ValueStats

Baggrund

Hvordan bliver man ved med at være relevant og spændende for sin målgruppe, når man rammer de samme mennesker igen og igen – hver eneste dag, året rundt?

Unibet baserer en stor del af sin eksistens på aktiv tilstedeværelse i medierne, især koncentreret omkring sportsmedier og store kampe.

Det stiller store krav til ens content, når man hver dag skal være relevant og spændende – og meget gerne også tale om det, der interesserer vores spillere: Næste kamp.

Med mere end 2500 årlige kampe (alene i de store ligaer), kan dette kun løses ved et automatiseret setup.

Briefingen var altså:
• Vi skulle udvikle en fuldautomatisk løsning, der selv driver, udvikler, optimerer og distribuerer den daglige online marketing.
• Udgangspunktet er fodbold – set fra spillernes side.
• Indholdet skal være begavede, spændende og attraktive fodboldindsigter kombineret med spilforslag/odds.
• Løsningen skal fungere både til prematch og live match marketing (real time).
• Løsningen skal fungere på samtlige digitale mediekanaler.
• Løsningen skal selv producere og distribuere på tværs af mediekanaler.
• Løsningen skal levere øget effekt (CTR og conversion) på målbare medier.
• Løsningen skal være selvoptimerende.
• Løsningen skal frigøre ressourcer fra den traditionelle content produktion.

Fra data til marketing:
Med de mange ønsker og krav til det nye setup, var der ingen tvivl om, at løsningen skulle være data-drevet og styret af kunstige intelligenser.

Den mest valide videnskab indenfor sportsbetting er statistikker. Det gode ved statstikker er, at der er mere end rigeligt af dem. Herfra var vejen enkel: Vi skulle udvikle et system, der altid finder de mest attraktive/høje odds – og promoverer spillene med udgangspunkt i de mest attraktive statistikker som muligt.

Løsning

I bund og grund er ValueStats en sammentænkning af datadrevet indhold, optimering og automatisering.

Kort fortalt udregner ValueStats alle signifikante statistikker på samtlige kampe (mere end 20 milliarder datapunkter pr. kamp), hvorefter de sammenlignes med oddsene hos Unibet. Dette foregår i realtid.

På den måde kan ValueStats på et splitsekund vurdere 4-500 spil på en enkelt kamp og udvælge de 5-10 bedste spil, hvor der er de højeste odds i forhold til statistikken. Dvs. at Unibets odds altid fremstår som høje og attraktive, da de altid sættes i forhold til en meget markant statistik.

1. Eksempel, pre match:
“Tottenham har scoret over 2,5 mål i 11 af deres seneste 12 hjemmekampe”
=> Tottenham scorer over 2,5 mål: Odds 3.35

2. Eksempel, live match:
“Når Sønderjyske er bagud med 1 mål efter 50 minutter, har de ikke tabt i 9 af deres seneste 10 kampe”
=> Sønderjyske taber ikke: Odds 5.60

Selvoptimerende, kunstig intelligens:
Motoren i ValueStats er en fuldblods AI(*), der altid præsenterer det bedste content på samtlige kampe i realtid – imens den samtidig tracker og optimerer effekten i realtid ved at:

1. Udvælge de bedste kombinationer mellem odds og statistikker.
2. Udvælge de kampe, der genererer størst mulig omsætning.
3. Udvælge de rigtige tidspunkter at købe impressions.

Datagrundlaget:
Alle statistikker beregnes på 5 års historisk materiale. Valuestats får desuden live-opdateringer på samtlige kampe, så systemet også kan outputte spilforslag til live betting. Desuden har Valuestats sit helt eget tracking software, der leverer samtlige tracking-data i realtid.

Distribution i realtid:
Samtlige medie-integrationer i ValueStats er 100% automatiserede og drives, produceres og indrykkes af den kunstige intelligens.

Alt fra live-ads på tv til html-bannere og widgets er baseret på templates, og styres/opdateres i realtid. Dvs at ValueStats reelt er et 100% automatiseret marketing tool, der selv driver, producerer, afvikler og optimerer al den løbende digitale kommunikation. Og samtidig leverer de pt. skarpeste og mest aktuelle kamp- og spilleindsigter på markedet.

(*)
ValueStats’ AI består af 5 neuralnet af typen Multi Layer Perceptron med hver 3 hidden layers, embedding, regularization, batch normalization, dropout, relu activation og hidden features der er trænet ved cross-validation og kører som ensemble.