Разработка системы аналитики крипто-казино

Разработка системы аналитики крипто-казино

Аналитика казино — это инструмент для операционных решений: понимание поведения игроков, оптимизация бонусных программ, выявление мошенничества, планирование ликвидности. Без качественной аналитики казино работает вслепую.

Ключевые метрики

GGR (Gross Gaming Revenue) = суммарные ставки − суммарные выигрыши. Базовая метрика дохода казино.

NGR (Net Gaming Revenue) = GGR − бонусы − рейкбэк − промо-затраты. Реальный доход.

RTP (Return to Player) = суммарные выигрыши / суммарные ставки × 100%. Теоретически зависит от игры; фактически — показатель волатильности за период.

Player Lifetime Value (LTV) — прогнозируемый суммарный NGR от игрока за всё время.

Churn Rate — % игроков, переставших играть за период.

Average Session Duration, Bet Frequency, Average Bet Size — поведенческие метрики.

Аналитическое хранилище

Для аналитики казино оптимально использовать star schema в ClickHouse или BigQuery:

-- Fact table: каждая ставка
CREATE TABLE fact_bets (
    bet_id          String,
    user_id         String,
    game_id         String,
    session_id      String,
    bet_time        DateTime,
    amount          Decimal(24, 8),
    currency        LowCardinality(String),
    winnings        Decimal(24, 8),
    ggr             Decimal(24, 8),  -- amount - winnings
    is_free_bet     Bool,
    bonus_used      Nullable(String),
    game_category   LowCardinality(String),
    country         LowCardinality(String),
    device_type     LowCardinality(String),
)
ENGINE = MergeTree()
PARTITION BY toYYYYMM(bet_time)
ORDER BY (user_id, bet_time);

-- Dimension: игроки
CREATE TABLE dim_users (
    user_id         String,
    registration_date Date,
    country         LowCardinality(String),
    acquisition_channel LowCardinality(String),
    vip_level       LowCardinality(String),
    first_deposit_date Nullable(Date),
    total_deposits  Decimal(24, 8),
    total_withdrawals Decimal(24, 8),
)
ENGINE = ReplacingMergeTree()
ORDER BY user_id;

ETL Pipeline

class CasinoAnalyticsETL:
    async def run_hourly_aggregation(self):
        """Обновляем аналитические агрегации каждый час"""
        now = datetime.utcnow()
        hour_start = now.replace(minute=0, second=0, microsecond=0)

        # Загружаем raw данные из операционной БД
        bets = await self.bet_repo.get_settled_bets_since(hour_start - timedelta(hours=1))

        # Трансформируем и загружаем в ClickHouse
        rows = [self.transform_bet(bet) for bet in bets]

        if rows:
            await self.clickhouse.insert('fact_bets', rows)

        # Обновляем материализованные представления
        await self.update_materialized_views()

    def transform_bet(self, bet: Bet) -> dict:
        return {
            "bet_id": str(bet.id),
            "user_id": str(bet.user_id),
            "game_id": bet.game_id,
            "bet_time": bet.settled_at,
            "amount": float(bet.amount),
            "currency": bet.currency,
            "winnings": float(bet.winnings),
            "ggr": float(bet.amount - bet.winnings),
            "is_free_bet": bet.is_free_bet,
            "game_category": bet.game_category,
            "country": bet.user_country,
            "device_type": bet.device_type,
        }

Аналитические запросы

Когортный анализ удержания:

SELECT
    registration_cohort,
    days_since_registration,
    count(DISTINCT user_id) AS active_users,
    sum(ggr) AS cohort_ggr
FROM (
    SELECT
        b.user_id,
        toStartOfWeek(u.registration_date) AS registration_cohort,
        dateDiff('day', u.registration_date, b.bet_time) AS days_since_registration,
        b.ggr
    FROM fact_bets b
    JOIN dim_users u ON b.user_id = u.user_id
    WHERE b.bet_time >= today() - 180
)
GROUP BY registration_cohort, days_since_registration
ORDER BY registration_cohort, days_since_registration;

Анализ RTP по играм:

SELECT
    game_id,
    game_category,
    count() AS bet_count,
    sum(amount) AS total_wagered,
    sum(winnings) AS total_paid,
    sum(ggr) AS total_ggr,
    sum(winnings) / sum(amount) AS actual_rtp,
    countIf(ggr < 0) AS losing_rounds,
    countIf(ggr >= 0) AS winning_rounds
FROM fact_bets
WHERE bet_time BETWEEN '2024-01-01' AND '2024-02-01'
  AND NOT is_free_bet
GROUP BY game_id, game_category
ORDER BY total_wagered DESC;

Fraud Detection Analytics

-- Аномальная выигрышность (возможный чит)
SELECT
    user_id,
    count() AS bet_count,
    sum(winnings) / sum(amount) AS rtp,
    sum(ggr) AS user_ggr,
    max(winnings) AS max_single_win
FROM fact_bets
WHERE bet_time >= today() - 7
GROUP BY user_id
HAVING rtp > 1.5     -- выигрывает более 150% от ставок
   AND bet_count > 50 -- достаточно ставок для статистики
ORDER BY rtp DESC
LIMIT 100;

Dashboard: ключевые панели

Operational Dashboard (обновляется в реальном времени):

• Текущий онлайн (активных сессий)
• GGR за последний час / 24 часа
• Активные бонусы и их exposure
• Pending выводы

Financial Dashboard (ежедневный):

• NGR по дням, с breakdown по каналам привлечения
• Bonus cost / NGR ratio
• Топ игроков по GGR
• RTP по играм (сравнение с теоретическим)

Retention Dashboard (еженедельный):

• Cohort retention curves
• Churn rate по сегментам
• LTV прогнозы
• Эффективность бонусных кампаний

BI-инструменты: Apache Superset (open source) или Metabase для внутренних команд, Grafana для операционных метрик в реальном времени.