Bonus-Performance
Welche Bonus-Mechanik wirkt bei welcher Spieler-Kohorte? Attribution mit Kausal-Inferenz und Heterogeneous Treatment Effects statt aggregierter Mittelwerte.
Szenario
Die Marketing-Abteilung eines DACH-Operators plant die nächste Bonus-Wave und steht vor einer wiederkehrenden Frage: Welche Bonus-Mechanik generiert bei welcher Spieler-Kohorte tatsächlich zusätzliche Deposits — und welche verbrennt im Wesentlichen Wagering-Anforderungen, ohne dass ein messbarer Verhaltens-Effekt zurückbleibt?
Die Frage klingt einfach, ist aber datentechnisch unangenehm. Aggregierte Mittelwerte über alle Empfänger einer Mechanik verdecken die Heterogenität: Eine Free-Spin-Mechanik kann in einem Segment ausgezeichnet performen und in einem anderen netto wertvernichtend sein, ohne dass das im Gesamtmittel sichtbar wird. Und die schlichte Vorher-Nachher-Betrachtung verwechselt typischerweise Selektion mit Wirkung.
Vorher: aggregierte Reports und Bauchgefühl
Der heute gängige Ablauf in vielen Marketing-Abteilungen beruht auf zwei Quellen. Erstens auf nachgelagerten Performance-Reports aus dem CRM-Tool, die typischerweise pro Bonus-Kampagne aggregierte Kennzahlen ausweisen — Einlösungs-Rate, durchschnittliches Deposit-Volumen nach Einlösung, Wagering-Completion. Zweitens auf der Erfahrung der Kampagnen-Manager, welche Mechanik bei welchem Segment «erfahrungsgemäss gut läuft».
Beide Quellen haben strukturelle Schwächen. Aggregierte Reports lassen die innere Heterogenität der Kohorte verschwinden — die High-Activity-Spieler überprägen den Mittelwert, und der Effekt auf die mittleren und unteren Aktivitäts-Bänder geht unter. Die Erfahrungswerte der Kampagnen-Manager sind häufig korrekt, aber schwer überprüfbar und kaum übertragbar, wenn die Person das Team verlässt. Und beide Quellen haben keine Möglichkeit, Selektions-Effekte sauber von Wirkungs-Effekten zu trennen: Wer einen Bonus annimmt, ist nicht die zufällige Stichprobe der Eingeladenen.
Mit Spielleitstand
Spielleitstand analysiert vergangene Bonus-Wellen mit einem Kausal-Inferenz-Layer und liefert Attribution-Ergebnisse, die nach Spieler-Kohorten aufgeschlüsselt sind. Für jede Mechanik und jedes Segment wird der geschätzte Treatment-Effekt — also der inkrementelle Deposit-Beitrag gegenüber einer vergleichbaren Nicht-Empfänger-Gruppe — separat ausgewiesen.
Die Ausgabe ist keine einzelne Zahl, sondern eine Matrix: Mechanik × Kohorte, mit Effekt-Schätzung, Unsicherheits-Band und qualitativer Einordnung. Die Marketing-Verantwortlichen sehen damit nicht nur, welche Mechanik im Mittel gut performt, sondern bei welchen Segmenten sie überhaupt wirkt — und bei welchen sie netto Aufwand erzeugt, ohne dass ein zurechenbarer Verhaltens-Effekt folgt.
Auf dieser Basis erzeugt das System konkrete A/B-Vorschläge für die nächste Wave: Welche Mechanik in welchem Segment ausgespielt werden sollte, gegen welche Vergleichs-Gruppe getestet werden kann und welcher Stichproben-Umfang nötig ist, um den vermuteten Effekt statistisch sauber zu detektieren.
