The Playa и NEXT опросили 151 специалиста из iGaming-индустрии о применении AI и ML. Мы выбрали шесть сценариев, в которых компании внедряют эти технологии на разных этапах взаимодействия с игроком, и разобрали, какие задачи они решают, насколько широко применяются и где уже дают измеримый эффект.
🔵Привлечение
AI помогает прогнозировать LTV, оптимизировать рекламу и оценивать трафик. Такие решения используют или тестируют 40% операторов и платформ, полностью внедрили — 11%.
Среди пользователей AI 70% прогнозируют LTV, 65% оптимизируют рекламу, 34% анализируют качество трафика и фрод. При этом 72% последних не измеряют экономию бюджета.
🔵Сегментация
AI в сегментации используют или тестируют 38% компаний, однако в полном объеме такие решения внедрены только у 14%. Даже среди компаний, которые относят свою сегментацию к AI/ML, лишь около четверти позволяют моделям самостоятельно находить поведенческие группы.
Большинство по-прежнему делит игроков по заранее установленным параметрам: сумме депозитов, активности и давности последней сессии. Для новых игроков сегментацию используют при активации и оценке маркетинговых каналов, для активных — при настройке retention и принятии продуктовых решений.
🔵Predictive analytics
В этом сценарии AI решает три основные задачи: прогнозирует LTV активных игроков, помогает заранее заметить риск churn и выявить потенциальных VIP. На постоянной основе predictive analytics применяют 16% операторов и платформ, еще 24% тестируют или планируют внедрение таких решений.
Среди компаний, использующих AI/ML для прогнозирования, 47% работают с LTV, 35% — с churn и 24% — с ранним выявлением VIP. Но сам прогноз не приносит результата, пока команда не использует его в работе: две трети операторов с churn-моделями получают сигналы о возможном уходе игрока, но пока никак на них не реагируют.
В компаниях, где прогноз связан с дальнейшей коммуникацией или предложениями, среднемесячный retention вырос на 2–4 п.п., а в отдельных случаях — более чем на 7 п.п. Здесь выборка небольшая, поэтому цифры показывают возможный эффект, но не являются рыночным бенчмарком.
🔵Бонусы
AI может подбирать размер, тип и параметры бонуса с учетом ценности игрока, его поведения и реакции на прошлые предложения. Но этот сценарий остается одним из наименее развитых: в полном объеме AI/ML-рекомендации внедрили 11% компаний, еще 25% их тестируют.
Среди операторов, использующих AI для бонусов, 80% персонализируют предложения на уровне сегментов. До индивидуального bonus flow для конкретного игрока дошли только 7%. Поэтому значительная часть того, что компании называют AI-персонализацией, пока строится на обычных правилах — например, размере среднего депозита или заранее заданной категории игрока.
🔵Персонализация лобби
AI помогает менять порядок игр и подборки с учетом поведения игрока. Полностью внедрили такие решения 17% компаний, еще 25% их тестируют или планируют внедрение.
Среди операторов, уже использующих AI/ML, 47% обновляют лобби ежедневно или чаще. Среди компаний без AI так поступают 27%: они могут менять выдачу вручную или по заданным правилам, но автоматизация позволяет делать это чаще.
Первые результаты выглядят положительно, однако основаны на небольшой выборке. Среди компаний, измеряющих эффект, рост GGR составляет 3–9%, а retention — 2–6 процентных пунктов. Наиболее заметные результаты операторы фиксируют среди активных игроков, поскольку по ним накоплено больше поведенческих данных.
🔵Поддержка
Это самый распространенный сценарий: AI/ML используют 65% операторов и платформ, полностью внедрили — 29%. Еще 32% респондентов называют поддержку самым эффективным AI-направлением.
Чат-боты применяют 71% компаний, работающих с AI в поддержке, подсказки для операторов — 55%. Приоритизация тикетов и анализ эмоционального состояния встречаются реже из-за риска ошибок и compliance-последствий.
🚩 C-lvl — первая полоса топ-менеджмента