spinhireW kasynie każde zakręcenie slota, każdy depozyt i każda odmowa bonusu to wiersz w bazie danych. Ktoś musi zamienić miliony tych wierszy w zrozumiałe liczby: ile platforma realnie zarobiła, kogo utrzymywać bonusem, a komu pora pokazać limity depozytu. To praca analityka danych — jednego z najbardziej poszukiwanych, a przy tym najmniej „hazardowo” wyglądających zawodów w iGamingu: z zewnątrz to zwykły SQL i dashboardy, ale w środku — wskaźniki, których nie ma w podręcznikach analityki produktowej. Rozkładamy na czynniki, czym zajmuje się analityk danych w kasynie, jakie liczby trzyma w głowie każdego dnia, jaki stack jest potrzebny, czym ta rola różni się od klasycznej analityki produktowej i ile się za to płaci w 2026 roku.
Popyt na tę rolę rośnie szybciej niż na większość innych zawodów w branży: operatorzy jednocześnie skalują liczbę rynków, dodają nowych dostawców gier i zaostrzają wymogi regulatorów co do przejrzystości raportowania — a bez osoby, która potrafi wyciągnąć z tego strumienia dokładną i broniącą się przed audytorem liczbę, żaden z tych procesów nie działa.
Czym zajmuje się analityk danych w kasynie
Formalnie rola nazywa się Data Analyst albo BI Analyst, ale w praktyce to ogniwo łączące produkt, marketing, CRM, compliance i dyrektora finansowego — wszyscy oni regularnie przychodzą z pytaniem „a co tam z liczbami”. Główne obszary odpowiedzialności:
- Regularne raportowanie. GGR i NGR w podziale na produkt (sloty, kasyno live, betting), geo, segment VIP i partnera-dostawcę gier — zwykle na bazie tygodniowej i miesięcznej dla kierownictwa.
- Dashboardy self-serve. Tableau, Power BI albo Looker dla zespołów CRM, marketingu i produktu, żeby managerowie sami sprawdzali liczby, a nie pisali do analityka na priv każdego dnia.
- Testy A/B. Sprawdzanie hipotez dotyczących mechanik bonusowych, lejka rejestracyjnego, landing page'y i kampanii email/push — z uwzględnieniem tego, że wygrane graczy mocno zniekształcają próbę.
- Modele LTV i churnu. Prognoza, ile NGR przyniesie gracz przez cały okres życia na platformie, i kto z obecnie aktywnych odejdzie w najbliższym miesiącu.
- Segmentacja graczy. Analiza RFM, klasteryzacja według zachowania — podstawa kampanii CRM i wyznaczania progów VIP.
- Dochodzenia ad hoc. „Dlaczego spadł NGR w Niemczech w zeszłym tygodniu” — i już analityk sprawdza kurs walut, budżet marketingowy, techniczny downtime i nową ustawę o limitach.
Osobna i coraz ważniejsza część pracy to wspólne dochodzenia z zespołami antyfraudu i compliance: anomalne wzorce zakładów, oznaki multiaccountingu albo bonus abuse widać najpierw właśnie w danych, i fraud analyst bez wyciągów od analityka danych pracuje niemal na ślepo.
Metryki, bez których się nie obejdzie: GGR, NGR, RTP, LTV, retention
Pierwsze, co przyswaja analityk, który przyszedł do iGaming z e-commerce albo SaaS: tu liczy się nie MRR i nie DAU, tylko GGR i NGR, a pomylenie ich to jak pomylenie przychodu z zyskiem.
| Wskaźnik | Co to znaczy | Kto na nią patrzy |
|---|---|---|
| GGR | Zakłady minus wygrane graczy, przed odliczeniem bonusów, podatków i prowizji płatniczych | Produkt, inwestorzy |
| NGR | GGR minus bonusy, odpisy do puli jackpotów, opłaty licencyjne i podatek od działalności hazardowej | Finanse, C-level |
| RTP | Teoretyczny procent zwrotu dla gracza, wbudowany przez dostawcę w matematykę gry | Compliance, produkt |
| Hold | Faktyczna marża stołu albo limitu zakładów — odwrotna strona RTP, ważna w live i bettingu | Trading, produkt |
| LTV | Prognozowany NGR od gracza przez cały okres jego życia na platformie | CRM, marketing |
| Retention / Churn | Udział graczy, którzy wrócili albo odeszli w danym okresie — zwykle patrzy się na D1/D7/D30 | CRM, produkt |
| ARPU / ARPPU | Średni przychód na gracza i osobno na płacącego gracza | Marketing, CRM |
Specyfika akurat kasyna polega na tym, że GGR i NGR to skrajnie „hałaśliwe” metryki: jedna duża wygrana jackpotowa potrafi zawalić dzienny GGR całego produktu, a pierwszym zadaniem analityka jest nauczyć kierownictwo nie panikować z powodu jednodniowych spadków, tylko patrzeć na średnią kroczącą.
