Bonus Verimliliğini Ölçen AI Skor Kartı: Metodoloji ve Uygulama Örnekleri

Giriş — Neden yapay zekâ destekli analizler?

Casino promosyonları (bonuslar) farklı hedeflere hizmet eder: yeni kullanıcı edinimi, yatırımı artırma, yeniden aktifleştirme veya oyuncu değerini (LTV) koruma. Birden çok hedef ve oyuncu segmenti olduğunda, hangi teklifi hangi segmente sunacağınız net olmayabilir. Yapay zekâ destekli analizler ile oluşturulmuş bir skor kartı, farklı veri kaynaklarını bir araya getirerek bonus etkinliğini sistematik şekilde sıralamaya ve kararları veriyle desteklemeye yardımcı olur. Bu kılavuzda hedefimiz metodoloji, veri gereksinimleri, A/B test entegrasyonu ve uygulama örneklerini pratik adımlarla açıklamaktır.

Hangi veriler gereklidir? (first_party_data odağı)

Etkin bir skor kartı için mümkün olduğunca güvenilir, oyuncuya dayalı (first_party_data) veri gerekir. Dış kaynaklar faydalı olabilir ama temel modellerin ilk kaynağı platformunuzun kendi verileri olmalıdır.

• Oyuncu düzeyi olay verileri: oturumlar, yatırma/çekme işlemleri, oynanan oyun türleri, bahis miktarı, kazanma/zarar, oturum süresi.
• Promosyon/teklif verileri: bonus tipi, wagering requirement (çevrim şartı), maksimum ödeme, uygun oyunlar, teklif kanalı, süre ve kullanılabilirlik.
• Segment ve geçmiş davranış: kayıt tarihi, VIP seviyesi, geçmiş ARPU/ARPPU, churn geçmişi.
• Teknik ve bağlamsal veriler: cihaz türü, ödeme yöntemi, ülke/konum (regülasyonlara göre anonimleştirilmiş).

Aşağıdaki tablo örnek bir saha setini özetler:

Hedef (label) belirleme: Neyi ölçüyoruz?

Skor kartı için hedef değişkeni dikkatle tanımlamak gerekir. Bazı yaygın hedefler:

• İncremental deposit: teklifin kontrol grubuna kıyasla zorunlu olarak yarattığı ek para akışı.
• Conversion probability: teklif verildiğinde oyuncunun teklifi kullanma olasılığı.
• Retention uplift: teklif sayesinde 7/30/90 gün içinde oyuncunun tekrar aldığı değer.

En güvenilir etki ölçümü genellikle rastgele atamalı A/B testlerinden gelir. Gözlemsel veride ise konfondörlere dikkat ederek özellik dengesi ve dengeleme yöntemleri (ör. propensity score) kullanılmalıdır. Eğer mümkünse, model etiketlerini A/B test verileriyle etiketleyip geniş veri üzerinde genelleştirmek en sağlam yaklaşımdır.

Özellik mühendisliği ve model önerileri

Özellikler (features) hem teklifin hem de oyuncunun karakteristiklerini yansıtmalıdır. Öne çıkan özellik tipleri:

• Offer-level: çevrim şartı, maksimum ödeme, uygun oyun kategorileri, bonus yüzdesi, süre.
• Player-level: son 30 gün yatırma sayısı, ortalama bahis, VIP seviyesi, churn riski, tercih edilen oyunlar.
• Contextual: teklifin sunulduğu kanal, zaman dilimi, cihaz.

Model seçimi veri hacmine ve açıklanabilirlik ihtiyacına göre değişir. Seçenekler:

• Basit metrik tabanlı skorlar: Hızlı prototipler için kurallara dayalı bileşenler (ör. risk, maliyet, beklenen etki).
• Denetimli öğrenme: sınıflandırma veya regresyon modelleri (lojistik regresyon, gradient boosting) ile conversion veya incremental value tahmini.
• Uplift modelleri: Gerçek etkiyi (treatment effect) doğrudan tahmin eder. A/B test verisiyle daha sağlam sonuç verir.
• Bayesyen yaklaşımlar: Küçük veri veya yüksek belirsizlik durumlarında belirsizliği modellemek için uygundur.

Açıklanabilirlik önemliyse SHAP benzeri açıklama teknikleri veya daha şeffaf modeller tercih edilmelidir. Modelin çıktısını insanın inceleyebileceği şekilde sunmak, operasyonel kabul için kritiktir.

