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.

‍

En la mayoría de los productos de iGaming, la sección de juegos recomendados se genera de dos formas: o bien es una lista de las tragamonedas más populares de la plataforma, o bien es una selección curada manualmente por el equipo del operador. A veces se utiliza un enfoque híbrido: algunos juegos se añaden manualmente, mientras que otros se seleccionan mediante algoritmos.

Este enfoque es comprensible y familiar, pero genera tres problemas clave:

1. Todos los jugadores ven la misma lista, independientemente de sus preferencias.
2. Las colecciones curadas requieren actualizaciones manuales constantes, lo cual consume mucho tiempo y no es escalable.
3. Una lista estática de juegos se convierte en la opción "predeterminada" en lugar de ser un motor de crecimiento.

Como resultado, el conjunto de recomendaciones no ayuda de forma consistente a aumentar la retención, el LTV y los ingresos.

Objetivo: Aumentar los ingresos del operador y mejorar la experiencia de juego del usuario mediante la personalización.

Para lograrlo, MICo (desarrolladores de soluciones de IA y ML para iGaming) integró su motor de recomendaciones en el producto de su cliente, un operador de juegos. El modelo de ML* analizó el comportamiento de cada jugador basándose en diversos indicadores y generó selecciones de juegos personalizadas.

‍Región:
Asia del Sur

‍Audiencia:
Más de 250.000 usuarios activos mensuales (MAU)

‍Punto de entrada:
La sección "Juegos recomendados", ubicada en el lobby del operador en el nivel superior; este es uno de los elementos de navegación clave que recibe un gran número de visitas.
‍*Aprendizaje automático (ML): modelos que analizan datos, identifican patrones y toman decisiones sin intervención manual.

El efecto se evaluó comparando dos escenarios operativos:

1. Curación manual: La lista de juegos recomendados es elaborada por el equipo de operadores.
2. Recomendaciones de MICo ML: La composición y el orden de los juegos dentro del mismo bloque son determinados por un algoritmo.

Es importante destacar que el diseño y la disposición del bloque permanecieron sin cambios. No se añadieron nuevas mecánicas y los niveles de tráfico se mantuvieron iguales. La única diferencia radicó en la lógica detrás de la selección de juegos.

Pero para entender exactamente cuáles fueron las diferencias entre ambos enfoques, vale la pena analizar más de cerca cómo funciona la solución MICo.

El recomendador de ML genera una lista de recomendaciones personalizadas por sí mismo. Esto es lo que sucede:

• Recopila datos. El jugador selecciona títulos, hace clic, regresa a los juegos y cambia su ritmo y estilo; el modelo analiza más de 200 parámetros de comportamiento de cada jugador.
• Crea un grupo de juegos. Basándose en las señales, varios algoritmos independientes seleccionan juegos relevantes.
• Crea una lista personalizada. Se compila una selección que refleja la probabilidad de que el jugador se interese en juegos específicos.
• Clasifica con enfoque en el valor. La lista se reordena para alinearse con los objetivos comerciales del operador: maximizar el GGR y el ARPU.

A diferencia de la curación manual, que se basa en estadísticas generales y resultados pasados, el ML analiza el comportamiento de un usuario específico y selecciona dinámicamente los resultados de búsqueda, eliminando la necesidad de actualizar la lista manualmente de forma constante.

Durante los primeros 28 días, el escenario de recomendaciones por ML mostró un crecimiento significativo en las métricas clave

Todas las métricas se calcularon exclusivamente para la sección de “Juegos recomendados”; en otras palabras, esto representa el efecto neto del cambio en la lógica de selección.

Métricas de comportamiento:

• Tasa de conversión de visualizaciones a clics: +8 puntos porcentuales
• Retención a 7 días: +10 p.p.

Métricas financieras:

• Depósito promedio: +40%
• GGR por usuario en esta sección: +200%

Los resultados confirman que una sección de recomendaciones puede ser significativamente más efectiva si el proceso de selección es dinámico y se basa en el comportamiento y las preferencias reales de los jugadores.

¿Qué significa esto para los operadores?

Este caso de estudio ilustra un patrón sencillo: las recomendaciones pueden ser más que una simple «funcionalidad conveniente»; pueden ser un motor directo de ingresos si se adaptan al comportamiento del jugador en tiempo real.

La personalización actúa como una verdadera palanca financiera:

Crecimiento sostenible sin aumentar su presupuesto. No gasta su presupuesto en marketing ni contrata personal adicional, y aun así sus métricas crecen porque los jugadores obtienen una experiencia más relevante.

Reducción del trabajo manual. No es necesario actualizar listas constantemente ni asignar recursos para ello. La solución de ML lo hace automáticamente basándose en datos en tiempo real.

Escalabilidad. Cuantos más jugadores y eventos haya, con mayor precisión funciona el modelo. Las recomendaciones pueden utilizarse en todas partes: en el lobby, en los resultados de búsqueda, en la lista de juegos e incluso en las comunicaciones.

Cuantos más puntos de contacto existan, más notable será el impacto en el negocio.

Cómo repetir el resultado

Pruebe el recomendador de ML con sus propios datos:

• Duración: 2–4 semanas
• Formato: Lance una prueba piloto y evalúe los resultados
• Resultado: Mejora medible y crecimiento proyectado en las métricas

Personalizar las recomendaciones no es solo una mejora estética. Es un canal de crecimiento sostenible que empieza a dar resultados inmediatamente después del lanzamiento, sin costes de marketing adicionales. El modelo de ML sustituye una lista estática por resultados dinámicos que se adaptan a cada jugador, lo que tiene un impacto tangible en las métricas de ingresos.