GH GambleHub

iGamingでの機械学習

1）ビジネスケースと価値

製品/収益：LTV予測、チャーン（アウトフロー）、入金/購入の提案、ダイナミックミッション/クエスト、次のベストアクション/オファー。
マーケティング/CRM：似ている、セグメンテーション、リアルタイムトリガー、ボーナス最適化（ABO-乱用耐性ボーナス最適化）。
リスク/コンプライアンス：不正防止/AML（速度、構造化、グラフ特性）、責任あるゲーム（RG）-リスク率、介入トリガー。
オペレーション/SRE：インシデント予測、容量/トラフィック予測、プロバイダ異常。
財務：GGR/NGR予測、Fx感度、カウンターパーティ操作検出。

効果ガイドライン：パーソナライゼーションによる純収益への+3-7％、詐欺損失への− 20-40％、解約への− 10-25％、オンライン時のSLA応答RG <5 s。

2）フィーチャーエンジニアリング

ソース：ゲームプレイ、支払い/PSP、認証、デバイス/ASN/地理、 RG/KYC/KYB、マーケティングUTM、プロバイダログ、サポート/テキスト。

基本的な機能：
  • 行動ウィンドウ：Nレート/預金と10 min/hour/day、 recency/frequency/monetaryあたりの金額。
  • シーケンス：ゲームのチェーン、最後のアクティビティとの時間、セッション特性。
  • 地理/デバイス：国/市場、ASN、デバイス/ブラウザの種類。
  • グラフ：player-card-device-IP接続、コンポーネント/セントラリティ（詐欺リング）。
  • コンテキスト：曜日/曜日/祝日、プロバイダ/ジャンル/ゲームのボラティリティの時間。
  • RG/AML：制限、自己除外、スクリーニングフラグ、PEP/制裁（キャッシュ/非同期）。
推奨事項：
  • 通貨と時間（UTC+マーケットロケール）を正規化します。
  • 寸法の履歴（SCD II）。
  • オンライン/オフライン変換（単一のFeatureストアコード）に同意します。

3）アーキテクチャ： オフライン↔オンライン

3.1オフラインループ

レイクハウス： ブロンズ→シルバー（正規化/濃縮）→ゴールド（データセット）

Feature Store（オフライン）：数式レジスタ、ポイント・イン・タイム・ジョイン、トレーニングセットの具現化。
トレーニング：固定依存性を持つコンテナ。追跡実験（メトリック/アーティファクト/データ）。
検証：k-fold/temporal split、 backtest、 off-policy評価。

3.2オンライン回路

Ingest→Stream Processing： Flink/Spark/Beam with windows/watermarks、 idempotency。
Feature Store（オンライン）：低特許キャッシュ（Redis/Scylla）+オフラインキャスト。
サービング：REST/gRPCエンドポイント、スコアグラフ、ABルーティング、カナリアリリース。
リアルタイムストアフロント：パネル/ルールのClickHouse/Pinot。

4）モデルとアプローチ

分類/スコアリング：チャーン/デポジット/詐欺/RG （LogReg、 XGBoost/LightGBM、 TabNet、 CatBoost）。
Ranking/Recommendations： factorization/list-ranking （LambdaMART）、 seq2rec （RNN/Transformers）、 contextual bandits。
異常：Isolation Forest、ワンクラスSVM、 AutoEncoder、 Prophet/TSfresh for time series。
グラフ：詐欺リングのNode2Vec/GraphSAGE/GNN。
因果関係：アップリフトモデル、T-learner/X-learner、 DoWhy/CausalML。
NLP/ASR：チケット/チャット、苦情の分類、感情、トピック。

5）品質指標

分類：ROC-AUC/PR-AUC、運用しきい値のF1、予想コスト（重み付けFP/FN）、リスクスコアリングのKS。
推奨事項：NDCG@K、 MAP@K、カバレッジ/多様性、CTR/CVRオンライン。
TS/Forecast： MAPE/SMAPE、 WAPE、 P50/P90エラー、PIカバレッジ。
RG/AML： SLAでの精度/リコール、平均時間間隔。
エコノミー：純収入のアップリフト、詐欺の保存、ROIキャンペーン、％ボーナスの乱用。

6）評価と実験

オフライン：時間の割れ目、週/市場/テナントによってバックテスト。
オンライン：A/B/n、 CUPED/diff-in-diff、シーケンシャルテスト。
オフポリシー：パーソナライゼーションポリシーのIPS/DR。
Stat。 power：分散とMDEを考慮したサンプルサイズの計算。

