Recomendaciones de ML frente a selección manual: cómo el motor de recomendaciones MICo aumentó el GGR en un 200 % en la sección

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.