Блог и кейсы

Кейс оператора с ~615 тыс. MAU: как увеличить ценность существующей аудитории и получить дополнительный рост GGR за счёт ML-персонализации и персонализированных рекомендаций, без увеличения объёма трафика.

Тысячи тайтлов в каталоге сами по себе не гарантируют, что игрок найдёт игру, которая соответствует его интересам и игровому запросу. Подборка, собранная вручную и одинаковая для всех, может быть популярна у большинства — и при этом совершенно не откликаться конкретному пользователю.

Но когда подбор игр выполняется с помощью персонализированной рекомендательной системы на базе machine learning, эффект выходит далеко за пределы блока «Рекомендовано вам» и может отражаться на ключевых бизнес-метриках всей iGaming-платформы.

Отправная точка проекта: с чем пришёл оператор

Один из операторов обратился к MICo с конкретным запросом: заработать больше на уже существующей аудитории, не увеличивая трафик.

На платформе уже был рекомендательный блок в игровом лобби, но выдача формировалась по заранее заданным параметрам и не учитывала индивидуальное поведение игроков и их поведенческие сигналы.

С согласия оператора разбираем, что именно изменили с помощью ML-решения для персонализации игрового контента и какой бизнес-эффект это принесло.

Проблема: что было не так с текущей выдачей

Оператор наращивал каталог и привлекал новых пользователей, но при этом искал способ заработать больше именно на существующей аудитории.

Даже при большом выборе игрок не всегда находил то, что соответствовало его интересам и стилю игры: тайтл, популярный у большинства, мог оказаться совершенно нерелевантным для конкретного пользователя.

А создать персональную подборку игр для каждого игрока вручную невозможно.

Задача:
‍Увеличить коммерческую отдачу за счёт персонализации игрового лобби и ML-рекомендаций и повысить влияние рекомендательного блока на ключевые бизнес-показатели: GGR, retention, депозитную активность и LTV.

• Регион: CIS
• Аудитория: ~615 тыс. MAU
• Точка внедрения: блок «Рекомендованные вам» в игровом лобби

Что изменили и какой эффект получили

Решение:
Персональная рекомендательная система вместо rule-based подхода

Вместо стандартного rule-based подхода в блок рекомендаций внедрили Recommendation System от MICo — ML-решение для персонализации рекомендаций в iGaming, которое формирует индивидуальную подборку игр для каждого пользователя на основе его поведения, истории сессий, предпочтений и других параметров.

В течение четырёх недель мы сравнивали результаты ML-рекомендаций со стандартным rule-based подходом: контрольная группа продолжала получать предустановленную выдачу, а тестовая — персонализированные рекомендации MICo.

Результат: рост глобальных бизнес-метрик платформы

После внедрения Recommendation System выросли не только показатели самой секции, но и глобальные метрики всей платформы.

Как работает Recommendation System

1. Оценка и анализ

Алгоритмы изучают текущую витрину и доступные данные, чтобы определить сигналы, которые можно использовать для персонализации рекомендаций игр.

2. Сбор поведенческих сигналов

Система собирает десятки сигналов поведения: депозиты и выводы, ставки и игры, клики, возвраты к играм, темп и стиль игры, частота визитов, взаимодействие с секцией рекомендаций и другие поведенческие паттерны игроков.

3. Формирование и ранжирование

Несколько независимых алгоритмов формируют пул релевантных игр для каждого пользователя, а итоговый список дополнительно ранжируется с фокусом на цели оператора — рост GGR, депозитной активности и retention.

Ключевое отличие от ручного подхода: вместо единого списка для всех игроков система учитывает поведение и интересы каждого пользователя и на их основе динамически подбирает более релевантные игры.

Команде оператора не приходится вручную создавать и постоянно обновлять отдельные подборки.

Для обучения моделей не требуются персональные данные игрока.

Где ещё можно применять Recommendation System

Recommendation System можно применять не только в блоке «Рекомендованные вам».

ML-персонализация контента может использоваться в поиске, разделе похожих игр, подборках на основе сохранённых тайтлов и других точках пользовательского пути — везде, где персональная выдача может повлиять на вовлечённость игрока и его взаимодействие с платформой.

Таким образом, рекомендательная система для iGaming становится не отдельным UI-блоком, а частью общей стратегии персонализации пользовательского опыта.

