Torrent Gear

Сегментація учасників турнірів за допомогою AI

1) Навіщо сегментувати турнірних гравців

AI-сегментація допомагає:

Чесно сіяти і матчмейкити (MMR/ліги, відбіркові кошики).
Персоналізувати завдання і розклади (слоти часу, довжина івенту).
Управляти економікою призів (цільове охоплення та емісія нагород).
Знижувати ризик і навантаження (RG-вартові, анти-аб'юз).
Підвищувати ретеншн за рахунок релевантних цілей і відчуває складність мета-прогресії.

2) Дані та сигнали

Поведінка в іграх/турнірах

Темп: спінів/хв, середня і дисперсія.

Характер участі: частота івентів, довжина відбіркових, частка фінішів.

Різноманітність контенту: провайдери/жанри, новизна.

Скілл & Змагальність

Історія позицій (топ-X%, фінальні столи), стабільність результату.

MMR/Elo, K-factor, відгук на підвищення ліги.

Економіка

Проксі цінності: оборот/частота депозитів (агреговано), чутливість до нагород (конверсія в участь при анонсі).

Соціальні сигнали

Активність в чаті/кліпах/спільнотах, репорти і хваст-пости.

Контекст і RG

Час доби, пристрій, сесії поспіль, ліміти і прапори RG (для зниження навантаження).

Всі сигнали - в агрегованому вигляді, без PII понад регуляторний мінімум.

3) Фічерінг (приклади)

Стабільність результату: коефіцієнт варіації позиції, P75→P25 дельта.

Скілл-градієнт: приріст/падіння MMR після переходу між дивізіонами.

Участь у часі: хіти по годинах/днях тижня, автокореляція.

Різноманітність контенту: ентропія провайдерів/жанрів.

Економічна чутливість: uplift участі на промо/бусти.

RG-навантаження: середня тривалість і швидкість сесій, streak попереджень.

4) Модельний стек сегментації

1. Кластеризація (unsupervised): K-Means/HDBSCAN для поведінкових сегментів.

2. Ембеддинги:

User2Vec за послідовностями провайдерів/івентів (Skip-gram), Game2Vec для близькості контенту → краще групування «інтересів».
3. Графова сегментація: спільноти по спільній участі (Community Detection) - корисно для лову колюзій/паті-ігор.
4. Пропенсіті-моделі (supervised): ймовірність участі/фінішу/відкату після програшів.
5. Змішана типологія: фінальні сегменти = поєднання поведінки × скілла × економіки × ризику.

5) Приклад типології (скелет)

S1 «Спринтер-кваліфікатор»: короткі інтенсивні заходи, високі піки, низька стабільність.

S2 «Стаєр-турнірник»: довгі відбіркові, стабільні топ-25%, середня швидкість.

S3 «Колекціонер-контенту»: висока ентропія провайдерів, любить місії «різноманітності».

S4 «Майстер-фіналів»: високий MMR, вузький пул провайдерів, високий% фінальних столів.

S5 «Сезонний мисливець»: активний хвилями в періоди бустів/івентів.

S6 «Ризик-сигнал RG»: ознаки втоми/довгих стрик-сесій - вимагає щадних сценаріїв.

6) Зв'язка з лігами і сіянням

Сегменти не підміняють MMR, а збагачують його: сегмент впливає на довжину відбіркових, тип задач, розклад, але не на математичні шанси/правила.

Placement-матчі + швидкий ап/даун при явному міс-матчі між сегментом і поточною лігою.

Справедливість: VIP-статус не впливає на MMR і не дає переваги в матчі.

7) Використання сегментів на практиці

Формати турнірів: спринт/марафон/мікст під S1/S2.

Мікро-завдання: різноманітність провайдерів для S3, контроль темпу для S1.

Розклад: персональні рекомендації слотів щодо звичної активності.

Нагороди: акцент на косметику/сети; рідкості - загальні для всіх, без pay-to-win.

