+14% de GGR en toda la plataforma: cómo la personalización mediante ML convierte las recomendaciones de juegos en ingresos

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.

‍