AI-drevet kasinomarkedsføring: Opnå bedre resultater end RFM fra Old School

AI-drevet kasinomarkedsføring: Opnå bedre resultater end RFM fra Old School

Databasemarkedsføring baseret på Recency-Frequency-Monetary (RFM) tilgang har været standarden inden for casino marketing i mange årtier. Desværre har RFM-baseret markedsføring flere begrænsninger for kasinoer. Potentielt rentable spillere overses, mens nuværende spillere kan trænes i konstant at forvente en rabat. I mellemtiden er der kommet en spredning af alternative underholdningsmuligheder, der ændrer kundeadfærd og udgør risici for kasinoer, hvis de ikke ændrer deres markedsføringsadfærd. Når vi taler med kasino marketingledere, er de fleste interesseret i at blive AI-drevne og vil gerne være i stand til at komme med det rigtige tilbud til det rette individ på det rigtige tidspunkt, men ved ikke, hvordan man engang skal starte. Baseret på DataRobots erfaring med AI-drevet markedsføring kan vi anbefale praktiske og effektive tilgange.

Det første sæt problemer kommer fra det faktum, at det er bagudvendt og kun fokuseret på spillere, der for nylig har spillet. Denne metode forsømmer to lovende indtægtskilder. Ved kun at kigge på tidligere spil, identificerer denne form for markedsføring ikke potentielle højtstående kunder og udvikler dem effektivt. Derudover, ved at prioritere recency, undlader denne marketing at tilbyde sjældne spillere, der muligvis er klar til en anden tur til et casino. Mere bekymrende er, at der er mange beviser i andre brancher for, at gentagne diskonterings- eller markedsføringstilbud mister effektivitet over tid. Ved at tilbyde tilbud til almindelige spillere er det sandsynligt, at disse spillere konstant forventer tilbudet, og det driver ikke længere inkrementelt spil.

Ud over casino marketing har vi set en eksplosion i underholdningsmulighederne - fra streaming af indhold til mobilspil og esports - og en tilsvarende ændring i kundeadfærd. Der er flere valg, og hver arbejder for at skabe kundeengagement på bekostning af andre underholdningsmuligheder. Som Doug Bentz, vicepræsident i San Jose Sharks, sagde: "Vores største konkurrent er Netflix." Virksomheder som Netflix, Amazon, YouTube og TikTok bruger allerede AI ikke kun til at drive deres markedsføring, men endda deres beslutninger om, hvilken underholdning de skal udvikle, og hvordan de kan vise det til deres kunder. For at overleve skal kasinoer vedtage AI-drevet markedsføring.

Den ideelle tilgang målretter hver enkelt kunde med et tilbud i det nøjagtige øjeblik, der får maksimal ekstra indtjening fra denne kunde. For at opnå dette kan kasinoer bruge AI til at skabe forudsigelser, der fortæller os, om vi giver dette tilbud til denne kunde på dette tidspunkt baseret på kundens demografi og adfærd, vi vil drive denne ekstra indtjening. Men på grund af tidligere afhængighed af konkurrence baseret på segmentering havde kunder med lignende adfærd en tendens til at modtage det samme tilbud. Uden en historisk variation af tilbud vil AI ikke være i stand til at forudsige, hvilket tilbud de skal tilbyde til hvilken kunde.

Hvad skal et kasino først gøre? Eksperimenter omkring den eksisterende RFM-model med forskellige tilbud til lignende kunder og sporing af deres adfærd vil gøre det muligt for casinoet at udvikle AI, der kan identificere, hvordan forskellige tilbud påvirker forskellige spillere og i sidste ende forudsige det rigtige tilbud til den rigtige spiller.

I mellemtiden er der stadig mange andre værdier, AI kan bringe markedsføringen. AI kan bruges til at forudsige, baseret på tidligere adfærd, hvor meget en spiller vil være værd i den næste måned, kvartal eller år. Med denne indsigt kan du begynde at markedsføre til spillere, der vil være mest værd fremover i stedet for blot at belønne spillere for deres tidligere spil. Denne tilgang har den fordel, at AI kan målrette mod de spillere, der ikke har spillet for nylig, men sandsynligvis vil genoptage spillet i den ønskede tidsramme. Det kan også identificere de kunder, der i øjeblikket ikke er høje værdier, men sandsynligvis bliver høje værdier inden for den tidsramme, og de spillere, der har været meget værd i den seneste tid, men er på en faldende bane.

Ud over at bruge AI til at begynde markedsføring baseret på fremtidig værdi, kan du bruge AI til at flytte din marketingindsats endnu mere ved at målrette mod specifikke befolkninger. AI kan identificere de kunder, der er mest udsatte for churning, og belyse de nøjagtige grunde til det på det individuelle niveau. Derefter kan marketingkampagner målrette mod disse risikable kunder på en personlig måde og arbejde for at holde dem spille på dit casino. AI kan også identificere de kunder, der mest sandsynligt misbruger dine freeplay-tilbud, enten ved ikke at afspille hele freeplayet eller erstatte noget af deres forbrug med freeplayet og faktisk spille mindre, end de ellers ville have haft. Med disse forudsigelser kan du distribuere dine marketing dollars til at målrette mere værdifulde kunder.

Kasinoer står over for mange problemer i deres markedsføring i dag, både på grund af virkningerne af den måde, de markedsfører på og af eksterne faktorer. For at overleve og trives skal kasinoer omfavne AI og lære at målrette deres kunder mere effektivt, skabe værdi og minimere spildte ressourcer. Den ideelle løsning vil være at forstå, hvordan et givet tilbud får en kunde til at bruge og gøre det tilbud, der giver mest værdi for casinoet, selv om de fleste kasinoer på nuværende tidspunkt ikke har de nødvendige data til at opbygge denne løsning. Mens AI udvikler disse oplysninger, kan AI stadig give et godt afkast ved at hjælpe kasinoer med at forstå deres kunders fremtidige værdi og omfordele deres marketingudgifter til de mest rentable kunder.

Ny opfordring til handling

Om forfatteren:

Andrew Engel er General Manager for Sport og Gaming hos Brutalk. Han arbejder med Brutalk-kunder på tværs af sportsgrene og kasinoer, herunder flere Major League Baseball-, National Basketball League- og National Hockey League-hold. Han har arbejdet som dataforsker og førende hold af dataforskere i over ti år inden for en bred vifte af domæner fra svigforudsigelse til markedsanalyse. Andrew fik sin ph.d. inden for systemer og industriel teknik med fokus på optimering og stokastisk modellering. Han har arbejdet for Towson University, SAS Institute, US Navy, Websense (nu ForcePoint), Stics og HP, før han kom til Brutalk i februar 2016.

Du kan også være interesseret i