerciales clave en toda la plataforma de iGaming.

Punto de partida del proyecto: con qué contaba el operador

Un operador se acercó a MICo con un objetivo específico: generar más ingresos de su audiencia existente sin aumentar el tráfico.

La plataforma ya contaba con una sección de recomendaciones en el lobby de juegos, pero su contenido se generaba mediante reglas predefinidas y no tenía en cuenta el comportamiento individual del jugador ni las señales de comportamiento.

Con el permiso del operador, analizamos qué cambiamos utilizando una solución de personalización de juegos basada en aprendizaje automático y qué impacto comercial generó.

El problema: qué fallaba en las recomendaciones existentes

El operador estaba ampliando su catálogo de juegos y captando nuevos usuarios, pero buscaba una forma de generar más valor específicamente a partir de su audiencia actual.

Incluso con una amplia selección, los jugadores no siempre encontraban contenido que se ajustara a sus intereses y estilo de juego. Un título popular entre la mayoría de los usuarios podía resultar totalmente irrelevante para un jugador en particular.

Y crear manualmente una selección de juegos personalizada para cada jugador es imposible.

El objetivo: aumentar el rendimiento comercial mediante la personalización del lobby de juegos y recomendaciones basadas en ML, al tiempo que se incrementa el impacto de la sección de recomendaciones en métricas clave del negocio: GGR, retención, actividad de depósitos y LTV.

Región: CEI
Audiencia: ~615 mil usuarios activos mensuales (MAU)
Punto de implementación: Sección "Recomendado para ti" en el lobby de juegos

Qué cambiamos y qué logramos

Solución: un sistema de recomendaciones personalizado en lugar de un enfoque basado en reglas

En lugar del estándar recomendación basada en reglas enfoque, el operador implementó el Sistema de Recomendación — una solución basada en aprendizaje automático para recomendaciones de juegos personalizadas en iGaming.

El sistema crea una selección de juegos individual para cada usuario basándose en su comportamiento, historial de sesiones, preferencias y otros parámetros.

Durante cuatro semanas, comparamos las recomendaciones de aprendizaje automático con el enfoque estándar basado en reglas: el grupo de control siguió recibiendo la selección predefinida, mientras que el grupo de prueba recibió las recomendaciones personalizadas de MICo.

Resultado: crecimiento en las métricas comerciales globales de la plataforma

Tras implementar el Sistema de Recomendación, no solo mejoraron las métricas de la sección de recomendaciones, sino que también aumentaron las métricas globales en toda la plataforma.

Cómo funciona el Sistema de Recomendación

1. Evaluación y análisis

Los algoritmos analizan el catálogo de juegos actual y los datos disponibles para identificar señales que puedan utilizarse para personalizar las recomendaciones de juegos.

2. Recopilación de señales de comportamiento

El sistema recopila docenas de señales de comportamiento del jugador: depósitos y retiros, apuestas y juegos realizados, clics, retornos a los juegos, ritmo y estilo de juego, frecuencia de visitas, interacciones con la sección de recomendaciones y otros patrones de comportamiento.

3. Generación y clasificación de candidatos

Varios algoritmos independientes crean un conjunto de juegos relevantes para cada usuario. La selección final se clasifica centrándose en los objetivos comerciales del operador: crecimiento del GGR, actividad de depósitos y retención.

La diferencia clave con respecto a un enfoque manual es que, en lugar de utilizar una única lista para todos los jugadores, el sistema analiza el comportamiento y los intereses de cada usuario y selecciona dinámicamente juegos más relevantes basados en esas señales.

El equipo del operador no necesita crear ni actualizar manualmente selecciones de juegos por separado.

No se requieren datos personales del jugador para entrenar los modelos.

¿Dónde más se puede utilizar el Sistema de Recomendación?

El Sistema de Recomendación puede utilizarse más allá de la sección "Recomendado para ti".

La personalización de contenido basada en ML puede aplicarse a las búsquedas, a las secciones de juegos similares, a las selecciones basadas en títulos guardados y a otros puntos del recorrido del jugador; en cualquier lugar donde el contenido personalizado pueda influir en la participación del jugador y en su interacción con la plataforma.

Esto convierte a un sistema de recomendación para iGaming no solo en una función de interfaz independiente, sino en parte de una estrategia de personalización más amplia para la experiencia del jugador.

Qué significa esto para el operador

Las recomendaciones personalizadas no son simplemente una mejora estética de la interfaz. Pueden convertirse en una herramienta para el crecimiento de los ingresos y para aumentar la eficiencia del tráfico existente.

En este caso, el crecimiento se logró sin aumentar el tráfico, simplemente mostrando contenido más relevante a los jugadores existentes.

