Une plateforme d'iGaming desservant un million d'utilisateurs n'applique que cinq pour cent des données des joueurs collectées aux décisions opérationnelles. Le reste des informations reste stocké dans les entrepôts de données de l'entreprise sans influencer la stratégie de gestion.
L'opérateur enregistre des pétaoctets d'activité, y compris les clics individuels, les transactions de dépôt, les montants misés, les sélections de machines à sous, les durées de session et les journaux de chat d'assistance. Les analyses actuelles se concentrent exclusivement sur les dates de dépôt, les valeurs des transactions et les périodes d'inactivité des joueurs.
L'infrastructure de stockage maintient l'ensemble du jeu de données, mais les enregistrements inutilisés génèrent des dépenses de maintenance continues sans contribuer aux choix de la plateforme.
Traitement des données et intégration de l'apprentissage automatique
Netflix analyse quatre-vingt-quinze pour cent des indicateurs des utilisateurs pour optimiser la diffusion de contenu, en suivant les heures de visionnage, les types d'appareils, les modèles de pause et les points d'abandon d'engagement. Le secteur de l'iGaming fait face à un volume de données similaire mais manque d'une couche de traitement dédiée pour convertir les métriques brutes en informations exploitables.
La mise en œuvre de modèles d'apprentissage automatique pour évaluer les comportements de mise changeants sur des intervalles de sept jours pourrait faire passer l'utilisation des données de cinq pour cent à cinquante pour cent. Les cadres analytiques améliorés sont directement corrélés à une augmentation des revenus de la plateforme.
L'analyse a été publiée par R2B.News et rédigée par Viktor Andriychuk, ingénieur en IA pour l'iGaming spécialisé dans les systèmes de rétention et la détection de fraude.