# MICo: How ML Identifies VIP Players and Increases Retention in iGaming > Канал: **Дивироли** (@Diveroli_Affiliate) > Дата: 21 июля 2026 > Длительность: 16:08 > Категория: interview > Источник: https://www.youtube.com/watch?v=wJkjaHFncwg > Страница: https://aff.top/videos/mico-how-ml-identifies-vip-players-and-increases-retention-in-igaming ## Краткое содержание Выпуск — интервью с представителем MICo о том, как ML-модели помогают iGaming-операторам находить VIP-игроков, персонализировать лобби и повышать retention. Основной принцип — не опираться на один фильтр вроде суммы депозитов, а анализировать поведение в комплексе: депозиты, ставки, игровые сессии и микропаттерны. Компания заявляет, что на крупных брендах недополученная выручка может достигать сотен тысяч долларов в месяц, а рекомендательная система способна дать рост GGR на игрока до 4x. Отдельно обсуждаются динамические рекомендации, автосегментация VIP и A/B-тесты на крупных мультибрендовых проектах. ## Ключевые тейки - **VIP ищут по поведению, а не по одному порогу** — Один депозитный фильтр плохо выявляет ценных игроков. Эффективнее смотреть на совокупность паттернов: частоту депозитов, ставки, сессии и то, как пользователь взаимодействует с платформой. - **Хайроллера можно увидеть уже в первые дни** — Для первичной оценки не нужны недели ожидания: если игрок быстро проявляет активность, модель может уже на 1–3 день выделить высокий потенциал и подсветить его менеджеру. - **Персонализация лобби снижает нагрузку на поиск** — Когда витрина подбирается под пользователя, он реже идёт в поиск и быстрее находит нужные игры. В кейсе после внедрения рекомендации на 70% снизились заходы в поисковую строку. - **Рекомендации дают рост GGR на игрока до 4x** — В сравнении с ручной подборкой по GEO и девайсу рекомендательная система показала рост GGR на игрока в секции до четырёх раз, если группы были корректно выровнены. - **Система должна обновляться динамически** — Интересы игрока меняются из-за сезона, настроения и контекста: отпуск, зарплата, занятость. Поэтому витрину и рекомендации важно пересчитывать ежедневно, а при возможности — хоть каждый час. - **Автосегментация ускоряет запуск VIP-моделей** — Если у оператора нет собственной VIP-сегментации, можно стартовать с автосегментации на исторических данных. Это позволяет запустить работу с VIP Intelligence на несколько месяцев раньше. ## Вопросы и ответы ### Как ML помогает находить VIP-игроков в iGaming? Модель анализирует поведение игрока в комплексе: депозиты, ставки, игровые сессии, частоту действий и похожесть на исторических VIP. По микропаттернам она отбирает пользователей с потенциалом роста. ### За сколько дней можно определить хайроллера? По словам гостя, первые выводы часто можно сделать уже в первый день, а рабочий сигнал обычно появляется за 1–3 дня. Это быстрее ручной сегментации по депозитному порогу. ### Сколько даёт рекомендательная система по GGR? В одном из кейсов при сравнении с ручной подборкой рост GGR на игрока в секции достигал до 4 раз. Дополнительно снизилась нагрузка на поиск: игроки на 70% реже искали игры вручную. ### Можно ли запускать рекомендации на холодном старте? Да, рекомендательную систему можно стартовать с нуля, используя базовые признаки вроде GEO, устройства и основных маркеров рынка. Дальше персонализация улучшается по мере накопления данных. ### Кому не подойдёт такой ML-подход? В первую очередь тем, кто не хочет автоматизировать CRM-процессы и не готов работать с данными. Но базовую рекомендательную систему всё равно можно запускать даже на новом продукте. ## Темы - Гемблинг - VIP-Игроки - Retention - Персонализация Лобби - Рекомендательные Системы - A/B Тесты - Автосегментация - GGR ## Фрагмент транскрипта Сколько теряют операторы, цифры могут достигать несколько сотен тысяч долларов в месяц. В отпуске он будет делать одни ставки или когда зарплата ему пришла. В любом случае любую модель необходимо тестировать. То есть у любого игрока есть какой-то порог, например, депозит. У вас есть ещё возможность, например, если человек любит слоты, через время ему начинает показываться реклама. Ну не реклама, а именно раздела слав казино. Ти внёс там те же самые 10, может быть 20. Ну ладно, о'кей. 100 долларов зарплата пришла. >> Конечный эффект для оператора. >> Друзья, всем привет. Находимся в Двелисе на конференции JGE Коф. Вещаем вам. Надеюсь, получится интересный подкаст. У нас в гостях Владимир BDM компании Майко. >> Привет, Коль. Ээ, да, пару слов расскажу про нас, >> чтобы вы понимали, чем вообще ребята занимаются. >> Мы разрабатываем email-модели, которые помогают операторам работать с ретеншеном, с VIP-игроками, персонализировать лобби для каждого пользователя, а, и тем самым улучшать ключевые показатели, это и JGR, и RTI. и другие вещи. У вас уже довольно много клиентов. Может, ты расскажешь какой-либо кейс, когда вы начали работать и через время оператор начинает понимать, сколько денег он раньше терял? >> Да, конечно, таких кейсов на самом деле достаточно много. Э тут результат будет зависеть от конкретных наборов данных, которые есть у оператора, от того, какие он модели использует. Но если говорить о крупном бренде, это может быть цифры, которые будут доходить до нескольких сотен тысяч долларов в месяц. Можеш чуть подробнее вообще рассказать для наших зрителей, как а вы подходите к тому, чтобы находить хайроллеров и как подходят другие продукты, которые отличаются от вас. Просто, например, я вот сегодня общался с ребятами, они мне рассказывают, что они там находят за 5-7 дней, но это довольно долго. Вы за 2-3 дня. >> Угу. Да, действительно, многие используют подход стандартной фильтрации. То есть у любого игрока есть какой-то порог, например, депозитов, после достижения которого он попадает в группу привипов, с ним связывается менеджер и проводит какую-то уже коммуникацию с ним. >> Неужели только по одному такому фактору и добавляют Рer? За столько времени не догадался никто что-то умное придумать, кроме вас? >> В том и весь смысл, что мы анализируем неконкретные параметры. Э, действительно, некоторые операты могут использовать там и три, и пть, и 10 таких фильтров. А анализируем в комплексе поведения пользователя. То есть это и депозитная активность, и ставки, и игровые сессии. И понимая паттерны какого-то игрока, можем на новых пользователях тоже находить похожих игроков с похожим потенциалом роста. >> Если не секрет, представим ситуацию. У вас за два, за 3 дня, как вы говорите, вы находите хайроллера. Как вообще это происходит? Я, например, зарегистрировался на продукте, внёс там те же самые 10, может быть 20. Ну ладно, о'кей. 100 долларов зарплата пришла. А как определить, что это в… *(Полный транскрипт на странице видео.)* --- Источник данных: aff.top — открытая база арбитражного коммьюнити. Канонический URL: https://aff.top/videos/mico-how-ml-identifies-vip-players-and-increases-retention-in-igaming