Inwestorów i radę nadzorczą z reguły bardziej interesuje właśnie dynamika NGR, a nie GGR: wzrost GGR przy szybszym wzroście kosztów bonusowych może oznaczać, że operator po prostu kupuje przychód agresywnymi promocjami, a nie buduje zdrowej bazy graczy. Rozdzielenie tych dwóch scenariuszy to typowe zadanie analityka przy przygotowaniu raportu kwartalnego, a bez spojrzenia kohortowego (ile NGR przynoszą gracze pozyskani w styczniu po trzech i sześciu miesiącach) nie da się tego zrobić uczciwie.
Cykl roboczy: od dashboardu do eksperymentu
Jednego „typowego dnia” analityka w kasynie prawie nie ma — zestaw zadań mocno zależy od tego, czy pracuje sam dla małego operatora, czy w zespole kilkunastu analityków w dużym holdingu. Ale tygodniowy rytm w większości firm jest rozpoznawalny:
Stack: SQL, Python i warstwa BI
Stack technologiczny nie jest egzotyczny — trudność nie leży w narzędziach, tylko w objętości i specyfice danych: każdy spin na slocie, każdy zakład w kasynie live i każde zdarzenie w bettingu generuje wiersz, a tabele łatwo rozrastają się do miliardów rekordów.
- SQL — obowiązkowy, używany codziennie. Skomplikowane joiny po tabelach transakcji i rund gry, funkcje okienkowe do analizy kohortowej, optymalizacja zapytań na dużych wolumenach.
- Python (pandas, numpy, scikit-learn albo statsmodels). Modele LTV i churnu, automatyzacja regularnych raportów, statystyka do testów A/B.
- Narzędzia BI. Tableau, Power BI albo Looker/Looker Studio — dashboardy self-serve dla CRM, marketingu i zespołu VIP.
- Hurtownia danych. Snowflake, BigQuery, ClickHouse albo Redshift — ze względu na wolumen zdarzeń (każdy spin, każdy zakład) wybór silnika mocno wpływa na szybkość pracy analityka.
- dbt i orkiestracja (Airflow, Dagster). Nie zawsze obowiązkowe dla junior/middle, ale pojawiają się coraz częściej i otwierają drogę do analytics engineering.
- Statystyka do eksperymentów. Rozumienie, dlaczego zwykły t-test łamie się na danych z rzadkimi dużymi wygranymi, i jak liczyć istotność w takich warunkach.
- Excel/Google Sheets — nigdzie się nie podział. Szybkie sprawdzenie hipotezy albo jednorazowy raport dla jednego stakeholdera często szybciej zbić w tabeli, niż rozwijać pod to osobny dashboard.
Specyfika hazardu dodaje swoje niuanse ponad standardowy stack: zdarzenia przychodzą nie tylko ze strony i aplikacji, ale też bezpośrednio od dostawców gier i bramek płatniczych, więc analityk musi zestawiać kilka źródeł prawdy i rozgryzać, dlaczego liczba w raporcie dostawcy różni się od wewnętrznego trackingu.
Portfolio z parą case'ów SQL/Python i zrozumiałym wyjaśnieniem, jak liczy się NGR, zwykle przeważa nad dyplomem z data science — wymagania co do stacku w realnych ofertach mocno różnią się między firmami.
Ile płacą według grade'ów
| Poziom | Malta/Cypr net/mies. | Europa (biuro) net/mies. | Zdalnie net/mies. |
|---|---|---|---|
| Junior (0–1 rok) | €1.8–2.5K | €1.4–2K | €1.2–1.8K |
| Middle (1–3 lata) | €2.8–3.8K | €2.2–3.2K | €2–2.9K |
| Senior / Python + modele | €4–5.5K | €3.2–4.5K | €3–4.2K |
| Lead / Head of Analytics | €6–9K | €5–7.5K | €4.5–7K |
Znajomość Pythona i doświadczenie w budowaniu modeli predykcyjnych (LTV, churn) zwykle dodają 15–25% do widełek względem czystego profilu SQL/BI tego samego grade'u. Pełny katalog ponad 20 ról branży znajdziesz w kartotece zawodów.
Czym to się różni od analityki produktowej
Analityk, który przechodzi do iGaming z klasycznego produktu albo SaaS, zwykle przechodzi przez trzy momenty przeuczenia:
- Inny zestaw kluczowych metryk. Zamiast MRR, ARR i churn rate dla subskrypcji — GGR, NGR, hold i RTP, które liczy się według zupełnie innych wzorów i mocno zależą od mechaniki bonusowej i odpisów licencyjnych.