Skor kartı tasarımı — bileşenler ve kombinasyon

Skor kartı genellikle bileşen tabanlıdır: her teklif için birkaç alt skor hesaplanır ve bunların birleşimi nihai skoru verir. Tipik bileşenler:

• Acquisition Score — yeni kullanıcı kazanma potansiyeli
• Retention Score — mevcut oyuncuyu elde tutma etkisi
• Value Score — tahmini net gelir katkısı (kortaj sonrası)
• Cost / Risk Score — bonus maliyeti ve suiistimal riski
• Uygunluk / Compliance — coğrafi veya düzenleyici sınırlamalara uygunluk

Örnek birleşim (örnek amaçlı):

• final_score = 0.35*Acquisition + 0.30*Retention + 0.25*Value - 0.10*Cost

Bu sayılar örnektir; her ürün takımı hedeflerine göre ağırlıkları yeniden belirlemelidir. Skor aralığını 0–100 olarak normalize etmek, operasyonun filtreleme eşiği koymasını kolaylaştırır.

A/B test entegrasyonu ve model doğrulama

Modelin iddialarını doğrulamak için A/B testleri kritik öneme sahiptir. Pratik adımlar:

1. Model çıktısını kullanarak teklifleri rastgele değil ama kontrollü olarak uygulayın (ör. yüksek/orta/düşük skor grupları).
2. Her grup için bir kontrol alt-grubu oluşturun; bu, modelin tahmin ettiği etkiyi gerçek dünya verisiyle karşılaştırmanızı sağlar.
3. Önceden ana metrikleri (ör. incremental deposit, 30 günlük retention) tanımlayın ve deney süresini buna göre belirleyin.
4. Test sonuçlarını model eğitiminde kullanmak için geribildirim döngüsü kurun; bu, model kalibrasyonunu ve öğrenmeyi hızlandırır.

Not: A/B test tasarımında örnek büyüklüğü, dönemsel etkiler ve çoklu denemeler göz önünde bulundurulmalıdır. Operasyonel sınırlamalar yüzünden her zaman tam rastgele atama mümkün olmayabilir; bu durumlarda dikkatli dengeleme yöntemleri kullanın.

Uygulama örnekleri (kısa, nitel)

1) Yeni kayıt bonusu (acquisition odaklı): Düşük çevrim şartı ve yüksek bonus yüzdesi yeni kayıtları hızla çekebilir. Skor kartı bu teklifi yüksek Acquisition Score, orta Cost Score ile değerlendirebilir; ancak oyuncu segmentine göre Value Score farklılık gösterebilir.

2) Yeniden yükleme bonusu (retention odaklı): Mevcut yüksek değerli oyuncular için küçük, kişiselleştirilmiş teklifler retention’u artırabilir. Skor kartı bu teklifleri yüksek Retention Score ve düşük Cost ile değerlendirebilir; suiistimal riski yüksekse Risk Score düşürülebilir.

Üretim, izleme ve yönetim

Modeli canlıya almak yalnızca bir adımdır; başarılı uygulama düzenli izleme gerektirir:

• Periyodik yeniden eğitim ve sürüm kontrolü.
• Gerçek dünya performansını izleme: model kalibrasyonu, AUC/precision (sınıflandırma) veya MAE/RMSE (regresyon) gibi metrikler.
• Model drift tespit mekanizmaları ve otomatik uyarılar.
• İnsan gözetimi: modelin verdiği kararların düzenli örnekle incelemesi.

Riskler, etik ve düzenleyici hususlar

Bu tür modeller oyuncu davranışını etkiler; sorumlu uygulama şarttır:

• Yerel kumar düzenlemelerine uyum sağlayın ve tekliflerin yasal uygunluğunu doğrulayın.
• First_party_data kullanırken anonimleştirme, veri minimizasyonu ve açık rıza gereksinimlerine uyun.
• Model oyuncuları zararlı davranışa teşvik edebilecek şekilde optimize edilmemelidir; problem gambling koruması öncelik olmalıdır.

Uygulama Kontrol Listesi

• Hedef metrikleri netleştirin (acquisition vs retention vs value).
• Gerekli first_party_data alanlarını tanımlayın ve anonimleştirme planı oluşturun.
• A/B test altyapınızı test tasarımlarına hazır hale getirin.
• Özellik mühendisliği ve baseline modeller ile hızlı prototip oluşturun.
• Model çıktılarını skor kartı bileşenlerine çevirin ve operasyonel eşik belirleyin.
• Canlıya alma, izleme, yeniden eğitim ve insan incelemesi süreçlerini kurun.

Sonuç

Yapay zekâ destekli analizler ile oluşturulan bir skor kartı, casino bonuslarının hangi segmentlerde daha verimli olduğunu sistematik olarak ortaya koyabilir. Ancak sağlam sonuçlar için first_party_data, dikkatli etiketleme (mümkünse A/B test temelli) ve sürekli izleme şarttır. Model hiçbir zaman tek karar verici olmamalı; insan denetimi, etik kurallar ve düzenleyici uyum süreçleriyle birlikte kullanılmalıdır.