En 2025, la industria del juego deportivo estadounidense atravesó una transformación estructural silenciosa: los grandes operadores dejaron de ser únicamente sportsbooks y se convirtieron en plataformas híbridas. DraftKings lanzó su app de Predictions en 38 estados. FanDuel, Fanatics y Underdog siguieron con sus propias verticales de mercados de predicción. El problema no está en el producto. Está en la infraestructura que gestiona a los usuarios que lo adoptan.
Los sistemas CRM que hoy operan en estas plataformas fueron construidos hace años con una premisa clara: el usuario apuesta, el operador calcula el hold, y el CRM optimiza retención y valor de vida útil sobre esa base. Esa premisa dejó de ser universal. Ahora coexisten dos tipos de usuarios con comportamientos, estructuras de monetización y señales de riesgo radicalmente distintas —y un único sistema legacy para gestionarlos.
El Nuevo TerrenoEl año en que los sportsbooks se convirtieron en plataformas híbridas
El crecimiento de Kalshi en 2025 no fue incremental. Fue un cambio de escala. El volumen anualizado pasó de $300 millones a $50 mil millones —un crecimiento de 167x en un solo año. En la semana que terminó el 21 de diciembre de 2025, el volumen semanal de Kalshi superó $2,300 millones por primera vez, con la plataforma controlando el 78% del mercado de predicción estadounidense. Su valoración tras la Serie E alcanzó los $11 mil millones.
Pero el dato más relevante para los operadores híbridos no es el volumen: es la adquisición de usuarios. Kalshi creció de 600.000 a 5,1 millones de usuarios activos mensuales entre enero y diciembre de 2025 —un aumento de 8,5x. Robinhood operó 2.500 millones de contratos de mercados de predicción en octubre de 2025 solo, estableciendo canales de distribución completamente nuevos.
Para los grandes operadores, el movimiento es estratégico y defensivo a la vez. DraftKings Predictions está disponible en 38 estados, incluyendo mercados donde el sportsbook no puede operar. FanDuel y DraftKings controlan aproximadamente el 80% del mercado deportivo estadounidense (el sector se consolidó de ~16 a 8 operadores relevantes). Su expansión a mercados de predicción define el nuevo campo de batalla para la retención de jugadores premium. DraftKings proyecta un TAM combinado de sportsbook y mercados de predicción de $36 mil millones para 2030, frente a ~$17 mil millones en 2025.
El problema para los equipos de CRM es que ninguno de estos usuarios llegó a través del funnel tradicional. Son usuarios nativos de mercados de predicción: nunca han colocado una apuesta deportiva convencional, no tienen historial de hold, y sus patrones de comportamiento no encajan en ningún segmento del sistema legacy.
Dos Jugadores, Un CRMPor qué el apostador tradicional y el trader de predicción son perfiles incompatibles en un CRM legacy
El trader de mercados de predicción no apuesta en el sentido tradicional. Entra y sale de posiciones. Puede comprar un contrato “Sí” en un mercado político por la mañana, venderlo con ganancia al mediodía, y operar tres mercados financieros por la tarde. Participa en eventos que no tienen ninguna relación con el calendario deportivo: elecciones, indicadores macroeconómicos, cultura pop. Está activo 365 días al año.
Las diferencias estructurales respecto al apostador tradicional son profundas y afectan directamente a cómo debe construirse el modelo de CRM:
| Dimensión | Apostador Tradicional | Trader de Predicción |
|---|---|---|
| Modelo de monetización | Hold por apuesta (vig) | Comisión por operación (fee) |
| Ciclo de actividad | Calendario deportivo estacional | Continuo, 365 días |
| Tipos de mercado | Deportes (fútbol, baloncesto, etc.) | Finanzas, política, deportes, cultura |
| Señal de valor primaria | Hold percentage, frecuencia de depósito | Volumen de comisión, frecuencia de operación |
| Señal de riesgo sharp | Hit rate en líneas cerradas | Hit rate + timing precision + conviction sizing |
El impacto en los modelos de LTV es directo. Un trader de alta frecuencia puede tener un margen por operación menor que un apostador deportivo habitual, pero su valor de vida útil por volumen puede ser significativamente mayor. Los contratos de eventos deportivos en plataformas de predicción proyectan márgenes brutos ajustados un 10–30% superiores al hold tradicional según estimaciones de DraftKings.
