DraftKings
personnalisation ML et optimisation de la promo et du pricing sur cohortes de joueurs
DraftKings applique le machine learning a la personnalisation du produit, a la recommandation de paris et a l'optimisation promotionnelle : lors de l'earnings call T4 2025, la direction rapporte une retention de revenu par utilisateur superieure a 100 pour cent apres le churn initial de cohorte, un mix de handle en parlay en hausse de pres de 500 points de base et une marge nette du sportsbook passee d'environ 6,5 a plus de 9 pour cent.
L'essentiel
- Personnalisation ML du produit, des recommandations et optimisation du moteur promotionnel.
- Modeles in-house de personnalisation, de promo et de pricing du live-betting.
- Retention de revenu par utilisateur superieure a 100%, marge sportsbook de ~6,5% a plus de 9%.
- Preuve A, statut confirme.
Objectif
Ameliorer l'economie des cohortes de joueurs en personnalisant produit, contenu et promotions par machine learning, pour relever la retention de revenu par utilisateur et la marge du sportsbook.
Le déploiement
DraftKings a decrit lors de son earnings call du T4 2025 comment l'IA et le machine learning se diffusent dans le produit, la personnalisation et le trading. Le moteur promotionnel commence a etre optimise par IA pour cibler les offres, l'interface du super-app se personnalise selon l'historique de jeu, et des modeles de contenu recommandent paris et marches. Cote trading, des modeles de pricing et de risque interviennent sur le live-betting. L'entreprise relie ces briques a une economie de cohortes qui s'ameliore dans le temps : la retention de revenu par utilisateur depasse 100 pour cent apres la periode initiale de churn de cohorte, et les cohortes d'Etats plus anciens montrent a la fois une forte retention et une monetisation accrue via un mix de parlay plus eleve et une promo plus efficiente. Au T4, le mix de handle en parlay a progresse de pres de 500 points de base, contribuant a l'expansion de marge du sportsbook.
Résultats Preuve A
Chiffres enonces par la direction (CEO Jason Robins, CFO) lors de l'earnings call du T4 2025 de DraftKings (fevrier 2026), donc niveau A. La transcription de presse etablie corrobore les propos et l'attribution de la personnalisation ML a l'amelioration de l'economie des cohortes.
Comment ça fonctionne
Approche-type inféréeLe détail interne n'est pas public. Voici une approche éprouvée qui mène au même résultat - à adapter à votre stack.
La stack en détail
- outil ML de personnalisation DraftKings (in-house) Personnalise l'interface du super-app selon l'historique de jeu et recommande contenus, paris et marches.
- outil Moteur promotionnel optimise par IA (in-house) Cible les offres pour maximiser l'efficience promo plutot que le volume; en debut de deploiement selon la direction.
- outil Modeles de pricing et de risque live-betting (in-house) Ajustent cotes et couverture du risque en temps reel sur le live-betting.
- infra Super-app sportsbook DraftKings Canal unique ou personnalisation, recommandations et promotions sont delivrees aux joueurs.
Comment ça tourne, concrètement
Pour les équipes ops-
1Collecte du comportement de jeu equipe data / IA
Historique de mises, de marches joues et d'usage du super-app par utilisateur et par cohorte.
-
2Personnalisation de l'interface IA
L'UI du super-app se reorganise selon l'historique de jeu pour le cross-sell.
-
3Optimisation de la promo IA (moteur promo)
Le moteur promotionnel cible les offres pour maximiser l'efficience plutot que le volume.
-
4Pricing et risque en direct IA (trading)
Des modeles ajustent la cote et la couverture du risque sur le live-betting.
L'historique de jeu par utilisateur et la performance des cohortes. Sans donnee de comportement propre et propre attribution, la personnalisation de promo derape en sur-promotion ou en offres non pertinentes.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- historique de transactions et de comportement par utilisateur
- attribution par cohorte d'acquisition
- catalogue de marches ou de produits pour la recommandation
Prérequis orga
- equipe data science pour maintenir les modeles
- conformite jeu responsable et cadre reglementaire local
- gouvernance du profilage sous AI Act en UE
Stack possible
- modeles de recommandation et de personnalisation
- moteur d'optimisation promotionnelle
- modeles de pricing / risque temps reel
Le plan, étape par étape
- Étape 1Instrumenter le comportement par utilisateur et l'attribution par cohorte d'acquisition.Livrable : Socle data comportement et cohortes fiable
- Étape 2Construire un premier modele de personnalisation ou de recommandation et le tester sur un segment.Livrable : Modele en test avec lecture d'engagement par cohorte
- Étape 3Tester le moteur promo optimise en A/B contre la promo standard sur un segment.Livrable : Lecture d'efficience promo (cout contre revenu incremental)
- Étape 4Generaliser les briques gagnantes et poser la gouvernance jeu responsable et profilage.Livrable : Deploiement elargi avec cadre de conformite documente
- Étape 5Etendre au pricing temps reel si l'infrastructure de flux le permet.Livrable : Modeles de pricing en pilote sur le live-betting
Première étape : Instrumenter le comportement par utilisateur et l'attribution par cohorte, puis tester un moteur promo optimise sur un segment avant de generaliser.
Le même pattern, prouvé dans d'autres industries
King
recommandation ML d'offres et de bundles personnalises
Roblox
moteur de decouverte ML plus economie ML (pricing et storefronts personnalises)
Supercell
personnalisation ML des offres in-game (quelle carte ou offre servir)
Sources
- S1 DraftKings (DKNG) Q4 2025 Earnings Call Transcript Presse établie archive à générer
- S2 Operator Intelligence Profile: DraftKings Inc Secondaire archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.