Blog y casos

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.

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.