Як AI аналізує частоту депозитів гравців

Вступ: чому «частота депозитів» - ключ до раннього ризику

Частота депозитів - один з найбільш інформативних індикаторів зміни стану гравця. Вона швидко реагує на емоції (ейфорія після виграшу, фрустрація після програшу) і на зовнішні стимули (пуш-кампанії, бонуси). Завдання AI - відокремити нормальний ритм від патернів шкоди і підказати мінімально достатнє втручання (ліміти, пауза, консультація), не заважаючи відповідальній розвазі.

1) Базові метрики частоти: що вважати «скелетом» аналізу

Deposits per day/week (DPD/DPW) - базова інтенсивність.

Inter-arrival time (IAT) - середній і медіанний інтервал між депозитами.

Burstiness (B = (σ − μ )/( σ + μ)) - «спалахівність» патерну.

Recency/Frequency/Monetary (RFM) - давність, частота, сума; Скористайтеся швидкістю.

Time-of-day/Day-of-week - частка нічних депозитів (00:00–05:00), вихідні vs будні.

After-event windows - частота депозитів протягом 15/30/60 хвилин після великого програшу/виграшу.

Cancellation loop - відрізки «скасування виведення → новий депозит» (ознака втраченого контролю).

2) Поведінкові індикатори ризику (на основі частоти)

Chasing: різке зростання частоти і суми депозитів у короткому вікні після програшу.

Нічні «запої»: зсув депозитів в глибоку ніч, збільшення DPD при падінні середнього балансу.

Ескалація лімітів: спроби підвищувати денні/тижневі ліміти паралельно зі зростанням DPD.

Рецидив після скасування виведення: серія ре-депозитів ≤30 хвилин після скасування.

Стрибки волатильності: зростаюча дисперсія IAT і депозитних сум.

Зміна каналу: збільшення DPD через високоризикові платіжні методи.

3) Фіче-інжиніринг для ML

Rolling вікна: DPD/DPW/IAT/variance за 1/7/14/30 днів.

Event-conditioned features: частота депозитів після програшу> X, після виграшу> Y, після отриманого бонусу.

Circadian features: частка нічних депозитів, «зміщення» піку.

Sequence deltas: ∆DPD тиждень-к-тижня, z-score зміни.

Payment graph features: різноманітність методів, новизна методу (new method flag).

Affordability proxy: частота дрібних депозитів підряд vs прибутковість аккаунта (без зберігання зайвих персональних даних - через агрегати).

4) Модельний стек: Що працює на практиці

Poisson/Negative Binomial regression - моделювання інтенсивності λ з урахуванням сезонності (година/день/тиждень).

Hawkes processes - «самозбуджувальні» процеси для кластерів депозитів (сплески після подій).

Survival/renewal-моделі - ймовірність наступного депозиту як функція часу з останнього.

Gradient Boosting/LogReg - табличні фічі для класифікації «ризик-події» (див. § 5).

Anomaly detection — Isolation Forest/One-Class SVM по IAT/DPD; change-point detection (CUSUM/BOCPD) за потоками.

Uplift-моделі - оцінка, кому втручання знизить ризик (а не просто у кого ризик високий).

5) «Правильні» таргети: чому вчимо моделі

Замість абстрактної «залежності» використовуйте операційні результати, пов'язані зі шкодою:

самовиключення в горизонті 30-60 днів;
звернення в саппорт/на гарячу лінію з проблеми контролю;
примусова пауза/обмеження за рішенням оператора;
композит: зважена сума подій (ескалація ліміту + нічні піки + скасування виведення).

Фічі беремо з вікна до події (наприклад, останні 7-14 днів), уникаючи витоків за часом.

6) Інтерпретованість і guardrails

SHAP/feature importance на картці гравця: «частота депозитів після програшу ↑, нічні депозити ↑, IAT ↓».

Policy-фільтри: заборонити автоматичні жорсткі заходи тільки по нічній активності/країні/пристрою.

Human-in-the-loop: прикордонні кейси переглядає навчений агент RG.

