Jak działa Autonomiczny Agent od Gamblitude?

Każdy biznes iGamingowy generuje nieprzerwany strumień danych: zakłady, sesje, depozyty, wypłaty, wykorzystane bonusy, kampanie CRM, wydatki na paid media, ruch afiliacyjny. Paradoks całej sytuacji polega jednak na tym, że większa ilość danych wcale nie przyspieszyła procesu podejmowania decyzji.

Bywa wręcz odwrotnie. Liczby żyją w osobnych systemach, każdy dział liczy ten sam KPI trochę inaczej, a proste pytanie o to, dlaczego we wtorek spadła konwersja, może czekać w kolejce do BI aż do piątku. Kiedy odpowiedź w końcu przychodzi, moment na reakcję przeważnie już minął.

Temu paradoksowi czoła stawić chce Gamblitude. Firma określa się jako platforma danych stworzona wyłącznie dla iGamingu, obejmująca cały łańcuch od zbierania danych przez analitykę aż po AI i modele predykcyjne, a wszystko to wszystko oparte na jednym zarządzanym modelu danych. We wrześniu doszła do tego nowa warstwa: Autonomous Agent, który po uruchomieniu bada wyniki biznesowe przez całą dobę i nie czeka, aż ktoś zapyta.

Zbudowane przez ludzi, którzy mierzyli się z tymi samymi problemami

Założyciele Gamblitude, Wojtek Sznapka i Piotr Cerlak, spędzili ponad dekadę w ekosystemie operatorskim, zarówno po stronie komercyjnej, jak i technologicznej. Zauważyli oni, że w różnych markach i na różnych rynkach, nieustannie wracały do nich te same problemy.

Raportowanie działało wolno. Trzy działy potrafiły przyjść na jedno spotkanie z trzema różnymi wartościami NGR. Gotowe narzędzia BI, projektowane z myślą o ecommerce albo SaaS, nie rozumiały ani zmienności marży, ani wskaźników akceptacji zakładów, ani tego, jak zachowuje się koszt bonusów. Analitycy zszywali ze sobą eksporty z Excela, bo nikt do końca nie ufał warstwie BI, a zbudowanie własnego stacku danych oznaczało duży i stały koszt.

Teza Gamblitude jest taka, że nie są to osobne problemy wymagające osobnych narzędzi, a objawy braku jednego wspólnego fundamentu.

Jeden model danych u podstaw wszystkiego

Platforma Gamblitude zbiera w jednym środowisku dane z platform gamingowych, systemów płatniczych, CRM, marketingu i pozostałych systemów operacyjnych, dając operatorowi spójny obraz biznesu. Ważniejsze jest jednak to, co z danymi robi dalej: buduje i utrzymuje relacje między nimi, czyli to, jak łączą się ze sobą gracze, zakłady, depozyty, bonusy i kampanie, oraz co dokładnie oznacza każda metryka biznesowa.

Ten wspólny model biznesowy staje się kontekstem każdej analizy. Rozstrzyga też odwieczny spór o to, czyja wersja NGR jest prawdziwa, bo definicja istnieje w jednym miejscu, a wszystkie warstwy powyżej z niej korzystają.

Dalej stoją narzędzia, z których zespoły korzystają codziennie. Użytkownicy sami eksplorują dane, budują dashboardy wokół własnych obszarów odpowiedzialności, generują raporty z analizą AI albo własnym komentarzem i śledzą wyniki pod kątem targetów. Niezależnie od tego, który dział pyta, wszyscy pracują na tych samych definicjach. Dane platforma trzyma przy tym na poziomie zdarzeń, bez wstępnej agregacji, więc zachowania da się badać aż do pojedynczego zakładu czy sesji. Całość obejmuje certyfikat ISO/IEC 27001, dostęp oparty na rolach i pełne ścieżki audytu.

Na tym samym fundamencie opiera się warstwa AI, która dzięki temu rozumie biznes w uporządkowany sposób. Agent pracuje na metrykach operatora, relacjach w danych i kontekście konkretnego rodzaju biznesu, a pamięć wcześniejszych rozmów i zdarzeń w firmie zachowuje ciągłość między kolejnymi analizami. Nowe pytanie może więc bazować na tym, co zespół już omówił i ustalił.

Sama praca z tą warstwą może wyglądać różnie, w zależności od potrzeby. Z AI Agentem użytkownik rozmawia o konkretnym pytaniu, wchodzi w szczegóły wniosku i szuka wyjaśnień w toku dyskusji. W Insight Radar użytkownik definiuje z kolei analizę, która ma się powtarzać regularnie, żeby platforma wracała do najistotniejszych tematów i przynosiła zespołowi wyniki. Reports zamieniają natomiast pracę analityczną w dokumenty, które można udostępniać i omawiać w całej firmie.

