ML-рекомендации VS ручной подбор: как рекомендер MICo увеличил GGR на 200% в секции

В большинстве iGaming-продуктов блок рекомендованных игр формируется по одному из двух сценариев: либо это список самых популярных слотов на платформе, либо подборка, которую вручную собирает команда оператора. Иногда гибридный вариант: часть игр добавляется вручную, часть подтягивается алгоритмически.

Такой подход понятен и привычен. Но он создаёт три ключевые проблемы:

1. Все игроки видят один и тот же список, независимо от их предпочтений.
2. Подборки требуют постоянной ручной актуализации, что трудозатратно и плохо масштабируется.
3. Статический список игр становится элементом «по умолчанию», а не драйвером роста.

В результате блок рекомендаций не помогает стабильно растить retention, LTV и выручку.

Задача: повысить выручку оператора и улучшить игровой опыт юзеров за счёт персонализации

Для этого MICo (разработчики AI и ML-решений для iGaming) внедрили в продукт своего заказчика — игрового оператора — рекомендер MICo. ML-модель* анализировала поведение каждого игрока по множеству сигналов и формировала персональные подборки игр.

Регион:
South Asia

Аудитория:
250k+ MAU

Точка внедрения:
Блок «Рекомендованные игры», расположенный в лобби оператора на верхнем уровне: это один из ключевых элементов навигации, получающий большое количество просмотров.
‍*ML (machine learning) — модели, которые анализируют данные, выявляют закономерности и принимают решения без ручной логики.

Эффект оценивался при сравнении двух сценариев работы:

1. Ручной подбор: блок рекомендованных игр формируется командой оператора.
2. ML-рекомендации MICo: состав и порядок игр в том же блоке формируются алгоритмом.

Что важно: дизайн и расположение блока не менялись. Не добавлялись новые механики, не изменялся трафик. Разница была только в логике подбора игр.

Но чтобы понять, в чём именно заключались отличия двух подходов, стоит разобраться в том, как работает решение MICo.

ML-рекомендер сам формирует список персональных рекомендаций. Вот что происходит:

• Собирает сигналы. Игрок выбирает тайтлы, кликает, возвращается к играм, меняет темп и стиль — модель анализирует 200+ параметров поведения каждого игрока.
• Формирует пул игр. На основе сигналов несколько независимых алгоритмов отбирают релевантные игры.
• Создаёт персональный список. Собирается подборка, которая отражает вероятность интереса игрока к конкретным играм.
• Ранжирует с фокусом на value. Список переранжируется с учётом бизнес-целей оператора — максимизации GGR и ARPU.

В отличие от ручного подбора, который опирается на общую статистику и прошлые результаты, ML смотрит на поведение конкретного пользователя и подбирает выдачу динамически, без необходимости постоянно пересобирать список «руками».

Уже за первые 28 дней сценарий с ML-рекомендациями показал значительный рост по ключевым метрикам

Все показатели считались только по блоку «Рекомендованные игры», то есть это чистый эффект от изменения логики подбора.

Поведенческие метрики:

• Конверсия из просмотра в клик: +8 п.п.
• Day-7 retention: +10 п.п.

Финансовые метрики:

• Средний депозит: +40%
• GGR на пользователя в секции: +200%

Результат подтверждает: блок рекомендаций может работать заметно эффективнее, если подбор становится динамическим и основанным на реальном поведении игроков и их предпочтениях.

Что это значит для операторов?

Кейс показывает простую закономерность: рекомендации могут быть не просто «удобным блоком», а прямым драйвером выручки, если они адаптируются под поведение игрока в реальном времени.

Персонализация работает как реальный денежный рычаг:

Устойчивый рост без увеличения бюджета. Вы не тратите бюджет на маркетинг, не нанимаете дополнительных людей — а метрики растут за счёт того, что игроки получают более релевантный опыт.

Экономия на ручной работе. Не нужно постоянно актуализировать списки и выделять на это ресурс. ML-решение делает это автоматически на основе реальных данных.

Масштабируемость. Чем больше игроков и событий, тем точнее работает модель. Рекомендации можно использовать везде: в лобби, в поиске, в списке игр и даже в коммуникациях.

Чем больше точек касания — тем заметнее бизнес-эффект.

Как повторить результат

Протестируйте ML-рекомендер на своих данных:

• Срок: 2–4 недели
• Формат: запускаем пилот и оцениваем результат
• Результат: измеримый uplift и прогноз роста метрик

Персонализация рекомендаций — не косметическое улучшение. Это устойчивый канал роста, который начинает работать сразу после запуска без дополнительных затрат на маркетинг. ML-модель заменяет статичный список на динамическую выдачу, которая адаптируется под каждого игрока, и это даёт конкретный эффект в метриках, связанных с выручкой.