Фёдор Ананин Путешествую по миру с кошкой и обожаю технологии. В iGaming нашел идеальное сочетание: технологии, психология и развлечения — пишу об этом здесь.
Сегодня искусственный интеллект кажется нам прорывом, но вклад человека в генерацию креативов, ресерч или правильное оформление данных в CRM все еще остается ключевым параметром успеха. Этот материал мы подготовили на основе экспертизы команды MICo, которая развивает Machine Learning в iGaming, превращает ИИ-аналитику в понятный и доступный инструмент для операторов, а также помогает индустрии внедрять ML-подходы на практике.
Но прежде чем сравнивать возможности ИИ с человеческим ресурсом, стоит правильно поставить вопрос. В MICo его формулируют так:
«Стоит говорить не о том, кто лучше справляется с задачей: человек или ИИ, а о том, какой процент решений может принимать “машина”, беря на себя ответственность за результат и последствия — как позитивные, так и негативные).
ИИ — инструмент, который расширяет возможности аналитика, но не его замена. Через призму этой мысли и разберем каждый этап.
Сильная сторона ИИ в аналитике — масштаб и фокус. Человек физически не может ежедневно просматривать и обрабатывать все данные по всем срезам, включая десятки subID, ГЕО, устройств и т.д. ИИ же проверяет все одновременно и таким образом помогает сфокусировать внимание на том, что действительно принесет нужный результат.
«ИИ-решения способны быстро анализировать колоссальные объемы данных, находить неочевидные корреляции и отслеживать отклонения в поведении трафика, которые человек просто не заметил бы. При этом оценка потенциала данных и обнаружение аномалий происходят в разы быстрее и точнее, чем если бы это делал человек».
MICo
Конкретные примеры того, что ловит ИИ и пропускаем мы:
«Для человека это может выглядеть как случайность или незначительное изменение, которым можно пренебречь. Для искусственного интеллекта значимо каждое микрособытие, которое может привести к росту прибыли или потерь».
Все это не значит, что ИИ принимает решения. Он подсвечивает или даже рекомендует — а решение за вами.
Теория — это хорошо, но конкретные кейсы убедительнее. Вот кейс от MICo, который показывает разницу между ИИ-аналитикой и ручными правилами.
«В одном из наших проектов (оператор 700 тыс. MAU) ML-модель выявила потенциальных high-value игроков уже на 3–7 день после их первой активности, в то время как через стандартные CRM-фильтры игроки попадали в работу к менеджерам только через 4–8 недель. И только те, кто уже проявил явный интерес».
Dmitriy Sharlow, архитектор ML-решений, MICo
Разница — от 3 до 7 недель. За это время оператор мог потерять игрока, который ушел к конкуренту, потому что не получил персонального внимания вовремя.
«Алгоритмы выделили игроков с высокой вероятностью стать хайроллерами через анализ комбинаций действий: ритм ставок, динамику сессий, частоту возвратов, реакцию на бонусы, изменение среднего чека, паттерны активности по времени. Это позволило менеджерам начать работать с этими игроками намного быстрее и значительно повысить конверсию в VIP-сегмент. В результате — рост ежедневного NGR на 30%, а конверсия в VIP увеличилась в 2,4 раза».
Ключевое здесь — «комбинация действий». Ни один из этих сигналов по отдельности не говорит, что перед нами будущий хайроллер. Человек может заметить высокий средний чек или частые возвраты, но вряд ли одновременно отследит ритм ставок, динамику сессий и реакцию на бонусы по тысячам игроков.
Еще один пример — аномалия по ГЕО:
«Допустим, игроки из конкретного региона начали демонстрировать нестандартную активность. Но на первый взгляд изменения были слишком несущественными. Человек мог упустить это как незначительное изменение в потоке данных. Однако ИИ, проанализировав множество микросигналов, обнаружил этот паттерн, что помогло оптимизировать дальнейшую работу».
команда MICo
ИИ может заранее подсветить, что ГЕО «перегрелось» или, наоборот, выявить нестандартную активность в неприоритетных регионах. Чем раньше вы это видите, тем меньше бюджета сливаете.
Для байеров на revshare и hybrid долгосрочная ценность игрока — это то, что определяет реальный заработок. Дорогой лид из одного источника может окупаться лучше дешевого из другого. Поэтому важно удержать того, кто принесет прибыль на долгой дистанции, вместо очередной закупки трафика с неясной перспективой.
Без прогнозов вы увидите это через 2–3 месяца. С ИИ — значительно раньше, а значит, сможете быстрее принять решение и получить нужный результат.
Стандартная аналитика работает постфактум: игрок ушел → вы об этом узнали → попытались вернуть. Проблема в том, что возвращать ушедшего игрока в разы сложнее и дороже, чем удержать колеблющегося.
«Усредненным горизонтом для прогнозирования оттока является период в 30 дней без депозитов, поэтому часто стандартные метрики сообщают о фактическом уходе игрока с платформы, но не прогнозируют его.
Например, ML-модель Churn Prediction от MICo комплексно анализирует поведение пользователя и с высокой точностью предсказывает риск ухода уже на седьмой день падения активности».
Семь дней вместо 30 — это окно, в котором еще можно что-то сделать: персональный бонус, ретаргетинг, коммуникация через CRM.
«Модель Churn Prediction выявляет более 85% VIP-игроков с риском отвала до того, как они ушли, что значительно превышает ручные правила».
