Torrent Gear

Segmentation des participants aux tournois avec AI

1) Pourquoi segmenter les joueurs de tournoi

La segmentation AI aide à :

Semer et matcher honnêtement (MMR/ligues, paniers de sélection).
Personnaliser les tâches et les horaires (slots horaires, longueur de l'événement).
Gérer l'économie des prix (couverture ciblée et émission de prix).
Réduire le risque et la charge (gardes RG, anti-abyse).
Augmenter la rétention grâce à des objectifs pertinents et à une méta-progression sensible à la complexité.

2) Données et signaux

Comportement dans les jeux/tournois

Rythme : spin/min, moyenne et dispersion.

Nature de la participation : fréquence des participants, longueur des sélections, proportion des arrivées.

Variété de contenu : fournisseurs/genres, nouveauté.

Skill & Competence

Historique des positions (top X %, tables finales), stabilité du résultat.

MMR/Elo, K-factor, réponse à l'augmentation de la ligue.

L'économie

Valeur proxy : chiffre d'affaires/taux de dépôt (agrégé), sensibilité aux récompenses (conversion en participation lors de l'annonce).

Signaux sociaux

Activité dans le chat/clips/communautés, les reportages et les postes de vantail.

Contexte et RG

L'heure de la journée, l'appareil, les sessions consécutives, les limites et les drapeaux RG (pour réduire la charge).

💡 Tous les signaux sont agrégés, sans PII au-delà du minimum réglementaire.

3) Fishering (exemples)

Stabilité du résultat : facteur de variation de position, P75→P25 delta.

Gradient de Skill : augmentation/baisse du RRO après la transition entre les divisions.

Participation au temps : succès par heure/jour de la semaine, auto-corrélation.

Variété de contenu : entropie des fournisseurs/genres.

Sensibilité économique : uplift participation à des promotions/boosts.

Charge RG : durée et vitesse moyennes des sessions, streak des alertes.

4) Pile de segmentation de modèle

1. Clustering (unsupervised) : K-Means/HDBSCAN pour les segments comportementaux.

2. Embeddings :

User2Vec sur les séquences de fournisseurs/participants (Skip-gram), Game2Vec pour la proximité du contenu → un meilleur regroupement des « intérêts ».
3. Segmentation graphique : Communautés participatives communes (Detection communautaire) - utile pour la capture de collusions/jeux de paty.
4. Modèle propensiti (supervisé) : probabilité de participer/finir/reculer après une perte.
5. Typologie mixte : segments finaux = combinaison du comportement du skill × de l'économie × du risque ×.

5) Exemple de typologie (squelette)

S1 « Sprinter-qualificatif » : courts passages intenses, pics élevés, faible stabilité.

S2 « Staer-tournoi » : longues sélections, top 25 % stable, vitesse moyenne.

S3 « Collectionneur de contenu » : l'entropie élevée des fournisseurs, aime les missions de « diversité ».

S4 « Master Finals » : haut MMR, pool étroit de fournisseurs, haut % des tables finales.

S5 « Chasseur saisonnier » : actif par vagues pendant les périodes de boost/events.

S6 « Risque-signal RG » : signes de fatigue/longues séances de stric - nécessite des scénarios épargnants.

6) Lien avec les ligues et la semence

Les segments ne remplacent pas le RRO, mais l'enrichissent : le segment affecte la longueur des sélections, le type de tâche, le calendrier, mais pas les cotes/règles mathématiques.

Placement-match + rapide up/down avec un match de match clair entre le segment et la ligue actuelle.

Justice : Le statut VIP n'affecte pas le MMR et ne donne aucun avantage dans le match.

7) Utilisation des segments dans la pratique

Formats de tournois : sprint/marathon/mixt sous le S1/S2.

Micro-défis : diversité des fournisseurs pour S3, contrôle du rythme pour S1.

Horaire : recommandations personnelles des créneaux horaires sur l'activité habituelle.

Récompenses : accent mis sur les cosmétiques/réseaux ; les rares sont communes à tous, sans pay-to-win.

Communications : texte/tonalité, indices de stratégie (éthique neutre).

Gardes RG : pour S6 - pauses douces, limitation de la longueur des missions, difficulté réduite.

8) Anti-abysse et conformité

Collusions/Schtroumpfing : signaux graphiques et biométrie comportementale ; KYC au hasard dans les ligues majeures.

Limite de taux : cap sur les tentatives/re-entry ; refroidissement en cycles répétés.

Équité : le plafond de valeur des prix est le même ; la segmentation change le chemin/UX et non l'EV du gain.

