Почему широкий каталог не гарантирует вовлеченность

Большой выбор игр не всегда означает, что игрок действительно его видит. Если блок рекомендаций собирается вручную и выглядит одинаково для всей аудитории, велика вероятность, что пользователь просто проигнорирует новые тайтлы. Потому что они не попадают в его интересы. 

Так было у оператора с ~615k MAU: каталог рос, а игроки продолжали возвращаться к одним и тем же играм. MICo заменила ручную подборку на Recommendation System — ML-решение, которое формирует персональную выдачу рекомендаций с играми на основе поведенческих сигналов игрока — частоту визитов, ставки, взаимодействие с блоком — но при этом не использует персональные данные.

После внедрения ML-рекомендаций GGR всего казино вырос на 14%, а доля пользователей, которые начали играть через секцию рекомендаций, увеличилась на 12,7%. Дополнительный трафик для этого не привлекали.

В кейсе команда подробно разбирает, как изменилась выдача и как внедрение Recommendation System отразилось на ключевых финансовых метриках оператора. 

А для тех, кто хочет протестировать решение на своем продукте, у MICo доступно демо.

🚩 C-lvl — первая полоса топ-менеджмента