Recommendation System

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.

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.