値のしきい値の計算例（擬似コード）： 
python cost_fp = 5. 0 # false alarm cost_fn = 50. 0 # missed fraud threshold = pick_by_expected_cost (scores, labels, cost_fp, cost_fn)

7）プライバシー、倫理、コンプライアンス

PII最小化：エイリアス、マッピング分離、CLS/RLS。
居住：EEA/UK/BRの輪郭を分けて下さい；基礎なしで十字地域の結合なしで。
DSAR/RTBF：機能とログの削除/編集；ケース/報告のための法的保持。
公平性/バイアス：機能の監査、異なる影響、プロキシ変数の制御。
説明：SHAP/機能の重要性、モデルカード（所有者、日付、データ、メトリクス、リスク）。
セキュリティ：KMS/CMK、ログ外の秘密、リリースのWORMアーカイブ。

8） MLOps： ライフサイクル

1.データと機能：スキーム/コントラクト、DQルール（完全性/一意性/範囲/時間）、系統。
2.トレーニング：コンテナ、オートチューニング、トラッキング実験。
3.検証：回路互換性テスト、バイアス/公平性、パフォーマンステスト。
4.リリース（CI/CD/CT）：カナリア/フェーズドロールアウト、フィーチャーフラグ、「ダークローンチ」。
5.サービング：オートスケーリング、キャッシュ、gRPC/REST、タイムアウト/リトレイ。
6.モニタリング：データ/予測ドリフト（PSI/KL）、レイテンシp95、エラーレート、カバレッジ、「サイレントメトリクス」。
7.再トレーニング：メトリクスのドリフト/劣化のスケジュール/トリガ。
8.インシデント：runbook、モデルのロールバック、フォールバック（ルール/シンプルモデル）。

9） Feature Store（整合性カーネル）

オフライン：ポイントインタイム計算、アンチリーク、数式バージョン機能。
オンライン：低遅延（≤ 10-30ミリ秒）、TTL、オフラインとの整合性。
契約：名前/説明、所有者、SLA、数式、オンライン/オフラインのコンプライアンステスト。

フィーチャー仕様（YAML）の例： 
yaml name: deposits_sum_10m owner: ml-risk slo: {latency_ms_p95: 20, availability: 0. 999}
offline:
source: silver. payments transform: "SUM(amount_base) OVER 10m BY user_pseudo_id"
online:
compute: "streaming_window: 10m"
tests:
- compare_online_offline_max_abs_diff: 0. 5

10）オンライン得点とルール

ハイブリッドML+ルール：モデル→速度+説明；ルール-ハードガード/倫理/法律。
ステッチ：CEPパターン（構造化/速度/デバイススイッチ）+MLスコアリング。
SLA：パーソナライゼーションのためのp95エンドツーエンド50-150ms、 RG/AMLアラートの≤ 2-5s。

ルーティング擬似コード： 
python features = feature_store. fetch(user_id)
score = model. predict(features)
if score > T_RG:
trigger_intervention(user_id, reason="RG_HIGH_RISK", score=score)
elif score > T_BONUS:
send_personal_offer(user_id, offer=choose_offer(score, seg))

11）訓練データ： サンプルおよびラベル

イベントウィンドウ：t0-リファレンス、t0+Δ-ラベル（デポジット/ブラック/詐欺）。
リークコントロール：ポイント・イン・タイムの参加、将来のイベントの除外。
バランスをとること：層別化/クラス重量、まれなクラスのための焦点損失。
倫理：敏感な属性/プロキシ、コントロールの影響を除外します。

12）経済と生産性

コスト機能：コスト/機能とコスト/要求をカウントし、重いオンライン接続を避けます。
現金：RAMのホット機能、冷たい-怠惰。
マテリアライゼーション：オフライン集計；オンラインでのみ重要です。
クォータ：リプレイの制限、タイムウィンドウのバックテスト；チームによるチャージバック。