- Obwód regulacyjny wokół danych. Odpowiedzialna gra (Responsible Gambling) i wymogi licencjobiorcy oznaczają, że część modeli to nie wzrost przychodu, tylko obowiązkowe metryki ryzyka: oznaki zachowania problemowego, limity, self-exclusion.
- Ekstremalna zmienność przychodu. Jeden jackpot na kilkaset tysięcy euro może „złamać” dzienny raport GGR tak, jak żadna metryka w zwykłym e-commerce się nie zachowuje — potrzebne są metody odporne na wartości odstające i średnie kroczące.
- Wielojurysdykcyjność. Ten sam produkt żyje pod różnymi licencjami (MGA, UKGC, Curaçao) w różnych krajach — segmentacja po geo jest obowiązkowa niemal w każdym raporcie, a nie opcjonalna.
- Inny krąg stakeholderów. Zamiast przyzwyczajonego produktu i marketingu pojawiają się compliance, antyfraud, a w firmach z zakładami sportowymi — jeszcze zespół tradingowy, który żyje metrykami marży i ruchu linii, a nie tylko retencją.
Za to przenosi się dokładnie to samo: SQL, Python, statystyka testów A/B i umiejętność wytłumaczenia nietechnicznemu menedżerowi, co oznacza liczba na dashboardzie. Domenę — RTP, wager, GGR/NGR — douczysz się na miejscu w parę miesięcy. Osobno stoi betting i betting esportowy: tam do powyższego dochodzi praca z liniami i kursami, a część analityków z czasem przesuwa się bliżej tradingu, gdzie decyzje zapadają w czasie rzeczywistym, a nie po tygodniowym raporcie.
Jak wejść do zawodu
- Portfolio ważniejsze niż dyplom. Kilka case'ów na publicznych danych (na przykład obliczenie retention albo LTV na open-source'owym datasetcie) z czytelnym SQL i Pythonem zamyka kwestię formalnego wykształcenia.
- Zadanie testowe niemal zawsze jest. Typowy format — napisać zapytanie, które liczy NGR według dni i segmentów, albo zinterpretować sztucznie zaniżony wykres retention.
- Domenę douczasz się na miejscu. Terminy GGR, NGR, RTP, wager i hold wyjaśniają na onboardingu w 2–4 tygodnie — specyfiki nie trzeba znać z góry, ale SQL i statystykę lepiej podciągnąć przed rozmową.
- Pokrewne zawody — szybkie wejście. Doświadczenie w analityce BI albo analityce produktowej e-commerce/fintech przenosi się niemal bez strat.
Dokąd można urosnąć
Analityk danych w kasynie to nie ślepa uliczka, tylko hub, z którego rozchodzi się od razu kilka ścieżek:
- BI / Analytics Engineer. Jeśli bliżej nie do budowy modeli, tylko do architektury witryn danych i dashboardów self-serve — logiczny krok w stronę analityki BI.
- Matematyka gier. Głębokie zrozumienie RTP i zmienności gier prowadzi część analityków do matematyków gier, którzy projektują mechanikę slotów.
- CRM / Retention Lead. Modele churnu i segmentacja to prosta droga do zarządzania retencją, więcej w profilu CRM managera.
- Analityka produktowa / Product Manager. Zrozumienie lejka i LTV otwiera przejście do product managementu wewnątrz operatora.
- Analityka VIP. Segmentacja dużych graczy według LTV jest ściśle związana z pracą VIP managerze — to właśnie na danych analityka opiera się decyzja, kogo przenieść do osobistego portfela VIP.
Otwarte oferty z podanymi widełkami i stackiem — w sekcji aktualnych ofert dla analityków danych. Ogólny przegląd zarobków w branży na 2026 rok — w artykule „Zarobki w iGaming 2026”.
Częste pytania
Czy potrzebny jest dyplom z data science? Nie. Pracodawcy patrzą na SQL, Python i portfolio z prawdziwymi case'ami dużo uważniej niż na formalne wykształcenie.
Czy można przejść z analityki produktowej e-commerce albo SaaS? Tak, to jedna z najczęstszych dróg wejścia — technika przenosi się w całości, a specyfikę GGR/NGR/RTP i regulacje douczasz się w pierwsze miesiące. O innych sposobach wejścia do branży bez doświadczenia — w artykule „Jak wejść do iGamingu bez doświadczenia”.
Czy Python mocno podnosi widełki w porównaniu z czystym SQL? Zwykle o 15–25% na tym samym grade'zie — zwłaszcza jeśli jest doświadczenie w budowaniu modeli LTV albo prognozy churnu, a nie tylko analityka opisowa.
Czym analityk w kasynie różni się od analityka w bettingu? Podstawa — SQL, Python, metryki GGR/NGR — jest ta sama. W bettingu i cybersport-bettingu dochodzi praca z kursami, marżą bukmachera i szybkością danych w czasie rzeczywistym, co zbliża rolę do tradingu bardziej niż w klasycznym kasynie.