Tasa de abandono de jugadores en iGaming: medir y reducir

Defina el abandono antes de contar

Decida cuatro cosas una sola vez y déjelas por escrito.

1. Evento de actividad. Una apuesta o un depósito es más fiable que un inicio de sesión, porque los jugadores entran para ver el saldo o retirar.
2. Alcance. La cuenta entera o un solo producto. Un jugador que dejó los slots por las apuestas deportivas dejó el casino, pero no la marca.
3. Ventana. 30, 60 o 90 días de inactividad.
4. Población. Jugadores con al menos un depósito. Los registros sin depósito pertenecen al onboarding y al análisis del primer depósito.

Merchie y Ernst, en un estudio con datos de la empresa belga de juego online Gaming1, usaron una versión concreta. Un jugador se considera perdido tras 35 días sin actividad. Un día cuenta como activo si el jugador tuvo al menos una sesión de juego, una apuesta deportiva o un depósito. Copie la forma, no los valores: un evento de actividad explícito y un umbral explícito.

Separe dos estados. Una pausa es un silencio corto que activa un mensaje. Una pérdida es un silencio largo, por ejemplo de 90 días, y es la cifra que se reporta. Un jugador que supera su umbral de inactividad es un jugador inactivo. Recuperar a los jugadores inactivos es otra tarea, tratada en campañas de reactivación de jugadores.

Calcule la tasa de abandono y el abandono por valor

El cálculo usa un periodo base y un periodo de observación.

Tres reglas mantienen honesta la cifra.

• Use los mismos jugadores en el numerador y en el denominador. Los registros nuevos de febrero no entran en el cálculo.
• Muestre lado a lado una tasa de pausa de ventana corta y una tasa de pérdida de ventana larga. Algunos de los 7.000 volverán en marzo.
• Desglose la tasa por cohorte: mes de registro, canal de captación, importe del primer depósito y primer producto. El método está en análisis de cohortes en iGaming.

La tasa de abandono y la tasa de retención son la misma medición vista desde dos lados. Consulte la entrada del glosario sobre la tasa de churn.

Pondere el abandono por valor

Una tasa plana trata igual a un jugador que deposita 10 € al mes y a un habitual de alto valor. El abandono por valor lo corrige. Si el 35% de los jugadores abandonó pero solo produjo el 12% del NGR, el problema es menor de lo que parece. Si produjo el 30%, está perdiendo ingresos centrales.

Use NGR y no GGR, porque el coste de los bonos puede convertir a un jugador muy activo en una pérdida. La diferencia se explica en NGR vs GGR.

Lea una tasa alta frente a su propio historial

Una cifra de abandono solo es comparable si coinciden el evento de actividad, la ventana y la población. Use estas comprobaciones en lugar de una referencia externa.

• Su propia tendencia con la definición congelada. Una subida de varios puntos en dos o tres periodos comparables es una señal.
• Curvas de cohortes. Si las cohortes recientes pierden jugadores más rápido que las antiguas a la misma edad, cambiaron la calidad de captación, el onboarding, el producto o la política de bonos.
• Abandono por valor frente a abandono en número de jugadores.
• Estacionalidad. Los grandes eventos deportivos, los ciclos de nómina y las fiestas mueven la actividad. Compare periodos equivalentes.

Encuentre las señales tempranas

Los jugadores rara vez desaparecen de la noche a la mañana. Primero decae el comportamiento, y un programa de retención puede actuar sobre ese deterioro. Convierta estas señales en números y pruébelas con sus datos.

Deslice la tabla hacia el lado →

La señal que importa es el cambio respecto al propio historial de ese jugador. Un jugador semanal y uno diario tienen intervalos normales distintos.

Las causas varían según el operador, así que trátelas como hipótesis que probar. Las frecuentes: ausencia de segundo depósito, captación basada en bonos, dependencia de una liga o un torneo, fricción en pagos y verificación, mensajes irrelevantes y ofertas de la competencia. Para saber cuáles dominan en su base, mapee dónde abandonan los jugadores por etapa del ciclo de vida, como en gestión del ciclo de vida del jugador.

Prediga quién se irá

Una regla como "30 días sin apostar" actúa cuando el jugador ya se fue. Un modelo puntúa a los jugadores mientras siguen activos, de modo que un arreglo o un mensaje pueden llegar antes y un presupuesto limitado puede ir a los jugadores adecuados.

Defina el objetivo

El objetivo tiene tres parámetros. Equivocarse en ellos es el error de modelado más común.

• Ventana de historial: cuánto mira atrás el modelo, por ejemplo 60 días.
• Definición de abandono: inactividad de N días.
• Horizonte de predicción: con cuánta antelación se predice. En el estudio de Merchie y Ernst el modelo leyó 60 días de historial y predijo el abandono de los 30 días siguientes.

Puntúe solo a los jugadores que siguen activos en la fecha de puntuación. Predecir que un jugador inactivo está inactivo es trivial.

Elija variables y modelo

Parta de la tabla de señales. Recencia (días desde la última apuesta y el último depósito), frecuencia (sesiones y depósitos por semana), valor (apuestas, depósitos, NGR), tendencias (últimos 14 días frente a los 14 anteriores), mezcla de productos, eventos de pago, peso del bono, contactos con soporte, respuesta a los mensajes y antigüedad.