13） SQL/擬似コードの例

チャーン（沈黙の30日）のためのポイント・イン・タイムのサンプル： 
sql
WITH base AS (
SELECT user_pseudo_id, MIN(event_time) AS first_seen
FROM silver. fact_bets
GROUP BY user_pseudo_id
),
agg AS (
SELECT user_pseudo_id,
DATE(t. event_time) AS asof,
SUM(amount_base) FILTER (WHERE type='deposit' AND event_time >= t. event_time - INTERVAL '30' DAY AND event_time < t. event_time) AS dep_30d,
COUNT() FILTER (WHERE type='bet' AND event_time >= t. event_time - INTERVAL '7' DAY) AS bets_7d
FROM silver. fact_events t
GROUP BY user_pseudo_id, DATE(t. event_time)
)
SELECT a. user_pseudo_id, a. asof, a. dep_30d, a. bets_7d,
CASE WHEN NOT EXISTS (
SELECT 1 FROM silver. fact_events e
WHERE e. user_pseudo_id=a. user_pseudo_id AND e. event_time > a. asof AND e. event_time <= a. asof + INTERVAL '30' DAY
) THEN 1 ELSE 0 END AS label_churn_30d
FROM agg a;
オンライン預金ウィンドウ（Flink SQL、 10分）： 
sql
SELECT user_id,
TUMBLE_START(event_time, INTERVAL '10' MINUTE) AS win_start,
COUNT() AS deposits_10m,
SUM(amount_base) AS sum_10m
FROM stream. payments
GROUP BY user_id, TUMBLE(event_time, INTERVAL '10' MINUTE);

14）実装ロードマップ

MVP （4-6週）：

1.シグナルのカタログとFeature Store v1（支払い/ゲームプレイのための5-10機能）。

2.基本的なチャーン/デポジットモデル（XGBoost）+トラフィックの10-20％のA/B。

3.キャッシュ（p95 <150ミリ秒）とカナリアリリースでオンラインサーフィン。

4.ドリフト/品質モニタリング、モデルカード、ロールバックランブック。

フェーズ2（6-12週間）：
  • RG/AMLスコアリング、グラフ機能、リアルタイムトリガー。
  • ボーナス、コンテキストバンディット、オフポリシー評価のためのアップリフトモデル。
  • ドリフト/カレンダー、ドキュメントオートメーションによる自動再トレーニング。
フェーズ3（12-20週間）：
  • ゲームのカタログ（seq2rec）のパーソナライズ、多目的最適化（収入/責任）。
  • マルチリージョナルサーフィン、SLA/クォータ、機能/推論のチャージバック。
  • 公平性監査とストレステスト、DRドリルとWORMリリースリポジトリ。

15） RACI

R（責任ある）：MLOps（プラットフォーム/サービング）、データサイエンス（モデル/実験）、Data Eng（特徴/パイプライン）。
A（説明責任）：データ/CDOの責任者。
C（コンサルティング）：コンプライアンス/DPO （PII/RG/AML/DSAR）、セキュリティ（KMS/シークレット）、 SRE （SLO/value）、ファイナンス（effect/ROI）、 Legal。
I （Informed）：製品/マーケティング/オペレーション/サポート。

16）売り上げ前のチェックリスト

  • オンライン/オフラインで合意された機能、通過したトランジットテスト。
  • モデルカード（所有者、データ、指標、リスク、公平性）が記入されています。
  • カナリアリリース/fichflag；SLAおよびレイテンシ/エラー/ドリフトアラート。
  • PII/DSAR/RTBF/法的保持ポリシーが施行されました。ログは非人格的です。
  • Incident/rollback runbook；フォールバック・ストラテジー。
  • 実験は形式化されている（仮説、メトリック、期間、MDE）。
  • 推論および特徴の費用は予算に含まれています；クォータと制限が含まれています。

17）アンチパターン

オンライン/オフライン機能の不一致→アクセス不能。
キャッシュとタイムアウトのない「ホットパス」内の同期外部API。
不透明なメトリック式/モデルカードなし。
モニタリングとオーバートレーニングなしで再訓練/ドリフト。
CLS/RLS/minimizationのない分析および訓練のPII。

ドメイン分解なしの「すべてのビッグモデル」

18）ボトムライン

iGamingのMLは「魔法」モデルのセットではなく、規律です。一貫したデータと機能、再現可能なオフライントレーニング、信頼性の高いオンラインサーフィン、厳格なMLOps、透明な指標と倫理/コンプライアンス。このガイドに従うことで、収益と保持を一貫して増加させ、リスクを削減し、規制要件（規模、迅速、予測可能）に準拠するシステムを構築します。

Contact

お問い合わせ

ご質問やサポートが必要な場合はお気軽にご連絡ください。いつでもお手伝いします！

統合を開始

Email は 必須。Telegram または WhatsApp は 任意。

お名前 任意
Email 任意
件名 任意
メッセージ 任意
Telegram 任意
@
Telegram を入力いただいた場合、Email に加えてそちらにもご連絡します。
WhatsApp 任意
形式：+国番号と電話番号（例：+81XXXXXXXXX）。

ボタンを押すことで、データ処理に同意したものとみなされます。