Kan kunstig intelligens forebygge spilleproblemer?

TanjaSveenPublisert:24. mars 2020Endret:18. januar 2023

Selskaper som Amazon, Netflix og Facebook samler inn data om kundene sine og trener modeller som avdekker hver enkelt kunde/brukers preferanser og behov. Slik vet de hvilke bøker, filmer, poster eller nyhetssaker hver enkelt kunde trolig vil like. Kommersielt fører dette til mersalg og gjensalg, klikk og likes – og det styrker kundeopplevelsen og -lojaliteten.

Maskinlæring

Maskinlæring er læringsmotoren innenfor kunstig intelligens. Enkelt sagt innebærer maskinlæring at datamaskinen på egenhånd ser etter mønstre i store datamengder og utvikler analysemodeller, uten å bli fortalt nøyaktig hva den skal lete etter. Dette kan for eksempel være å finne kunder som har samme preferanser som i eksemplene ovenfor.

Maskinlæring har fått en oppblomstring de seneste årene. Digitaliseringen har ført til økt tilgang til data, og samtidig har det vært en stor forbedring i regnekraften som skal til for å nyttiggjøre seg av metoden.

Muligheter og farer ved ny teknologi

Teknologi kan som andre verktøy brukes på forskjellige måter. I den internasjonale spillbransjen finnes det dessverre flere eksempler på at kunstig intelligens brukes på en kynisk måte for å utnytte sårbare personer.

To oppslag i den engelske avisen The Guardian avdekker uetisk bruk av den nye teknologien. Den ene artikkelen avdekker at spillselskaper kjøper lister over potensielle kunder fra tredjeparter, hvor spesifikasjonen sier at det skal være personer med lave inntekter, minst et kredittkort, og til og med personer som har stengt seg ute fra spill. Den andre artikkelen byr på innsideopplysninger om hvordan spillselskaper trener modeller for å vite akkurat når og hvilke knapper de skal trykke på for å lokke så mye penger som mulig ut av hver enkelt kunde. De vet for eksempel når det er lønningsdag, og hvilke dager og tidspunkter de skal ringe med et tilbud om gratisspill/bonus for å få kundene i gang med å spille igjen. 

Kunstig intelligens kan brukes for å forebygge spilleproblemer

Alle Norsk Tippings 2,2 millioner kunder har identifisert seg og har derfor en unik spillekonto. Når kunden leverer spill, mottar premier, setter spillegrenser, eller tar pauser så lagres dette på kundens profil.  Denne rike tilgangen til data gir unike muligheter til å benytte kunstig intelligens for å forebygge spilleproblemer.

Norsk Tippings mandat er tydelig: Selskapet skal forebygge negative konsekvenser av pengespill. Det er særlig innenfor to områder vi ser at maskinlæring kan styrke Norsk Tippings evne til å forebygge spilleproblemer: Avdekke risikofylt spillemønster, og personalisere tiltak for å hindre risikofylt spilling.

Avdekke risikofylt spillemønster

Norsk Tipping benytter analyseverktøyet Playscan for å avdekke risikofylt spillemønster. Playscan gir også tilbakemelding til kunden, hvor risikovurderingen begrunnes og det foreslås tiltak dersom det er aktuelt.

Den første generasjonen av Playscan var en «skrivebordskonstruert» algoritme, hvor eksperter innenfor spillansvarsområdet satte opp en algoritme basert på forskning om hvilke atferdstrekk som er forbundet med risiko- og problemfylt spilleatferd. I tillegg inneholdt verktøyet en selvtestdel, hvor kunden svarte på 16 spørsmål om egen spilling for å avdekke risikonivå ved spillingen.

Det som er utfordrende når man skal lage en modell for å avdekke spilleproblemer er hva man skal trene modellen opp mot? Hvordan kan vi vite at én kunde har et helt greit forhold til spill, mens én annen har spilleproblemer? Vi har selvsagt ikke tilgang til innsiden av kundenes hoder og heller ikke til diagnoseregistre. Det siste ville nok heller ikke hjulpet oss – siden det bare er et fåtall av de som sliter med spill som søker hjelp hos fastlegen.

Playscan 2.0

Etter at den første Playscan-modellen hadde vært i markedet noen år, hadde man samlet inn et stort antall selvtester. Disse selvtestene kunne nå bli brukt som «en fasit» for å utvikle den andre generasjonen Playscan. En rød selvtest innebar at kunden selv svarte at han hadde problemer med spillingen. Ved å bruke kundenes data for perioden før de hadde svart på selvtester kunne modellen trenes. Mer enn 60 000 besvarte selvtester ble brukt for å bygge den andre generasjonen av Playscan-modellen.