Cuando los jugadores reciben recomendaciones basadas en su comportamiento individual en lugar de una única lista seleccionada manualmente, el operador obtiene:

• Mayor compromiso. Más usuarios interactúan con los juegos recomendados.
• Una mejor experiencia para el jugador. La sección de recomendaciones se convierte en parte del recorrido del jugador en lugar de ser una lista estática predeterminada.
• Mejores métricas de negocio. La personalización se convierte en una palanca adicional para el crecimiento del GGR sin aumentar los costes de adquisición.
• Más valor del tráfico existente. La monetización de la audiencia mejora sin necesidad de adquirir nuevos jugadores.

Escalar el impacto de la personalización mediante ML

La cifra del +14% representa un porcentaje del GGR actual, no una cantidad fija.

Cuanto mayor sea el GGR de la plataforma, mayor será el valor absoluto del mismo incremento:

• Con 1 M€ de GGR: +14% = 140 000 € adicionales.
• Con 10 M€ de GGR: +14% = 1,4 M€ adicionales.

La personalización mediante ML escala con la audiencia: el equipo no necesita aumentar proporcionalmente el esfuerzo manual para crear y actualizar las selecciones de juegos.

Esto no es un incremento puntual, sino un mecanismo de personalización automatizado que sigue funcionando a medida que crece la audiencia.

Conclusión

Los resultados de este caso de estudio son una señal importante para los operadores de iGaming. El simple hecho de tener una sección de recomendaciones en una plataforma no garantiza el crecimiento de las métricas comerciales clave.

El mayor impacto se logra cuando las recomendaciones están verdaderamente personalizadas mediante aprendizaje automático y tienen en cuenta tanto los intereses y el comportamiento del jugador como los objetivos comerciales de la plataforma.

Para un operador de iGaming, esto significa pasar de un enfoque único basado en reglas de recomendación a un sistema de recomendación de ML dinámico que ayude a extraer más valor de la audiencia existente y a convertir la personalización en un resultado comercial medible.

‍

Los jugadores VIP son el pequeño grupo que impulsa la economía unitaria de la plataforma. Por lo general, representan alrededor del 80% de los ingresos de cualquier operador.

Dicho esto, el principal desafío sigue siendo identificarlos desde el principio. Esto es fundamental, ya que el "ciclo de vida" de un gran apostador se estima en seis meses, según diversas fuentes; por lo tanto, cuanto antes llame la atención del gestor, más ingresos podrá generar para la plataforma.

¿Por qué se suele pasar por alto esta oportunidad? Todo se reduce a un enfoque basado en reglas: el gestor abre el CRM, filtra la base de datos por depósitos, frecuencia de sesiones y tamaño de las apuestas, y luego confía en su "instinto".

Este modelo funciona, pero casi siempre con retraso: un jugador solo entra en el radar una vez que la mayor parte de su ciclo de vida ya ha pasado.

Al mismo tiempo, los filtros simples suelen generar falsos positivos: un jugador realiza depósitos durante tres días seguidos, el gestor de cuenta dedica tiempo y bonificaciones a él, pero no se produce ninguna conversión.

El equipo de MICo descubrió que las señales necesarias ya están presentes en los datos, pero no se detectan a tiempo.

MICo, desarrollador de soluciones de IA y ML para iGaming, analizó datos de varios operadores y descubrió que los patrones de comportamiento de los futuros grandes apostadores se hacen evidentes durante los primeros días de su actividad, mucho antes de que puedan ser detectados por los filtros del CRM.

Sin embargo, con el enfoque estándar, tales señales suelen pasar desapercibidas: se manifiestan en combinaciones de docenas de parámetros y en la dinámica del comportamiento del jugador, es decir, cuando ya es demasiado tarde.

Los algoritmos de ML permiten identificar estos patrones mucho antes, y estas predicciones son más precisas.

Basándose en este enfoque, MICo desarrolló la solución de ML VIP Intelligence, que identifica a los jugadores de alto potencial a partir de los 3 a 7 días de actividad y los marca para un seguimiento prioritario por parte del equipo VIP.

En la práctica, el enfoque de ML ha demostrado mejoras en todas las métricas clave.

VIP Intelligence se implementó en un operador con sede en la CEI con una audiencia de más de 700.000 usuarios activos mensuales (MAU). El impacto se evaluó comparando dos escenarios de trabajo de los gestores:

• Filtro estándar: una selección de jugadores con los que los gestores trabajaron en condiciones normales, sin ML.
• Priorización por ML: un proceso de selección en el que los algoritmos identifican a los jugadores como prometedores a partir de su tercer día de actividad. Los gestores recibieron a estos jugadores en una lista prioritaria, pero interactuaron con ellos siguiendo el procedimiento estándar.

Punto clave: los gestores no sabían si estaban trabajando con jugadores seleccionados manualmente o como resultado de la priorización por ML.