Transparence : écran « Comment fonctionne la segmentation » : principes généraux, sans révéler les échelles internes.

9) Les métriques du succès

Uplift D7/D30 par segments vs contrôle.

Taux de participation/Taux de réussite des missions et des sélections.

La distribution SP (Gini) est l'uniformité des progrès saisonniers.

P95 temps avant la récompense - contrôle de la variance.

Complaint/Abuse rate, Smurf/Collusion flags.

RG-métriques : proportion de pauses douces, réduction des séances de super-longue durée.

Prix ROI/Emission to GGR - Durabilité de l'économie promo.

10) Modèles A/B

1. Segmentation K-Means vs HDBSCAN (résistance au bruit, stabilité des clusters).

2. Avec l'ajout d'embeddings vs sans eux (qualité des recommandations de formats).

3. Micro-tâches : un vs deux parallèles.

4. Créneaux horaires : personnels vs fixes.

5. Seuil des gardes RG : doux vs strict.

6. Longueur des sélections : vs courts sont longs pour les S1/S2.

11) Modèles JSON

Carte de segment de joueur (agrégats + balises) :

json
{
"user_id": "u_87421",  "segments": ["S1_sprinter", "S3_collector"],  "mmr": 1420,  "features": {
"pace_spm_med": 52,   "pace_spm_cv": 0. 31,   "finish_top10_rate": 0. 18,   "provider_entropy": 1. 92,   "evening_participation_rate": 0. 64
},  "rg_flags": {"long_sessions": true, "cooldown_suggested": true},  "updated_at": "2025-10-24T10:00:00Z"
}

Solution par format de tournoi/tâche :

json
{
"decision_id": "d_s3_2025_10_24_1000",  "user_id": "u_87421",  "recommendation": {
"qualifier_format": "sprint_20min",   "time_slot": "evening",   "micro_tasks": [
{"type":"pace_control","max_spm":48,"duration_min":20},    {"type":"provider_diversity","providers":3}
],   "reentry_cap": 1
},  "fairness": {"vip_neutral": true, "reward_cap_equivalent": true},  "rg": {"enforced_break_min": 10}
}

12) Pipeline et production

Architecture :

Evénements → Kafka/Redpanda → matchering batch/strim (1h/24h/7d de la fenêtre).
Feature Store (en ligne/hors ligne) avec livraison SLA.
Formation en clustering/embedding tous les 1 à 7 jours ; Attribution de segments en ligne à l'ouverture de session.
Orchestration de solutions : Service de segmentation API → Matchmaking/Tasks/Comms.

Pseudo-code d'attribution :

python ctx = build_context(user_id)
x = feature_store. fetch(user_id)
z = user2vec. embed(x. sequence)
cluster = hdbscan. predict(z)
segment = postprocess(cluster, mmr=ctx. mmr, rg=ctx. rg_flags)
emit_segment(user_id, segment)

13) UX et communications

Le lobby avec « sous toi », le format, la durée, les slots temporels, dans le même bloc.

Ton sans manipulation : « Nous recommandons un qualificatif court le soir - c'est comme ça que vous jouez habituellement ».

Options de contrôle : changer le format/slot, désactiver les recommandations personnelles.

Silencieux VFX : marqueurs de progrès soignés par tâche, pas de spam.

14) Chéquiste de l'honnêteté et RG

La segmentation n'affecte pas les RTP/chances en match.
Le plafond de la valeur des prix est le même pour tous.
Page transparente des principes de fonctionnement.
Anti-abyse (collusions, schtroumpfs, limites de taux) inclus.
Les gardes RG sont actifs : pauses, limites de durée, difficulté réduite.
Logs de décision et audit d'explication (reason codes).

15) Plan de mise en œuvre

1. MVP (3-5 semaines) : K-Means + fishering de base ; recommandations de format/créneau horaire ; écran de transparence.

2. v0. 9 : Embeddings User2Vec/Game2Vec ; HDBSCAN; signaux graphiques anti-abyse.

3. v1. 0 : mises à jour des segments en ligne, association de bandits pour les tâches ; rapports « honnêteté » et analyse RG.

4. Suivant : Configuration RL des chaînes de tâches par segment ; cross-promo, modèles saisonniers.

La segmentation AI est une couche de sens au-dessus du MMR : elle ne change pas les chances, mais sélectionne le format, la durée, les tâches et les communications en fonction du style du joueur. La combinaison de clustering, d'embedding et de propensity donne une typologie stable ; les anti-abuz et les gardes RG maintiennent le système honnête ; les métriques (Gini, P95, ROI émissions) confirment que l'écosystème du tournoi est à la fois plus juste et plus efficace.