El CRM legacy no puede calcular esto correctamente porque su variable primaria es el hold percentage, no el volumen de comisión. El resultado: los traders de alto valor son sistemáticamente infraclasificados como usuarios de bajo LTV, mientras que la concentración real de valor (20% de usuarios generando hasta el 70% del GGR) permanece invisible para el sistema de segmentación.
El escenario más problemático ocurre cuando el mismo usuario exhibe comportamiento de “apostador de valor” en sportsbook y de “trader sharp” en predicción simultáneamente. El CRM legacy lee señales contradictorias y puede activar respuestas de retención que interfieren entre sí: un sistema de gestión de riesgo que limita al sharp del sportsbook mientras el módulo de retención le envía una oferta de bienvenida en predicción.
Señales RotasLas señales CRM que dejan de funcionar cuando entran los mercados de predicción
El framework RFM (Recency, Frequency, Monetary) es el pilar de la segmentación en prácticamente todos los CRM de sportsbook. En un contexto híbrido, las tres variables se deterioran:
- Recency: Un trader puede llevar 45 días sin actividad en sportsbook pero haber realizado 200 operaciones en predicción la semana pasada. El CRM lo clasifica como candidato a churn y activa una campaña de reactivación innecesaria —con el coste, la fricción y el ruido de comunicación que eso implica.
- Frequency: La frecuencia de operación en mercados de predicción es estructuralmente más alta que en sportsbook. Combinar ambas frecuencias en una única métrica produce un número que no describe correctamente ninguno de los dos comportamientos.
- Monetary: El hold del sportsbook y la comisión de predicción no son comparables. Sumarlos como “ingresos del jugador” genera un valor monetario que mezcla dos lógicas económicas distintas.
La inteligencia de wallets sharp en mercados de predicción ha emergido como una capa de datos completamente nueva. Plataformas como Precog puntúan wallets por hit rate, precisión de timing y conviction sizing (tamaño de posición relativo a la convicción sobre el resultado). Ninguno de estos atributos tiene equivalente en los sistemas CRM construidos sobre RFM y comportamiento de depósito.
El riesgo de integridad de datos añade otra dimensión crítica. Investigadores de la Universidad de Columbia encontraron que el 45% del volumen deportivo en Polymarket puede ser wash trading, y el 14% de las 1,26 millones de wallets de la plataforma presentan patrones consistentes con actividad artificial. Si un operador híbrido no filtra estas señales antes de alimentar sus modelos de segmentación, clasificará como “sharp” o “alto valor” a perfiles con actividad artificial, contaminando los modelos de scoring de todo el sistema CRM.
La tasa de reactivación best-in-class en iGaming llega al 50% en casos como GR8 Tech —pero ese benchmark asume que el sistema está identificando correctamente a los usuarios inactivos. Si el 20–30% de los clasificados como “inactivos” son en realidad traders activos en predicción, la base de ese cálculo es incorrecta desde el origen.
El Error de OptimizaciónAccuracy vs. calibración: el error que destruye el ROI en modelos predictivos de CRM
Existe un error de construcción de modelos que los operadores han tolerado durante años porque sus consecuencias eran difíciles de aislar. En un contexto híbrido, ese error se amplifica hasta hacerse visible en el P&L.
Walsh & Joshi (2024) publicaron el análisis comparativo más claro sobre el tema: los modelos de IA optimizados por accuracy (la métrica estándar de evaluación de modelos de clasificación) generan un ROI de −35,17% en aplicaciones de selección predictiva. Los modelos optimizados por calibración —es decir, por qué tan bien el score del modelo refleja probabilidades reales, no solo si acierta o falla en clasificar— generan +34,69% ROI. La diferencia es de 69,86 puntos porcentuales en retornos promedio.
En contextos de sportsbook puro, la diferencia entre un modelo bien y mal calibrado se diluye entre miles de decisiones de campaña. En contextos híbridos, donde la separación de comportamientos es estructuralmente más marcada y los perfiles de alto valor están concentrados (20% de usuarios = hasta 70% GGR), ese error de calibración se convierte en el factor que determina si la herramienta predictiva del CRM añade o destruye valor.
