Hur Svenska Spel använder Machine Learning för att förebygga spelproblem
-Inlägget är skrivet av Svenska Spel-
Spelansvar och spelkoll är en del av Svenska Spels DNA och en av grundpelarna i vårt spelansvarsarbete är verktyget Playscan, ett verktyg som vi faktiskt har utvecklat själva. Playscan bygger på Machine Learning för att upptäcka och kommunicera med problemspelare eller spelare som har ett förändrat spelmönster. Men hur funkar det och är det några människor inblandade?
Flera människor är involverade i arbetet kring Playscan och en av dem är Axel Lyckberg som jobbar som analytiker på Svenska Spel. Axel är en av Sveriges främsta spelansvarsexperter och har vid ett flertal tillfällen varit talare på konferenser kring spelproblem i både Europa och Nordamerika.
Axels vardag handlar främst om att arbeta med den analys som Playscan tar fram och undersöka vilka beteenden som predicerar riskfyllt spelande och som modellen automatiskt ska leta efter. Han har ett nära samarbete med psykologer och experter på spelproblem eftersom varje beteende måste gå att förstå och förklara utifrån vad man vet från spelproblemsforskning.
Men vad gör Playscan? Playscan identifierar beteenden som är förknippade med hög risk för att utveckla problem och följer allt registrerat spel hos varje unik kund och ser om spelbeteendet förändras till att bli mer riskfyllt. Den som spelar får information, tips och goda råd om sitt spelande och vi får därav en segmentering, en riskanalys, där kunder delas in i olika grupper – från låg risk till moderat och hög risk att utveckla spelproblem.
Riskanalysen, som också är själva kärnan i verktyget, tas fram genom att först studera alla de tusentals självtester som görs i Playscan. Med hjälp av den datan kan verktyget lära sig mer om beteenden som kan leda till negativa konsekvenser. Det kan till exempel handla om att man regelbundet fyllt på sitt spelkonto under spelets gång, tagit spelpaus, spelat under lång tid och med höga belopp eller spelat på tider när man normalt borde sova, arbeta eller studera.
Just nu jobbar vi även med att få in den här analysen i realtid, för att kunna agera i stunden med en spelare som till exempel förlorat ett visst belopp eller fyllt på sitt spelkonto och agera med spelaren beroende på vilket val den gör. Då kommer vi till exempel, eftersom vi följer spelare i realtid, automatiskt kunna kommunicera just när personen sätter in på sitt konto vid ett givet tillfälle.
Visst är det fantastisk vad det går att programmera fram? Är du nyfiken på att veta ännu mer om hur vi jobbar med machine learning kan du kika in här och här.