Zona de Azar Suiza – WLA: “La Inteligencia Artificial Ayuda a las Loterías”

Suiza.- 03 de Agosto de 2022 www.zonadeazar.com Garantizar el juego responsable es una alta prioridad para las loterías de todo el mundo.

Norsk Tipping, la lotería nacional de Noruega, tiene un mandato claro para actuar para prevenir las consecuencias negativas del juego.

Como tal, está tomando diversos pasos hacia el logro de un entorno seguro y responsable para los jugadores.

Una de ellas es utilizar Playscan, una herramienta de monitoreo de riesgos para que los jugadores midan la probabilidad de que desarrollen problemas de juego.

En 2021, el Índice Playscan indicó un comportamiento de juego general más saludable que en el año anterior, lo que demuestra que las diferentes acciones tomadas para fortalecer la prevención de los problemas de juego están funcionando.

En una entrevista, Tanja Sveen, asesora principal de juego responsable de Norsk Tipping, habló sobre el desarrollo de SpillePuls o Play Pulse, una interacción de diálogo digital y personal, diseñada para prevenir y reducir el juego en riesgo o problemático.

¿Qué es SpillePuls?

La interacción de diálogo digital de SpillePuls tiene como objetivo aumentar la conciencia del cliente sobre los hábitos de juego y el gasto, crear reflexión y motivar a los jugadores a tomar medidas para moderar más hábitos de juego, si es necesario.

Tomando el ejemplo de un aumento en la intensidad del juego, si un jugador aumenta su pérdida, entonces el objetivo se convierte en crear conciencia de este aumento, haciendo que el jugador piense en ello y haga algo positivo para abordarlo, como establecer un límite personal más bajo.

Tenemos suerte porque en Noruega, todos nuestros clientes (2,2 millones) han sido registrados y plenamente identificados durante mucho tiempo.

Nuestro trabajo se ha beneficiado enormemente del acceso a estos ricos datos personales del jugador y al historial de transacciones, que también está disponible para que lo usemos en tiempo real.

¿Cómo ha desarrollado el diálogo digital?

Comenzamos utilizando la investigación y el análisis de datos para identificar una amplia gama de marcadores de comportamiento o eventos que pueden ocurrir durante el juego, que sabemos que pueden conducir a problemas de riesgo o de juego. Algunos ejemplos de eventos son un aumento en el gasto o la cantidad de tiempo dedicado a jugar.

Entrevistamos a clientes y recursos internos en nuestros departamentos de juegos y consideramos la investigación externa, para obtener una comprensión de los grupos objetivo y poder establecer objetivos y crear un conjunto de reglas.

Por ejemplo, si usted es un jugador joven que ha perdido una cierta cantidad de dinero jugando juegos de casino en línea, tendrá que tomar una acción en particular. Los conjuntos de reglas están integrados en el recorrido del cliente, en el sitio web y en la aplicación, de modo que cuando los clientes inicien sesión, aparecerá un diálogo, dependiendo de lo que hagan. Algunas de las acciones que el cliente puede tomar incluyen reducir el tiempo de juego y los límites de gasto, tomar descansos o hacer un cuestionario de autoevaluación.

Desarrollamos los pilotos con un equipo interdisciplinario y estamos adoptando un enfoque paso a paso. Sacamos los pilotos, hacemos que los diferentes grupos de jugadores los usen, recopilamos y finalmente evaluamos los datos, lo que nos brinda importantes oportunidades de aprendizaje a medida que avanzamos.

Creemos que esta ha sido una mejor manera de construir nuestra solución, que implementarla en su totalidad sin la retroalimentación y el análisis. A finales de 2022 estará completamente desarrollado e implementado, pero ya estamos cubriendo una parte sustancial de los clientes objetivo.

¿Puede dar algunos ejemplos concretos de cómo funciona?

Dependiendo de la actividad de los clientes, se envía un mensaje preguntando si están listos para un desafío en forma de la pregunta: ¿Gasta menos, el mismo o más dinero que antes? Esto tiene como objetivo que los jugadores reflexionen sobre su comportamiento.

Una vez que los clientes responden, SpillePuls les envía la respuesta correcta a las preguntas en formato gráfico, en función de sus datos personales. A veces, nuestra respuesta basada en datos puede no ser la misma que la respuesta del cliente. La investigación ha demostrado que a menudo los jugadores pueden subestimar sus propios hábitos.