La IA moderna de iGaming alcanza tasas de accuracy del 75–85% frente al 50–60% de los sistemas tradicionales. Pero accuracy mejorada sin calibración adecuada no soluciona el problema: puede incluso amplificarlo, porque el modelo entiende mejor el patrón que está midiendo incorrectamente. Los operadores que no rediseñen sus modelos de scoring para incluir el perfil de trader sistemáticamente infravalorarán los segmentos de mayor LTV en la vertical de predicción.
El Nuevo ManualRediseñando el playbook CRM para operadores híbridos: principios y estructura
No hay un proveedor B2B que hoy ofrezca lógica CRM cross-product nativa para operadores híbridos de sportsbook y mercados de predicción. Ni BetHarmony ni BETBY AI Labs tienen módulos que gestionen la interacción entre ambas verticales a nivel de segmentación y decisión de campaña. Este gap es, por definición, una ventaja competitiva para los operadores que lo construyan primero.
El rediseño del playbook CRM para contextos híbridos requiere cinco principios estructurales:
Principio 1 — Separar el perfil de jugador por vertical
Sportsbook y predicción deben tener modelos de segmentación independientes antes de cualquier lógica cross-product. Esto no significa dos CRM separados: significa dos capas de scoring que alimentan el mismo sistema de orquestación de campañas. La lógica RFM del sportsbook opera sobre datos de sportsbook. Los modelos de valor del trader operan sobre volumen de comisión, frecuencia de operación y diversificación de mercados.
Principio 2 — Redefinir LTV para traders
El hold percentage es una variable irrelevante para calcular el valor de vida de un trader de mercados de predicción. La variable primaria es el volumen de comisión proyectado —frecuencia de operación multiplicada por el fee promedio por contrato. Las variables secundarias son la diversificación de mercados (un trader diversificado es más resistente al churn estacional que uno especializado en un único tipo de evento) y el historial de recurrencia.
Principio 3 — Lógica cross-product consciente
El CRM debe detectar cuándo un usuario es activo en predicción antes de ejecutar cualquier comunicación de reactivación de sportsbook. Esto parece trivial pero requiere una integración de datos que la mayoría de los sistemas legacy no tienen: los eventos de actividad de predicción deben actualizar en tiempo real el estado de “actividad global” del usuario, independientemente de si hay actividad en sportsbook.
Principio 4 — Filtrado de integridad de datos previo a segmentación
Antes de que los perfiles de predicción entren en los modelos de scoring de valor, deben pasar por un filtro de integridad que identifique y excluya patrones de actividad artificial. Esto no requiere un sistema externo sofisticado: reglas heurísticas sobre timing de operaciones, concentración de mercados y patrones de tamaño de posición pueden limpiar la mayoría de los casos problemáticos.
Principio 5 — Flujos nativos de onboarding para usuarios de predicción
FanDuel y DraftKings están usando los mercados de predicción como herramienta de expansión geográfica —lanzando en estados donde el sportsbook no puede operar. Esto crea una cohorte de usuarios que entran a la marca como clientes de predicción y nunca han interactuado con el sportsbook. Sus flujos de onboarding, activación y posible conversión cross-product requieren lógica CRM diseñada desde cero, no adaptaciones del funnel de sportsbook. Kalshi pasó de 600.000 a 5,1 millones de MAU en un año: muchos de esos usuarios eventualmente llegarán a plataformas híbridas como primera experiencia.
Ventana RegulatoriaEl reloj corre: la ventana de arbitraje regulatorio y sus implicaciones para la infraestructura CRM
Los operadores que están construyendo infraestructura CRM alrededor de los flujos de datos de mercados de predicción enfrentan un riesgo específico: el marco regulatorio del sector está activamente en disputa. A marzo de 2026, la CFTC está considerando un marco más estricto para los mercados de predicción, con más de 20 demandas en curso. Una posible intervención de la Corte Suprema podría redefinir la clasificación legal de estos mercados en un horizonte de 12 a 24 meses.