Что это значит для оператора

Персонализация рекомендаций работает не как косметическое улучшение интерфейса, а как инструмент роста выручки и эффективности существующего трафика.

Прирост в этом кейсе получен без увеличения трафика — исключительно за счёт того, что уже существующим игрокам стали показывать более релевантный контент.

Когда вместо единого ручного списка игрок получает выдачу, сформированную с учётом его поведения, оператор получает:

• Рост вовлечённости. Больше пользователей взаимодействуют с рекомендованными играми.
• Улучшение игрового опыта. Рекомендательный блок становится частью пользовательского сценария, а не статичным списком «по умолчанию».
• Рост бизнес-метрик. Персонализация становится дополнительным рычагом роста GGR без увеличения расходов на привлечение.
• Больше ценности от существующего трафика. Доходность аудитории растёт даже без привлечения новых игроков.

Перспективы: как масштабируется эффект от ML-персонализации

+14% — это процент от текущего GGR, а не фиксированная сумма.

Чем больше оборот платформы, тем выше абсолютная ценность даже относительно небольшого uplift:

• При GGR €1 млн: +14% = дополнительные €140 тыс.
• При GGR €10 млн: +14% = дополнительные €1,4 млн

ML-персонализация масштабируется вместе с аудиторией: команде не приходится пропорционально наращивать ручные усилия по созданию и обновлению подборок.

Это не разовый прирост, а автоматизированный механизм персонализации, который продол

Результаты кейса — важный сигнал для iGaming-операторов.‍

Само наличие рекомендательного блока на платформе не гарантирует рост ключевых бизнес-метрик.

Максимальный эффект достигается там, где рекомендации действительно персонализированы с помощью machine learning и формируются с учётом как интересов и поведения игрока, так и бизнес-целей платформы.

Для iGaming-оператора это означает переход от единой rule-based выдачи к динамической ML-рекомендательной системе, которая помогает извлекать больше ценности из существующей аудитории и превращать персонализацию в измеримый бизнес-результат.

VIP-игроки — та малая группа, которая определяет юнит-экономику платформы. Обычно они приносят около 80% прибыли любому оператору.

При этом главной задачей и проблемой остаётся их выявление на самом старте. Это критически важно, поскольку «срок жизни» хайроллера составляет по разным оценкам полгода, а значит, чем раньше такой игрок попадёт в фокус внимания менеджера, тем больше дохода сможет принести платформе.

Почему эта возможность зачастую упускается? Всё дело в rule-based подходе: менеджер открывает CRM, фильтрует базу по депозитам, частоте сессий, размеру ставок — и подключает «чутьё».

Такая модель работает, но почти всегда с задержкой: игрок попадает в фокус только тогда, когда большая часть его жизненного цикла уже прошла.

При этом простые фильтры часто дают и ложноположительные сигналы: игрок три дня подряд делает депозиты, менеджер тратит на него время и бонусы, но конверсии не происходит.

Команда MICo выяснила: нужные сигналы уже есть в данных, но их не замечают вовремя

MICo, разработчики AI и ML решений для iGaming, провели анализ данных у ряда операторов и увидели: поведенческие паттерны будущего хайроллера проявляются уже в первые дни его активности — задолго до того, как их можно увидеть в CRM-фильтрах.

Однако при стандартном подходе такие сигналы обычно остаются незамеченными — они проявляются в комбинациях десятков параметров и динамике поведения игрока — то есть постфактум.

ML-алгоритмы позволяют выявлять такие закономерности значительно раньше, а точность этих предсказаний выше.

На основе этого подхода MICo создали ML-решение VIP Intelligence, которое определяет перспективных игроков уже на 3–7 день активности и передаёт их в приоритетную работу VIP-команды.

На практике ML-подход показал рост по всем ключевым метрикам

VIP Intelligence был внедрён в СНГ-оператора с аудиторией 700+ тысяч MAU. Эффект оценивался при сравнении двух сценариев работы менеджеров:

• Стандартный фильтр — отбор игроков, с которыми менеджеры работали в обычном режиме, без ML.
• ML-приоритезация — отбор, при котором алгоритмы выявляют игроков как перспективных, начиная с 3-го дня активности. Менеджеры получали их в приоритетный список, но взаимодействовали с ними по стандартной схеме.