Resultados del primer mes del producto en el mercado:

• Los jugadores de la lista prioritaria alcanzaron el umbral VIP en un promedio de 11 días gracias a la priorización basada en ML. Sin ML, esta cifra era de unos 63 días.
• Con la implementación de VIP-Intelligence, la tasa de retención al día 30 aumentó del 20% al 31%.
• Tras el primer contacto del gestor con el jugador de alto nivel, el NGR diario del jugador aumentó aproximadamente un 30%.

VIP Intelligence analiza cientos de señales que no pueden procesarse manualmente.

El producto MICo funciona como un servicio SaaS y puede integrarse mediante una API u otro formato conveniente para el operador. La solución de aprendizaje automático (ML) comienza su análisis en cuanto el jugador inicia sesión en la plataforma.

En las primeras etapas, el algoritmo procesa señales de comportamiento que no pueden analizarse manualmente: patrones de sesión, dinámica de apuestas, frecuencia de depósitos, reacciones a las mecánicas de bonificación y decenas de otras variables.

Como resultado, a cada jugador se le asigna una puntuación de "Confianza": la probabilidad de que el usuario muestre un crecimiento rápido y se convierta en un jugador de alto nivel. Los gestores reciben una lista priorizada ordenada según esta puntuación.

Resultado: El equipo centra sus esfuerzos en aquellos que tienen más probabilidades de aportar un valor real.

La identificación temprana de jugadores de alto nivel aumenta directamente los beneficios del operador.

Gracias a este modelo, los jugadores pasan a estar en el punto de mira del departamento VIP tres semanas antes. Esto proporciona un periodo de monetización adicional y controlable para cada jugador de alto nivel, sin aumentar los costes de adquisición.

La solución MICo ayuda a identificar quién es más receptivo a las comunicaciones en cada momento. Los gestores no pierden tiempo con quienes no tienen probabilidades de convertir. En efecto, esto aumenta la productividad del departamento VIP sin necesidad de contratar personal nuevo.

El NGR está creciendo. Desde el momento en que un gestor interactúa por primera vez con un jugador, los ingresos netos diarios por juego de ese jugador predicho aumentan aproximadamente un 30%.

Para un operador con más de 700.000 usuarios activos mensuales (MAU), este producto por sí solo puede ayudar a generar decenas de miles de dólares en ingresos adicionales cada mes. Simplemente porque la plataforma deja de perder jugadores de alto nivel durante sus primeras semanas de mayor actividad.

VIP Radar no solo puede identificar a los jugadores de alto nivel antes de la selección manual, sino también evaluar la probabilidad de que abandonen la plataforma. Esto le permite desarrollar rápidamente estrategias de retención preventivas y minimizar la pérdida de usuarios valiosos.

Los casos prácticos abordan las preguntas más frecuentes de los operadores.

"El producto de ML simplemente identifica a aquellos que habrían aportado mucho dinero de todos modos".

Los gestores no sabían si estaban trabajando con jugadores identificados por VIP Intelligence. Trataron a los jugadores de la misma manera tanto antes como después de la implementación del producto. Las diferencias en los depósitos, las tasas de conversión y la retención no se deben a los jugadores en sí, sino que son el resultado de una interacción oportuna.

"Los gestores ya pueden ver los grandes depósitos en el CRM".

Se dan cuenta, pero es demasiado tarde. Un operador importante tiene una base de decenas de miles de usuarios activos, y un gestor simplemente no puede atender eficazmente a más de 100 personas al día. 63 días para alcanzar el estatus VIP en un grupo de jugadores seleccionados manualmente: eso no es un punto de referencia teórico, sino un hecho estadístico.

"Una atención agresiva desde la primera semana agotará al jugador más rápido".

Los datos sugieren lo contrario. La retención entre los jugadores de la lista prioritaria alcanzó el 31% al día 30, en comparación con el 20% sin las predicciones de ML. La atención temprana de un gestor no agota al jugador; al contrario, fomenta su lealtad a la plataforma antes de que lo haga un competidor.

La predicción mediante ML se está convirtiendo en el nuevo estándar para trabajar con jugadores VIP

El caso de estudio demuestra que una solución de ML transforma la economía del trabajo con grandes apostadores no a través de presupuestos o políticas de bonos, sino mediante la velocidad. VIP-Intelligence identifica al jugador adecuado entre miles en un plazo de 3 a 7 días, algo que sería imposible de hacer manualmente.

Los operadores que implementan ML hoy llevan ventaja: identifican a los grandes apostadores antes que sus competidores y obtienen mayores ingresos del ciclo de vida de cada cliente.

En unos años, la identificación predictiva de VIP se convertirá en una herramienta fundamental para cualquier operador, tal como lo es el CRM hoy en día.

MICo es una empresa de desarrollo de ciclo completo especializada en soluciones de productos basadas en ML, que cuenta con su propio equipo de especialistas en ML e infraestructura para el procesamiento y análisis de datos. La empresa cuenta con la certificación internacional ISO 27001, lo que acredita su alto nivel de seguridad y protección de datos.