7) Від скорингу до дій (Action Framework)

Рівень ризику	Типові тригери за частотою	Втручання
L1 Низький	Помірне зростання DPD без інших сигналів	Ненав'язливі підказки, навчання за лімітами
L2 Середній	Зниження IAT, зростання DPD після програшу	Пропозиція тайм-ауту/ліміту; м'яке обмеження промо
L3 Високий	Серії ре-депозитів ≤30 хв., нічні піки	Тимчасовий ліміт, контакт з агентом, приховування реактивацій
L4 Критичний	Скасування виведення → повторні депозити, різкий дрейф	Пауза за згодою, допомога в самовиключенні, направлення до допомоги

Принцип: мінімально достатнє втручання, фіксування згоди і прозоре пояснення причин.

8) Вбудовування в продукт і процеси

Real-time inference: швидкий в потоці подій, правило «холодного старту» до навчання.

CS-панель: історія частоти, останні сплески, SHAP-пояснення, кнопки дій.

CRM-оркестрація: стоп-листи промо для L3-L4, заміна реактивацій на освітні кампанії.

Event sourcing: незмінні логи змін лімітів, пауз, комунікацій.

9) Приватність і комплаєнс

Data minimization: агрегати частоти та інтервалів без зберігання зайвих персональних деталей.

Правові підстави: мета обробки - RG і комплаєнс; прозорі сповіщення.

RBAC і журнал доступу: хто дивився картку, хто приймав рішення.

Retention: зберігати події тільки в рамках регуляторних термінів, потім - анонімізація.

10) Якість і MLOps

Онлайн-метрики моделі: PR-AUC, калібрування (Brier), latency, drift фіч (λ, IAT, DPD).

Бізнес-KPI:

↓ частка скасованих висновків;
↑ частка гравців, які встановили ліміти після м'яких підказок;
↑ ранні звернення за допомогою;
↓ частка нічних «запоїв» і «re-deposit loops».
Процеси: канарні релізи, A/B-тести втручань, перенавчання при дрейфі/кожні 4-8 тижнів.

11) Типові помилки (і як їх уникнути)

Поріг «один для всіх»: ігнор сезонності і культурних відмінностей → калібруйте по країнах/каналах.

Блокування без пояснень: втрата довіри → показуйте «чому» і пропонуйте вибір.

Витоки таргета: використання пост-подій у фічах → сувора темпоральна валідація.

Детекція без дій: скор є, плейбука немає → формалізуйте сходи втручань.

Ігнор платіжних контекстів: нові методи/партнери змінюють частоту → додавайте «новизну методу» і канальні фічі.

12) Дорожня карта впровадження (8-10 тижнів)

Тижні 1-2: інвентаризація подій, узгодження метрик (DPD/IAT/burstiness), DPIA/політики даних.

Тижні 3-4: прототип фіч і бейзлайн (Poisson + GBM), офлайн-оцінка, дизайн пояснень і порогів.

Тижні 5-6: real-time скоринг, CS-панель, CRM-обмежувачі, пілот на 10-20% трафіку.

Тижні 7-8: A/B втручань, налаштування uplift-логіки, guardrails.

Тижні 9-10: масштабування, моніторинг дрейфу, зовнішній аудит RG-процесів.

13) Чек-листи запуску

Дані та фічі

DPD/DPW, IAT, burstiness, circadian фичи
Вікна після подій (програш/виграш/скасування виводу)
Канальні/платіжні фічі, «новизна методу»

Модель і якість

Бейзлайн Poisson/GBM + anomaly detection
SHAP-пояснення, fairness-перевірки
Темпоральна валідація без витоків

Операції та продукт

Action Framework L1–L4
CS-панель, CRM-стоп-листи
Event sourcing і SLA реакції

Комплаєнс

DPIA, мінімізація і ретеншн
RBAC і журнали доступу
Прозорі тексти для гравців

AI перетворює «частоту депозитів» з сирого лічильника в ранній радар ризику: моделі бачать сплески, контексти і рецидиви, а продукт м'яко переводить це в допомогу - ліміти, паузи, контакт з агентом і освітні сценарії. При прозорості, повазі до приватності і акуратних порогах це знижує шкоду і підвищує довіру - виграють гравці, оператор і вся екосистема.