Esto no significa que los operadores deban esperar para construir. Significa que deben construir con arquitectura modular desde el inicio. La recomendación es concreta: diseñar la infraestructura CRM con separación de capas de datos desde el primer día, de modo que los módulos de predicción sean reemplazables o desactivables sin necesidad de reconstruir el sistema completo.
Un CRM monolítico donde los datos de sportsbook y predicción están fusionados en un único pipeline de segmentación es un sistema que costará tres veces más migrar bajo presión regulatoria que uno diseñado con separación de capas desde el principio. Kalshi alcanzó una valoración de $11 mil millones y controla el 78% del mercado de predicción estadounidense —el crecimiento del sector es real e irreversible. La incertidumbre está en la forma regulatoria que tomará, no en si existirá.
La arquitectura correcta invierte en separación de responsabilidades hoy para evitar rediseño forzado mañana. Los operadores que construyan integración monolítica por eficiencia de corto plazo están optimizando el costo equivocado.
Acción InmediataTres movimientos que los operadores híbridos pueden hacer ahora mismo
No es necesario rediseñar todo el CRM para capturar el valor inmediato. Hay tres movimientos de alta prioridad que cualquier operador híbrido puede ejecutar en paralelo con su infraestructura existente:
1. Auditoría de segmentación actual
El primer paso es medir el problema: qué porcentaje de la base de usuarios activos en predicción está siendo clasificado incorrectamente por el CRM actual como inactivo, en riesgo de churn, o de bajo valor. En la mayoría de los operadores híbridos que lanzaron predicción en 2025, esta cifra es significativa —entre el 20% y el 40% de los traders activos aparecen como candidatos a reactivación en los dashboards de sportsbook, según estimaciones de operadores que han auditado sus sistemas CRM tras lanzar verticales de predicción. Cuantificar ese número hace visible el coste directo del problema: presupuesto de retención invertido en usuarios que no necesitan retención, comunicaciones irrelevantes que erosionan la relación con el cliente, y ruido de datos que contamina los modelos de scoring.
2. Modelo de LTV paralelo para traders
No es necesario reemplazar el modelo de LTV del sportsbook. Es necesario construir un modelo paralelo que use volumen de comisión y frecuencia de operación como variables primarias, con diversificación de mercados como variable secundaria. Este modelo puede correrse sobre los mismos datos de CRM con una capa de transformación que recalcule el valor del jugador según la lógica correcta para la vertical de predicción. El modelo paralelo alimenta un segundo scoring que coexiste con el scoring de sportsbook, permitiendo que el sistema de orquestación de campañas tome decisiones sobre la base de la actividad total del usuario, no solo la de sportsbook.
3. Filtro de integridad antes del pipeline de segmentación
Implementar un filtro heurístico previo a la ingesta de datos de predicción en los modelos de scoring. Los criterios básicos son identificables: operaciones con timing de microsegundos consistentes con bots, concentración extrema en un único tipo de mercado sin variación, tamaños de posición que no corresponden al patrón histórico de la wallet. Excluir estos perfiles antes de que entren en los modelos de valor protege la calidad de toda la segmentación, no solo de la vertical de predicción.
Datos y Referencias
- DeFiRate: Kalshi Weekly Volume — Crecimiento 167x de volumen anualizado ($300M a $50B), volumen semanal récord de $2,3B (diciembre 2025), Robinhood 2.500M contratos (octubre 2025)
- Kalshi: Serie E y Valoración $11B — Kalshi controla el 78% del mercado de predicción estadounidense
- Covers: Kalshi MAU Growth — Crecimiento de 600.000 a 5,1 millones de MAU en 2025 (8,5x)
- iGaming Business: DraftKings Super App — TAM combinado $36B para 2030, márgenes de predicción 10–30% superiores al hold tradicional
- DraftKings: Predictions App — Disponible en 38 estados desde el lanzamiento
- Walsh & Joshi (2024) — Comparativa de modelos calibrados vs. accuracy: +34,69% ROI vs. −35,17% ROI; ventaja de 69,86 puntos porcentuales en retornos promedio
- Universidad de Columbia (2025) — Análisis de integridad en Polymarket: 45% de wash trading en volumen deportivo, 14% de wallets con actividad artificial (1,26M wallets analizadas)