Do tego wszystkiego dochodzą Predictive Models, które pomagają przewidzieć, co może się stać dalej. Sygnały o przyszłej wartości i rotacji graczy, reakcji na bonusy i preferencjach dotyczących contentu wspierają decyzje o wydatkach na akwizycję, retencję i personalizację. Finalnie trafiają one do Segments, dashboardów i alertów zamiast zostawać w osobnym projekcie data science. Modele odpowiedzialnej gry dokładają sygnały, które pomagają wcześniej wychwycić graczy potrzebujących wsparcia.

Platforma obsługuje kasyno online, zakłady sportowe, sweepstakes, prediction markets, loterie, poker, afiliację i dostawców platform. Jedna integracja tworzy wspólny fundament danych dla całości, w tym dla samodzielnych analiz Autonomicznego Agenta.

Od pytań do odpowiedzi

Do tej pory skala korzyści z platformy zależała od tego, czy ktoś wiedział, czego szukać. Użytkownik zadawał AI Agentowi pytanie albo ustawiał cykliczną analizę w Insight Radar. Autonomous Agent zmienia nieco zasady gry i znosi tę zależność, a założyciele mówią otwarcie, że była to bariera, którą chcieli usunąć.

„Gamblitude sprawia, że eksplorowanie danych, budowanie dashboardów i raportów w kilka minut czy delegowanie zadań analitycznych do AI Agenta są proste. Ale nie każdy ma odruch samodzielnego wchodzenia w dane. Co ważniejsze, nawet najbardziej 'data-driven’ ludzie mają ograniczony czas. To był dla nas impuls do stworzenia Autonomous Agenta. Chcieliśmy, żeby platforma wykazywała więcej inicjatywy: żeby dalej eksplorowała, kiedy użytkownicy zajmują się prowadzeniem biznesu, łączyła sygnały, które mogą im umknąć, i wyciągała na wierzch wnioski warte ich uwagi. Korzyść z własnych danych nie powinna zależeć wyłącznie od tego, czy ma się czas i pomysł, żeby ich poszukać”.

Piotr Cerlak, co-founder Gamblitude

Gamblitude porządkuje więc dziś pracę z AI w trzech trybach. W AI Agencie użytkownik zadaje pytania, w Insight Radar definiuje, co i jak często ma być sprawdzane, a w Autonomous Agencie to system sam decyduje, co zbadać.

Kiedy dane operatora są już podłączone, niezależnie od tego, czy to dane transakcyjne, CRM, paid media czy afiliacyjne, agent rozpoczyna własne analizy w tle. Podąża za powiązanymi sygnałami w różnych obszarach biznesu i publikuje insight, kiedy znajdzie coś istotnego, niezależnie od tego, czy będzie to okazja, narastający problem, anomalia czy po prostu wzorzec wart odnotowania. Nie ma promptów do napisania ani reguł do skonfigurowania.

Dwa przykładowe scenariusze pokazują, jak to wygląda w praktyce.

W pierwszym scenariuszu pozyskanie gracza z pierwszym depozytem kosztuje 60 euro w jednym kanale i 40 euro w drugim. Droższy kanał wygląda więc na oczywistego kandydata do cięcia budżetu. W tym miejscu do gry wchodzi jednak agent, który łączy wydatki akwizycyjne z późniejszą aktywnością graczy i porównuje kohorty w tym samym momencie ich cyklu życia.

Okazuje się, że po 30 dniach gracze z kanału za 60 euro wygenerowali średnio 120 euro NGR każdy, wobec 55 euro z kanału tańszego. Wyższy koszt pozyskania idzie więc w parze ze znacznie większą wartością gracza, co daje zespołowi akwizycji powód, żeby przemyśleć alokację budżetu, a nie go uciąć.

W drugim przypadku konwersja z rejestracji na pierwszy depozyt spada z 40% do 20%. Agent idzie tym tropem w stronę procesu płatności i znajduje wzrost liczby nieudanych prób pierwszego depozytu skoncentrowany na jednej metodzie płatniczej, podczas gdy konwersja graczy korzystających z pozostałych metod pozostaje stabilna.

To, co na pierwszy rzut oka wyglądało na problem akwizycyjny, wskazuje więc jednak na problem z płatnościami, który warto naprawić, zanim ktokolwiek dotknie budżetów kampanii. Znalezienie takiego powiązania wymaga jednoczesnej widoczności akwizycji, zachowania graczy i aktywności płatniczej.

W obu przypadkach insight przychodzi z liczbami, okresami porównawczymi i powiązanymi obserwacjami. Opcja „Discuss with AI Agent” otwiera rozmowę z już dołączonym kontekstem i przygotowanym pytaniem, więc zespół może sprawdzić, które grupy graczy są dotknięte problemem, przetestować możliwe wyjaśnienia i zdecydować, co dalej.