Ключевой момент: менеджеры не знали, работают они с игроками, отобранными вручную или в результате ML-приоритезации.

Результаты уже за первый месяц работы продукта:

• Игроки из приоритетного списка с помощью ML-приоритезации достигали VIP-порога в среднем за 11 дней. Без ML этот показатель составлял около 63 дней.
• С внедрением VIP-Intelligence Retention на 30-й день вырос с 20% до 31%.
• После первого контакта менеджера с хайроллером дневной NGR игрока вырос на ~30%.

VIP Intelligence анализирует сотни сигналов, которые невозможно обработать вручную

Продукт MICo работает как SaaS-сервис и подключается через API или другой удобный оператору формат. ML-решение начинает анализ сразу после появления игрока на платформе.

В первые дни алгоритм обрабатывает поведенческие сигналы, недоступные для ручного анализа: паттерны сессий, динамику ставок, ритм депозитов, реакцию на бонусные механики и десятки других переменных.

На выходе каждому игроку присваивается параметр Confidence — вероятность того, что пользователь покажет быстрый рост и станет хайроллером. Менеджеры получают приоритетный список, отсортированный по этому параметру.

Результат: команда работает точечно — с теми, кто с высокой вероятностью принесёт реальную ценность.

Раннее выявление high rollers напрямую увеличивает прибыль оператора

Благодаря модели игрок попадает в фокус VIP-отдела на три недели раньше. Это дополнительный управляемый период монетизации на каждого хайроллера — без роста затрат на привлечение.

Решение MICo помогает понять, кто сейчас наиболее восприимчив к коммуникациям. Менеджер не тратит время на тех, кто не конвертируется. Фактически это рост производительности VIP-отдела без найма новых сотрудников.

Растёт NGR. С момента первого касания менеджера ежедневная чистая игровая выручка с предсказанного игрока вырастает на ~30%.

В масштабах оператора с 700k+ MAU даже один этот продукт может помочь генерировать десятки тысяч долларов дополнительной выручки ежемесячно. Просто за счёт того, что платформа перестаёт упускать хайроллеров в их самые активные первые недели.

VIP-радар может не только выявлять хайроллеров раньше ручного отбора, но и оценивать вероятность их оттока. Это позволяет оперативно выстраивать превентивные стратегии удержания и сводить потерю ценных пользователей к минимуму.

Цифры кейса закрывают самые частые вопросы операторов

«ML-продукт просто находит тех, кто и так занёс бы много денег»

Менеджеры не знали, работают ли они с игроками, которых обнаружил VIP Intelligence. Они работали с игроками одинаково до и после внедрения продукта. Разница в депозитах, конверсии и retention — это не свойство игроков, а эффект своевременного касания.

«Менеджеры и так видят крупные депозиты в CRM»

Видят, но поздно. У крупного оператора база насчитывает десятки тысяч активных пользователей, а менеджер физически не может качественно обработать больше 100 человек в день. 63 дня до VIP в группе игроков, отобранных вручную — это не теоретический бенчмарк, а статистический факт.

«Агрессивное внимание с первой недели выжжет игрока быстрее»

Данные говорят обратное. Retention в группе игроков из приоритетного списка на 30-й день составил 31% против 20% без ML-предикции. Раннее внимание менеджера не выжигает игрока, а привязывает его к платформе раньше, чем это сделает конкурент.

ML-предсказание становится новым стандартом работы с VIP-игроками

Кейс показывает: ML-решение меняет экономику работы с хайроллерами не за счёт бюджетов или бонусной политики, а за счёт скорости. VIP-Intelligence вытаскивает нужного игрока из тысяч на 3-7 день, когда вручную это сделать невозможно.

Операторы, которые внедряют ML сегодня, получают фору — находят хайроллеров раньше конкурентов и зарабатывают больше с каждого жизненного цикла.

Через несколько лет предиктивная идентификация VIP станет базовым инструментом любого оператора — как CRM сегодня.

MICo — это компания полного цикла разработки продуктовых решений на базе ML, с собственной командой ML-специалистов, а также инфраструктурой для обработки и анализа данных. Компания сертифицирована по международному стандарту ISO 27001, подтверждающему высокий уровень безопасности и защиты данных.