Utviklingen av Playscan over tid poengterer en svært viktig forutsetning for å lykkes med maskinlæring: Betydningen av å investere i data. Ved å oppfordre kunder til å ta selvtesten ble det samlet inn nok selvtester til at datagrunnlaget var stort nok til å trene modellen mot disse. Det kan være utfordringer også med å trene modeller mot selvtester, som f.eks. underrapportering. Men den nye modellen ble betydelig bedre enn den forrige. Den har høyere treffsikkerhet (ROC-kurve/AUC), og kundenes tilbakemelding viser de opplever at risikovurderingen stemmer bedre.  

Personalisere tiltak for å hindre risikofylt spilling

Også innenfor spillansvarsområdet kan det ligge et uforløst potensial i å personalisere tiltak rettet mot spillere som har risiko- eller problemfylt spilleatferd. Det er ikke gitt at en sportsspiller og en kasinospiller, eller en 20-åring og en 50-åring, opplever samme tiltak som relevant og meningsfylt.

Hva vil en slik personalisering kreve? For å lykkes kreves det også her at man «investerer» i data. Ulike tiltak må testes på representative utvalg av kundegruppen før man ved hjelp av maskinlæring klarer å identifisere hvilke kunder som nyttiggjøre seg hvilke tiltak.

Case: Velge kunder for en proaktiv samtale

Ett av Norsk Tippings tiltak som retter seg mot kunder med risiko-/problemfylt spillemønster er en såkalt proaktiv samtale. Kunden blir ringt opp, og i samtalen gis det fakta om spillforbruk og det samtales om behov for endringer. I et flertall av samtalene blir det avtalt minst ett tiltak for å redusere spillingen. Det mest vanlige tiltaket er at spillegrensen reduseres.

Den årlige kapasiteten for slike samtaler er langt mindre enn den potensielle målgruppen. I en slik situasjon kan man stille spørsmålet:

Gitt begrenset kapasitet – hvilke kunder bør vi prioritere å ringe?

Vi erfarte at vi både traff på kunder som leverte på vegne av spillelag og kunder som ga tilbakemelding om at de hadde kontroll, god inntekt og at dette var en viktig hobby. Dersom vi kunne identifisere de kundene som faktisk ville nyttiggjøre seg tiltaket ville vi i løpet av et år nå flere kunder som har behov for denne dytten for å gjøre en endring. Vi kunne øke effekten av tiltaket.

Dette ble utgangspunktet for en case for maskinlæring som ble skrevet som prosjektoppgave ved Master of management ved Handelshøyskolen BI våren 2018.

Høy prediksjonsevne

Vi brukte et treningsdatasett på 1400 kunder med gjennomført samtale. Disse var plukket ut tilfeldig blant de 10 000 kundene som hadde tapt mest på spill de siste årene. Det betød at vi hadde et representativt treningssett - og dermed kunne lage en modell for akkurat denne kundegruppen. Vi estimerte effekten av samtalen for hver enkelt kunde ved å sammenligne forbruket 12 uker før samtalen med forbruket 12 uker etter, og kundene ble delt inn i to klasser:

1. Kunder som hadde redusert forbruket etter samtalen

2. Kunder som hadde økt forbruket eller bare redusert forbruket litt.

En gjennomgang av forskningslitteratur veiledet utvelgelsen av relevante data som skulle brukes for å trene modellen. Vi hentet for eksempel ut aggregater for spillforbruk, data om bruk av spillansvarsverktøy, kundens kjønn, alder og lengde på kundeforholdet, og antall kontakter med Kundeservice.

Videre ble standard prosedyre for maskinlæring benyttet, og selve modellbyggingen og valideringen ble utført i DataRobot, som er et automatisert maskinlæringsverktøy.

Evalueringen viste at vi klarte å bygge flere modeller med høy prediksjonsevne, dvs. at modellene i høy grad klarte å identifisere kunder som nyttiggjør seg samtalene.

Høsten 2018 brukte vi modellen for å plukke ut kunder til samtaler, og gjennomførte samtaler med 300 kunder basert på modellen. Evalueringen viste at modellen også fungerte skarpt – anvendt på helt nye kunder. Resultatet var omtrent akkurat som forventet.

I dette tilfellet var den praktiske implikasjonen denne: At flere kunder som hadde behov for og effekt av en proaktiv samtale ble nådd.

• Dersom du er interessert i flere detaljer om caset, kan du lese mer i denne artikkelen i fagtidsskriftet Magma.

• Du kan lese mer om proaktive samtaler her på Norsk Tippings fagblogg

Artikkelforfatter Tanja Sveen er rådgiver for ansvarlig spill hos Norsk Tipping.