Agent, który uczy się biznesu

Według Gamblitude agent buduje kontekst w czasie. Dostosowuje się do rodzaju biznesu operatora, więc kasyno i bukmacher dostają analizy odpowiadające temu, jak faktycznie działają. Dodatkowo zachowuje pamięć wcześniejszych rozmów i zdarzeń biznesowych, więc nowe wnioski łączą się z wcześniejszymi ustaleniami. Zespół może też kierować jego uwagę bezpośrednio, oznaczając tematy jako istotne albo nie, co zawęża obszar zainteresowania i odsiewa szum.

Dystrybucja jest zorganizowana wokół roli w firmie. Zespół CRM subskrybuje insighty z obszaru CRM, a akwizycja, trading, płatności, RG, AML czy finanse śledzą własne kategorie. Insighty pojawiają się na platformie i mogą być wysyłane na e-mail, Slacka, Microsoft Teams, Telegrama, przez webhooki albo przez MCP.

Kiedy ktoś klika „I’ll take this”, jego awatar pojawia się przy danym insighcie, więc koledzy widzą, że temat jest już obsługiwany i nikt nie dubluje pracy.

Co się zmienia po stronie operatora

Okazje i narastające problemy przestają zależeć od tego, czy ktoś akurat zajrzy w odpowiednie miejsce w odpowiednim momencie. Ktoś pilnuje biznesu bez przerwy, co oznacza, że zespół dowiaduje się o wnioskach wtedy, gdy jest jeszcze przestrzeń na reakcję, a nie przy miesięcznym podsumowaniu.

Zmienia się też to, na co przeznaczany jest czas analityków. Zamiast przeglądać dashboardy w poszukiwaniu czegoś, co mogło pójść nie tak, zespoły startują od wniosków, które mają już dowody i zaproponowane następne pytanie.

Słabnący kanał akwizycji, metoda płatnicza, która przestaje działać, market ciągnący w dół marżę dostawcy. To są rzeczy, które wychodzą na wierzch dzięki pracy Autonomous Agenta i trafiają do zespołu, który może na ich podstawie podjąć odpowiednie działania.

Autonomia z wyraźną granicą

Gamblitude jasno definiuje, co oznacza tu słowo „autonomiczny”. Autonomia dotyczy tutaj samego badania. Agent wybiera, na co patrzy, i łączy fakty. To, co stanie się potem, pozostaje jednak decyzją zespołu.

Co prowadzi do pytania, które każdy head of data zadaje jako pierwsze: jak system, który sam decyduje, co zbadać, ma nie zasypać wszystkich alertami?

„Wniosek może być poprawny analitycznie i jednocześnie mieć niewielką wartość operacyjną. Prawdziwym wyzwaniem jest zrozumienie, które zmiany zasługują na uwagę i dlaczego. Nasz agent łączy pojedyncze sygnały z szerszym kontekstem biznesowym, w tym z rodzajem biznesu operatora, wcześniejszymi rozmowami i istotnymi zdarzeniami w firmie. Feedback od zespołu pomaga mu z czasem zawężać ten obszar. Budujemy zdolność analityczną, która rozwija kontekst w miarę tego, jak ludzie z niej korzystają, więc każdy wniosek przychodzi z dowodami i wyraźniejszym powodem, żeby się nim zająć”.

Wojtek Sznapka, CEO i co-founder Gamblitude

To jest również to, co odróżnia takie podejście od monitoringu, który większość operatorów już ma. Alerty progowe i anomaly detection pilnują metryk wybranych wcześniej przez człowieka, co oznacza, że mogą wychwycić tylko to, co ktoś przewidział.

„Klasyczny alerting startuje od zdefiniowanego warunku: ktoś wybiera metrykę, próg albo pytanie do monitorowania. Autonomiczne badanie zmienia to, kto inicjuje tę pracę. Nasz agent sam wybiera wątki do zbadania, podąża za powiązanymi sygnałami w różnych obszarach biznesu i wyciąga na wierzch wnioski, o które zespół mógłby nigdy nie poprosić. Pracuje na tych samych definicjach metryk co reszta platformy, co daje tym analizom spójny fundament. Otwiera to inny sposób korzystania z analityki: ciągłe odkrywanie narastających problemów, okazji do wzrostu i powiązań, przy zachowaniu kontroli zespołu nad decyzjami, które z tego wynikają”.

Piotr Cerlak, co-founder Gamblitude

Autonomous Agent jest dostępny dla każdego klienta Business Intelligence Platform od Gamblitude. Integracja danych u nowego klienta mieści się w dwóch tygodniach, a agent działa od pierwszego dnia po uruchomieniu platformy.

Do tej pory nawet analityka wsparta AI była warta tylko tyle, ile pytania, które jej zadano. Agent Gamblitude idzie o krok dalej: pytania zadają się teraz same.