Luego enviamos la cantidad normal gastada para los jugadores de ese grupo de edad, para que puedan restablecer sus límites con otra perspectiva. Inmediatamente después, se presenta una acción fácil, preguntando a los clientes si desean confirmar un límite de gasto mensual recientemente recomendado y más bajo.

Es rápido y fácil, por lo que los clientes no tienen que tomarse mucho tiempo para pensar si tomar o no medidas.

Otro ejemplo es para las apuestas deportivas, cuando vemos que los clientes han perdido mucho dinero en el año anterior y tienen altas probabilidades de más de 10, lo que les da una baja probabilidad de ganar. Una vez que inician sesión, enviamos un mensaje con una pregunta, preguntándoles si es hora de adoptar una nueva táctica.

Pueden hacer clic en el botón de mensaje abierto, y repetimos la pregunta y proporcionamos un resumen gráfico, basado en su historial de jugadores, de cuánto dinero han perdido en los últimos 12 meses, el promedio de probabilidades y su probabilidad resultante de ganar.

También proporcionamos más información que explica cómo se calcula la probabilidad de ganar (en función de las probabilidades más comunes en las que apuestan, su número más común de objetos por apuesta y el porcentaje promedio de ganancias).

A los clientes se les muestra lo fácil que es tomar medidas para establecer un límite de gasto más bajo para reducir cuánto perderán. Simplemente presionan el botón de confirmación, son elogiados por su acción positiva y se les pide comentarios sobre cómo fue su experiencia con este mensaje.

¿Cuáles fueron los hallazgos clave?

La retroalimentación es clave para nuestra solución. Si queremos tener éxito, necesitamos tener la aceptación del cliente. Para cada interacción preguntamos si la información proporcionada fue relevante, útil o disruptiva Hasta ahora, hemos tenido 3000 comentarios y comentarios de 90000 personas en general. Hemos realizado 12 ensayos de control aleatorios y probado 80 variantes de interacciones.

Alrededor del 70-80% de los usuarios sienten que la interacción de diálogo es útil. Los comentarios positivos para estos pilotos demuestran la aceptación general por parte de los clientes. Cuando comenzamos, conseguimos que alrededor del 60% de las personas completaran toda la acción, pero esto aumentó con el tiempo.

Un aprendizaje clave, del que nos dimos cuenta rápidamente, fue que no podíamos esperar demasiado del cliente en términos de responder preguntas y participación. Como resultado, optimizamos la duración y el grado de acción del cliente para aumentar la tasa de finalización, que ahora es de casi el 100%.

En todos los pilotos, una proporción significativa de los clientes tomó algún tipo de acción en comparación con los grupos de control, y en la mayoría de los pilotos, al menos una o varias de las interacciones conducen a un gasto significativamente menor en comparación con los grupos de control.

Estamos muy contentos con estos resultados. El desarrollo de la solución continuará, porque con el tiempo, algunas de las acciones que tenemos ahora pueden disminuir en su efectividad. Es importante seguir probando cosas nuevas, recopilando datos, aprendiendo de ellos y ajustando nuestras soluciones para que sigan siendo útiles y relevantes.

¿Qué hay en el tintero?

Creemos que existe el potencial de crear iniciativas personalizadas dirigidas a los jugadores con el uso del aprendizaje automático, y que esto puede aumentar aún más los efectos en el comportamiento del jugador.

En este momento, estamos probando la personalización de las variantes de diálogo, utilizando modelos de aprendizaje automático en un piloto dirigido a clientes con un patrón de juego de alto riesgo que también aumentan sus gastos. Primero, llevamos a cabo un piloto configurado como un ensayo de control aleatorio y reunimos un gran conjunto de datos.

Luego utilizamos este conjunto de datos para entrenar modelos de aprendizaje automático para cada variante. Cada vez que un cliente califica para una interacción, el modelo ejecuta las seis variantes y presenta la que tiene la mayor probabilidad de que el cliente tome medidas, como reducir el límite de gasto.

Esta es una forma muy emocionante y nueva de usar el aprendizaje automático para el juego responsable. La personalización funciona bien en muchas áreas, por lo que hay buenas razones para esperar que también pueda aumentar los efectos de las medidas de juego responsable.

Es pronto, pero será interesante ver si existe la oportunidad de dirigirnos mejor a nuestros clientes con interacciones más personalizadas y ver si podemos usar el aprendizaje automático en grupos objetivo más grandes.

Edito:  @_fonta  www.zonadeazar.com