Отдельный интересный момент — качество отбора. Может показаться, что ручные правила справляются не хуже: поставил фильтр «нет депозита 14 дней» и получил список. Но MICo объясняют, почему это ловушка:
«ML учитывает все паттерны поведения и с большей точностью определит целевой сегмент игроков для более эффективной коммуникации со стороны платформы. Простое правило отбирает юзеров, которые давно не делали депозит. Но для большой части из них это является нормой, и нет необходимости в дополнительной “стимуляции” их бонусами или чем-то еще — они никуда не уходят».
ИИ способен предсказать уходящего игрока с высокой точностью, выделяя тех, кто действительно теряет интерес, а не просто уехал в отпуск.
Другими словами: ручное правило находит 1 000 «подозрительных» игроков, из которых реально уходят 200, а остальные 800 получают бонус просто так. ML-модель фильтрации работает иначе: находит 500, из которых уходят 465. Оператор перестает раздавать бонусный бюджет тем, кто и так бы остался — и перераспределяет ресурс туда, где он реально работает.
Все, что описано выше, работает не только на стороне оператора. Для байера качество привлеченного трафика напрямую влияет на условия работы.
Оператор с сильным CRM и ИИ-аналитикой лучше монетизирует каждого привлеченного игрока: раньше выявляет high-value сегмент, эффективнее удерживает пользователя и лучше работает с бонусами. Это значит, что байер, который льет качественный трафик на такого оператора, получает двойной эффект:
«ИИ полезен в задачах по оценке качества трафика, например, для выявления аномалий, подозрительных паттернов поведения и ранней фильтрации некачественных сегментов. Эффект зависит не от самого факта использования такого решения, а от качества данных, корректно выбранных целей и настройки аналитики».
Практический вывод: при выборе партнерки или оператора стоит обращать внимание не только на ставки и условия, но и на то, как устроена аналитика на стороне продукта.
Продвинутая аналитика = лучшая монетизация вашего трафика = больше денег на revshare.
Все описанные возможности работают при одном условии: у вас есть данные, с которыми можно работать. Звучит очевидно, но на практике это самый важный критерий успешной синергии человека и ИИ.
«У вас может быть целый терабайт данных — и он будет бесполезен для построения системы на основе ИИ.
ML-алгоритм не работает с задачей “посмотри, что там у нас происходит, и предскажи будущее”. Он работает, когда вопрос звучит конкретно и ответ на него можно найти в исторических данных. Например: “Сделает ли пользователь ставку в течение следующих семи дней?”.
ИИ имеет смысл только там, где у поведения есть повторяемость. Если мы хотим прогнозировать отток, в данных должны быть реальные эпизоды ухода игроков. Если хотим искать аномалии, нужна история “нормального” поведения. Если строим прогноз по выручке или активности, нужна временнáя глубина, в которой видны циклы, сезонность и реакция на внешние факторы».
Mico
Что это значит на практике: ИИ начинает приносить результат только тогда, когда у оператора выстроены качественные data-инфраструктура и бизнес-процессы или когда он готов навести порядок в данных.
Нужно сперва настроить корректный сбор событий, связать их между собой, а также разметить единые критерии определения поведения игроков. Иначе даже самые точные ML-модели не смогут отличить реальный сигнал от шума, а значит, прогнозы, сегментация и автоматизация будут либо неточными, либо бесполезными.
Технология доступна, кейсы убедительны, желание внедрить понятно. Но большинство ошибок при внедрении ИИ — управленческие, а не технические. В MICo выделяют четыре самых частых.
Главный вывод: ИИ нужно не просто подключать, а грамотно встраивать в воронку, аналитику и принятие решений.
Не менее важно понимать, где ИИ избыточен. Не все, что можно автоматизировать, нужно автоматизировать.
«Почти наверняка не стоит применять ИИ там, где задача носит исследовательский или объяснительный характер и отсутствует какая-либо необходимость что-то прогнозировать. Например, при разборе единичных аномалий или ручной сверке спорных кейсов. Здесь человеку проще и быстрее дойти до нужного результата, а Excel или классические BI-инструменты дают достаточный уровень точности без лишней сложности».
Финальный и, пожалуй, самый важный тезис. ИИ в аналитике трафика — это не автопилот. Это второй пилот, который видит приборы лучше, прогнозирует погоду за бортом, но не знает, куда вы летите, пока ему не зададут нужную траекторию.
«Наиболее эффективная стратегия работы с ИИ — синергия человека и алгоритмов. Лучшие результаты дает система, в которой ИИ усиливает экспертизу команды, а не заменяет ее».
ИИ учитывает больше факторов одновременно, ловит нелинейные зависимости и быстрее адаптируется к новым данным. Человек видит контекст, понимает бизнес-логику и отличает формально правильную рекомендацию от бессмысленной. Вместе они усиливают эффективность работы и компенсируют недостатки друг друга.
Решения по бюджету, стратегия масштабирования, выбор офферов и партнерок, комплаенс — все это пока остается за живым сотрудником. А искусственный интеллект делает человека быстрее, точнее и внимательнее к деталям. Не больше, но и не меньше.
Это третья часть из серии материалов о том, как ИИ меняет работу с трафиком в iGaming.
В предыдущих статьях мы разобрали:
В финальной части разберем, как ИИ-менеджеры меняют коммуникацию между байером и партнеркой — на примере 4RA PARTNER и их ИИ-аффменеджера Дианы.
888STARZ Partners запускает весеннюю акцию Spring Boost с системой поинтов и призами до $5 000
Как построить сильную локальную команду аффилиатов и вывести новое ГЕО в топ за 6 месяцев
Как и зачем работать по спенд-модели в iGaming
iGaming в цифрах: итоги 2024 года для индустрии
«Telegram — это мастхэв для всего, что связано с маркетингом», — Антон Хоменок о Telegram-трафике, развитии собственного бизнеса и построении личного бренда