Die Marketing-Verantwortlichen können die Ergebnisse interaktiv weiter aufschneiden — nach Markt, nach Spieler-Vintage, nach bevorzugter Game-Kategorie, nach Endgerät. Jede dieser Sichten ist eine Folge-Frage in plain-German, keine separate Analyst-Anforderung. Auch das Hinzunehmen externer Mechaniken in den Vergleich — «wie hätte Mechanik X bei dieser Kohorte abgeschnitten, wenn wir die Vergleichs-Population aus der letzten Wave heranziehen» — ist als Folge-Frage realisierbar, soweit die historischen Daten die nötige Vergleichbarkeit hergeben.
Methodik
Die zugrundeliegende Methodik ist bewusst klassisch — kein algorithmischer Selbstzweck, sondern eine seit Jahren etablierte Familie von Verfahren aus der ökonometrischen Wirkungs-Forschung, angepasst an die Datenstruktur eines iGaming-Operators:
- Kausal-Inferenz statt Korrelation: Selektions-Effekte werden über Matching- und Weighting-Verfahren (Propensity-Score-basiert) explizit kontrolliert. Die Analyse vergleicht Bonus-Empfänger nicht mit dem Gesamt-Pool, sondern mit einer auf beobachtbaren Merkmalen ausbalancierten Vergleichs-Gruppe.
- Heterogeneous Treatment Effects: Statt eines einzigen Mittelwerts wird der Treatment-Effekt als Funktion der Spieler-Merkmale geschätzt. So lässt sich erkennen, ob eine Mechanik bei niedriger Aktivität anders wirkt als bei hoher, bei kurzer Customer-History anders als bei langer, in einem DACH-Markt anders als im anderen.
- Unsicherheits-Bänder: Jede Effekt-Schätzung wird mit Konfidenz-Intervallen ausgewiesen. Kleine Segmente mit grosser Unsicherheit werden als solche markiert, um Über-Interpretation zu vermeiden.
- Iterations-Vorschläge: Auf Basis der Heterogenitäts-Karte schlägt das System gezielte A/B-Tests für die nächste Wave vor, inklusive Power-Analyse für den Stichproben-Umfang.
Die Modell-Annahmen werden offengelegt. Die Marketing-Verantwortlichen sehen, welche beobachtbaren Merkmale für das Matching verwendet wurden und welche Restrisiken durch unbeobachtete Variablen bestehen. Wir liefern keine Garantien für Vorhersage-Modelle, aber wir machen die Grenzen explizit.
Beteiligte Module
- Marketing-Copilot — stellt die Bonus-Attribution-Analyse bereit, generiert die A/B-Vorschläge für die nächste Wave und liefert den Ad-Copy-Variation-Layer für die Mechaniken, die ausgewählt werden. Anbindung an die gängigen Marketing-Stacks (GAds API, Meta Marketing API, Adjust, AppsFlyer).
- BI-Copilot — übersetzt die zugrundeliegenden Abfragen gegen das Data Warehouse und stellt die Kohorten-Definitionen bereit, die für die Heterogenitäts-Schnitte benötigt werden. Generiert auf Wunsch ein Begleit-Dashboard zur laufenden Wave.
Beide Module sind operator-facing. Es gibt keine Player-facing-Komponente; die Bonus-Mechaniken selbst werden im bestehenden CRM- und Game-Backend des Operators ausgespielt, Spielleitstand analysiert und empfiehlt.
Ergänzend kann der Marketing-Copilot einen Creative-Compliance-Check für die begleitenden Kampagnen-Materialien durchführen — die deutschen Werbevorgaben für lizenzierte Operatoren sind eng gefasst, und ein vorgelagerter Check spart spätere Korrektur-Schleifen mit der Rechtsabteilung. Auch dieser Check ist beratend, nicht autonom: Die Marketing-Verantwortlichen sehen die Befunde mit Quellen-Verweis und entscheiden über die Anpassung.
Demo anfragen
Wir zeigen den Bonus-Performance-Ablauf gerne live in einem 30-minütigen Termin — gegen anonymisierte historische Wave-Daten oder gegen die Beispiel-Daten unserer Sandbox-Umgebung.