Empiece con una regresión logística regularizada. Es rápida, un responsable de CRM puede leerla y fija una línea base que otros modelos deben superar. Después pruebe los árboles con gradient boosting. Los modelos de secuencias aprenden directamente de series temporales diarias.

Merchie y Ernst usaron redes recurrentes con los datos de Gaming1. Sus resultados fijan expectativas realistas.

• Alrededor del 22% de las muestras de prueba eran jugadores que abandonaron.
• Tres tipos de celda recurrente lograron una precisión de 0,62 a 0,64 y una exhaustividad de 0,49 a 0,61 para la clase de abandono. La exactitud (accuracy) fue de unos 0,83.
• La exactitud sola engaña con clases desbalanceadas. Un modelo que dijera "no abandona" para todos obtendría cerca del 78% en esa división.

El modelo ordena a los jugadores lo bastante bien para ser útil. También se equivoca con una minoría grande de ellos.

Valide como un pronóstico

• Divida por tiempo. Entrene con fechas anteriores y pruebe con las posteriores. Una división aleatoria filtra comportamiento futuro al entrenamiento.
• Compruebe fugas de datos. Cualquier variable que use información posterior a la fecha de puntuación hace que el modelo parezca fuerte y falle en producción.
• Use métricas de ranking. Mida precisión y exhaustividad en el punto de corte que va a usar, y el lift del decil superior: cuánto mayor es la tasa de abandono en el 10% con mayor puntuación que la media.
• Compruebe la calibración. Si el modelo dice 70%, cerca del 70% de esos jugadores deben abandonar.
• Cuente con la deriva del modelo. En el mismo estudio, los autores vieron que la exhaustividad de los eventos de abandono empieza a caer cuando la ventana de entrenamiento es inferior a un año aproximadamente. También vieron que las métricas se movían en torno a dos hechos puntuales: el operador dejó de ofrecer varios tipos de bono por motivos legales en marzo de 2020, y el casino estuvo inaccesible varios días en junio de 2020. Revise cada mes y tras cualquier cambio importante de producto o de bonos.

Un modelo dice quién probablemente se irá. No dice quién responderá a un mensaje. Algunos jugadores de alto riesgo están perdidos de todos modos, otros se quedarían sin contacto y a unos pocos el contacto los irrita. El modelado de uplift aborda esto. Gutierrez y Gérardy lo definen como el conjunto de técnicas que modelan el impacto incremental de una acción o tratamiento sobre un resultado del cliente. Puede empezar sin modelos de uplift, pero necesita un grupo de control.

Intervenga y pruebe el efecto

Adapte la acción a la causa

• Corrija primero la fricción. Los depósitos fallidos, los retiros lentos y los retrasos de verificación cuestan menos de corregir que de compensar. Derive a estos jugadores a soporte, no a una promoción.
• Active por comportamiento. Contacte a un jugador cuando su intervalo supere su propia norma, no el día 30 para todos. El plan más amplio está en estrategias de retención de jugadores.
• Vincule las ofertas al producto que el jugador usó. Pruebe una oferta específica de producto frente a una recarga genérica.
• Rote los canales según la evidencia. Si un jugador ignora un canal, un cuarto correo no es la respuesta.
• Limite la dependencia del bono. Los descuentos fuertes elevan la actividad este mes y enseñan a los jugadores a esperar la próxima oferta. Compare el NGR tras el coste del bono.
• Dé a los jugadores valiosos un contacto personal de un gestor VIP o de retención. Automatice la cola larga.

Ejecute la prueba con grupo de control (holdout)

Decir que el 30% de los jugadores contactados volvió no prueba nada, porque algunos habrían vuelto igualmente.

1. Defina la audiencia elegible antes de la campaña, por ejemplo jugadores por encima de un punto de corte de riesgo que estén activos y no suprimidos.
2. Asigne un grupo de control aleatorio de esa audiencia. Cuanto menor sea la base, mayor será el porcentaje que necesita.
3. Trate solo al resto. El grupo de control no recibe ningún mensaje de este programa.
4. Compare la tasa de regreso, los depósitos por jugador y el NGR por jugador tras el coste del bono y de la campaña, en una ventana fija.
5. Reporte la diferencia, con un intervalo de confianza si los volúmenes lo permiten.

Cuatro cosas estropean la prueba.

• Un grupo de control elegido a mano o distinto en valor del grupo de campaña. Aleatorice y luego compruebe el NGR pasado y la antigüedad.
• Un grupo de control contaminado por otras campañas. Mantenga un grupo de control global permanente cuando corran varios programas a la vez.
• Una ventana demasiado corta. Un bono puede adelantar un depósito sin añadir ninguno. Mire de 30 a 60 días.
• ID de jugador distintos en el CRM y en el PAM. Audiencia, ID y NGR deben cuadrar antes del lanzamiento.

Si un grupo de control real es imposible, una cohorte histórica comparable es un sustituto más débil y debe presentarse como estimación. Puede modelar de antemano la economía de la cohorte con la calculadora de economía de campañas.