Что такое машинное обучение и как оно меняет букмекерский бизнес
Дмитрий Акимов, руководитель центра аналитики «Лига Ставок».
Машинное обучение в широком смысле — это набор методов обработки данных, которые позволяют искать закономерности без заданных четких правил. Это помогает решать широкий спектр задач для любого бизнеса — будь то оптимизация затрат на логистику или поиск потенциальной аудитории для кросс‑продаж нового продукта.
В букмекерском бизнесе клиент сталкивается с машинным обучением на каждом этапе взаимодействия с компанией, хотя часто даже не подозревает об этом. Как только человек оставил свой номер телефона, по нему уже начинают работать различные модели оценки склонности к риску, потенциального дохода, вовлеченности в ставки и так далее. Все эти модели срабатывают на стороне наших поставщиков, и мы получаем вероятности принадлежности клиента к тому или иному сегменту. В зависимости от сегмента клиенту будут предложены наиболее интересные ему акционные механики.
Например, если мы поняли, что у нас зарегистрировался опытный VIP‑игрок, ему звонит персональный менеджер и предлагает акционную механику с соответствующим уровнем вознаграждения и статусом в нашей программе привилегий. Я неспроста начал говорить о VIP‑клиентах: в букмекерском бизнесе до 80 % GGR (Gross Gaming Revenue) приходится именно на крупных клиентов, и вычленение из потока новых регистраций потенциальных VIP‑игроков — первостепенная задача для бизнеса. По нашей статистике таких клиентов — меньше 1 %.
Еще до первой ставки клиента, мы уже обладаем определенной информацией: знаем регион, откуда была регистрация, модель устройства, пол, возраст, время регистрации и тому подобное. Таким образом мы можем предложить клиенту наиболее подходящее спортивное событие на основе статистики ставок похожих пользователей. Для примера: в 19:15 у нас зарегистрировался клиент Сергей из Челябинска, а в 19:30 начинается матч челябинского «Трактора». По статистике ставок из этого региона вероятность того, что Сергею будет интересен этот матч, довольно высока — и мы можем подсветить ему это событие.
Если обобщать, то большинство моделей машинного обучения пытаются ответить на два вопроса: что предложить клиенту и когда ему это предложить. Теоретически это можно сделать и без применения ML‑моделей, проведя достаточное количество A/B‑тестов на различных сегментах клиентов с разными офферами. Но администрирование и оценка A/B‑тестов — трудоемкий процесс, особенно если предложений и клиентских сегментов много.
Именно поэтому мы решили уйти от ручного труда и создали модель, которая на основании пары сотен характеристик по каждому клиенту формирует сегменты, сама собирает оффер из конструктора (в нем выбираются сумма фрибета, сумма необходимого депозита, вейджер и т. п.) и предлагает собранный оффер разным клиентам, на каждом шаге используя обучение с подкреплением (RL), оптимизируясь для повышения NGR (Net Gaming Revenue).
Есть еще спектр задач, где можно применять машинное обучение, например трейдинг. Оно особенно полезно для нишевых событий, таких как киберспорт, где не всегда много клиентов. При покупке статистики у скаута событие для букмекера может оказаться убыточным по GGR. Поэтому в таких случаях мы заменяем живого скаута на CV (Computer Vision), что позволяет предлагать больше событий с меньшими затратами и улучшать коэффициенты для клиентов.
Хочется также упомянуть ставшие в последнее время популярными LLM‑модели. Им мы тоже нашли применение в нашем бизнесе — но больше как ассистенту для сотрудника. Например, в нашей BI‑системе более 100 отчетов, и каждый раз приходилось долго вспоминать, в каком отчете какие данные, чтобы их проанализировать. Поэтому мы создали сервис, в который можно в свободной форме описать, какие данные необходимы, он в свою очередь выдаст ссылку на отчет, в котором они есть.
Позже мы подумали: если LLM «знает», где лежат данные, то она же может и выгрузить их из БД. Дообучив модель, мы получили такого «джуна‑аналитика», который на связи в любое время дня и ночи и может помочь достать данные и сформировать краткий отчет, понятный бизнесу.
Такие запросы, как «построй динамику оборота по месяцам с начала года» или «скажи, какой бюджет у нас по NGR в текущем месяце», решаются автоматически — без привлечения людей или просмотра отчетов.