Комунікації: текст/тональність, підказки стратегії (етика-нейтральні).

RG-вартові: для S6 - м'які паузи, обмеження довжини місій, знижена складність.

8) Анти-аб'юз і комплаєнс

Колюзії/смурфінг: граф-сигнали і поведінкова біометрія; випадкові KYC на майстер-лігах.

Rate limiting: кап на спроби/ре-ентрі; охолодження при повторюваних циклах.

Справедливість: стеля цінності нагород однакова; сегментація змінює шлях/UX, а не EV виграшу.

Прозорість: екран «Як працює сегментація»: загальні принципи, без розкриття внутрішніх ваг.

9) Метрики успіху

Uplift D7/D30 за сегментами vs контроль.

Participation Rate/Completion Rate місій і відбіркових.

SP-розподіл (Gini) - рівномірність сезонного прогресу.

P95 часу до нагороди - контроль дисперсії.

Complaint/Abuse rate, Smurf/Collusion flags.

RG-метрики: частка м'яких пауз, зниження наддовгих сесій.

Prize ROI/Emission to GGR - стійкість промо-економіки.

10) A/B-патерни

1. Сегментація K-Means vs HDBSCAN (шумостійкість, стабільність кластерів).

2. З додаванням ембеддингів vs без них (якість рекомендацій форматів).

3. Мікро-завдання: одна vs дві паралельні.

4. Слоти часу: персональні vs фіксовані.

5. Поріг RG-гвардів: м'який vs строгий.

6. Довжина відбіркових: короткі vs довгі для S1/S2.

11) JSON-шаблони

Картка сегмента гравця (агрегати + теги):

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"
}

Рішення за форматом турніру/завдань:

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) Пайплайн і продакшен

Архітектура:

Події → Kafka/Redpanda → фічерінг батчем/стрімом (1h/24h/7d вікна).
Feature Store (онлайн/офлайн) з SLA доставки.
Навчання кластеризації/ембеддингів раз на 1-7 днів; онлайн-присвоєння сегментів при вході.
Оркестрація рішень: сервис Segmentation API → Matchmaking/Tasks/Comms.

Псевдокод присвоєння:

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 і комунікації

Лобі з «під тебе»: формат, тривалість, слоти часу - в одному блоці.

Тон без маніпуляцій: «Рекомендуємо короткий кваліфікатор ввечері - так ви зазвичай граєте».

Параметри контролю: змінити формат/слот, відключити персональні рекомендації.

Тихі VFX: акуратні маркери прогресу за завданнями, без спаму.

14) Чеклист чесності і RG

Сегментація не впливає на RTP/шанси в матчах.
Стеля цінності нагород однакова для всіх.
Прозора сторінка принципів роботи.
Анти-аб'юз (колюзії, смурфінг, rate limits) включені.
RG-вартові активні: паузи, ліміти тривалості, зниження складності.
Логи рішень і аудит пояснюваності (reason codes).

15) План впровадження

1. MVP (3-5 тижнів): K-Means + базовий фічерінг; рекомендації формату/слоту; екран прозорості.

2. v0. 9: ембеддинги User2Vec/Game2Vec; HDBSCAN; анти-аб'юз граф-сигнали.

3. v1. 0: онлайн-оновлення сегментів, зв'язка з бандитами для завдань; звіти «чесності» і RG-аналіз.

4. Далі: RL-налаштування ланцюжків задач за сегментами; крос-промо, сезонні шаблони.

AI-сегментація - це шар смислів над MMR: вона не змінює шанси, а підбирає формат, тривалість, завдання і комунікації під стиль гравця. Комбінація кластеризації, ембеддингів і пропенсіті дає стійку типологію; анти-аб'юз і RG-вартові тримають систему чесної; метрики (Gini, P95, ROI емісії) підтверджують, що турнірна екосистема стала і справедливішою, і ефективнішою.