In dit artikel in een reeks over de rol van AI in de gamingindustrie richt Differential Labs zich op de bouwsteen van AI: data , meer specifiek bespreekt het de tekortkomingen van huidige casinodata en de belofte van nieuwe databronnen.
Clayton Peister, Managing Director van Differential Labs, wordt vergezeld door Noah Acres van Acres en Stephen Moore van Walker Digital Table Systems.
Wanneer we met operators spreken over AI-adoptie, beginnen we vaak met een eenvoudig refrein: casinodata is altijd fout, maar het is doorgaans consistent fout, wat het nuttig maakt. Hoewel het waar is dat huidige casinodata nuttig is, is er veel dat we niet begrijpen over klanten. Begin met waardering: de huidige lingua franca die wordt gebruikt om de waarde van een klant te beschrijven – ADT – is doorgaans 80% van de tijd fout.
ADW, een maatstaf die werkelijke winst-verlies en theoretische winst combineert, is nauwelijks beter. Als gevolg hiervan is de manier waarop wij (als exploitanten) denken dat spelers omgaan met het pand enorm verschillend van de persoonlijke ervaring van de klant. Bij uitbreiding hebben de meest betekenisvolle effecten die andere industrieën van AI krijgen, de casino-industrie grotendeels gemist.
Dit hoeft niet langer het geval te zijn: nieuwe brongegevens, met name de bet-by-bet-transactie-uitlaat van slimme tafels, gokkasten met realtime gegevensverzameling en online gaming, beloven een diepere intimiteit met de klant. Wij geloven dat deze nieuwe gegevens de ontbrekende puzzelstukjes zijn die nodig zijn om op grote schaal te personaliseren en de meest ambitieuze beloften van AI te ontsluiten.
Deze gegevensbronnen zorgen met name voor inzicht in de voorkeuren van spelers, een nauwkeuriger beeld van het gedrag van spelers en meer realtime en relevante resultaten. Voorspellende modellen die op deze nieuwe gegevens zijn gebouwd, zijn niet alleen nauwkeuriger, maar kunnen ook de voorkeuren van spelers vastleggen op manieren die in het verleden moeilijk voor te stellen waren.
Slimme exploitanten zullen de resulterende modellen inbedden op streaming bet-transacties, waardoor nieuwe operationele optimalisatie, fraudedetectie en het activeren van realtime-acties worden ontgrendeld.
Herinnerend aan het feit dat we zien dat bet-by-bet transacties een betere betrokkenheid van de klant mogelijk maken op de dimensies van nauwkeurigheid, voorkeuren en relevantere realtime gegevens, verbeteren tabelgegevens op al deze drie dimensies, terwijl slotgegevens voornamelijk zullen verbeteren in termen van voorkeur en relevantie.
Bijvoorbeeld, in slots kennen we vandaag de dag alleen de totale waarden per sessie, terwijl variatie binnen die slotsessie, zoals lijn en volume over de uitbetalingstabel, onbekend is; bet-by-bet slotgegevens belichten dit gedrag.
Bekijk nauwkeurigheid:
Van elke geplaatste weddenschap – of het nu op slots, online of bij een tafelspel is – verwacht het huis de edge van het spel te winnen. In Azië gaan de meeste exploitanten ervan uit dat de edge gemiddeld rond de 1,25% ligt, terwijl we in bet-by-bet gegevens kunnen zien dat de echte edge rond de 1,7% ligt en de mediaan of typische winstpercentage 2,6% is. In feite heeft minder dan 10% van de baccarat-klanten een winstpercentage tussen 1,1% en 1,3%.
Bovendien onderschatten eigendommen doorgaans ook de gespeelde spellen en de gemiddelde inzetdollars voor tafelactie, de volgende keer dat een speler klaagt dat hij ondergewaardeerd is, geloof hem dan misschien.
Het bouwen van modellen op basis van onnauwkeurige beoordelingen is beladen en soms een dwaze onderneming. We hebben onlangs een experiment uitgevoerd met een operator die slimme tafeltechnologie adopteerde en nog steeds handmatige beoordelingen uitvoerde.
We hebben drie modellen getraind om de dagelijkse uitgaven van een klant (gemiddelde dagelijkse winst/verlies) op de lange termijn te voorspellen, we hebben alleen rekening gehouden met klanten met meerdere dagen om de impact van volatiliteit te verminderen.
Het eerste model dat we ontwikkelden (laten we het het basismodel noemen) was een state-of-the-art model met alle kennis die we de afgelopen 10 jaar hebben verzameld over het vergroten van de nauwkeurigheid, het tweede model was een eenvoudig voortschrijdend gemiddelde, maar gebruikte weddenschap-voor-weddenschap-gegevens van de slimme tafels, terwijl het derde model een zwaar afgestemd state-of-the-art voorspellend model was dat was gebouwd op weddenschap-voor-weddenschap-transacties. De resultaten worden hieronder samengevat:
Model 1 Voor beoordelingen leerde het eerste model de onnauwkeurigheden die in de gegevens zaten, voor spelers die dominant waren aan de tafel, was het model dat op beoordelingen was gebaseerd op 30% tot 40% fout op de lange termijn. Voor slotbeoordelingen had het gemiddelde een lage foutmarge, maar de volatiliteit woog nog steeds op de nauwkeurigheid voor de typische (mediaan) speler waar de foutmarge ten minste 20% was.
Misschien nog belangrijker was dat er een zwakke relatie was tussen de theoretische beoordelingen en de werkelijke dagelijkse uitgaven van de spelers en de correlatie verzwakte verder wanneer de speler een hoge gemiddelde inzet had of vaak side-bets nam.
Model 2 Het eenvoudige model dat op de bet-by-bet-transacties was gebaseerd, versloeg het beoordelingsmodel met gemak en reduceerde de fout van 30% tot 40% tot dichter bij een fout van 10%.
Model 3 Een state-of-the-art model dat is gebaseerd op bet-by-bet-transacties reduceert deze fout verder, maar niet wezenlijk; Belangrijker nog, de nauwkeurigheid was veel genuanceerder bij het vastleggen van concepten als het potentieel van de speler.
De conclusie van dit experiment is dat het belang van het meer alledaagse onderwerp van datakwaliteit, dat ten grondslag ligt aan de meer glamoureuze voorspellende algoritmen, moet worden benadrukt. Als AI-beoefenaars zijn we vaak een technische groep die gefascineerd is door elegante wiskunde en we richten ons meestal op de interessantere elementen van datawetenschap, terwijl echte winst in nauwkeurigheid voortkomt uit datakwaliteit en feature engineering.
Misschien nog belangrijker is dat de fout in beoordelingen voor typische klanten het concept van AI-gestuurde personalisatie onbereikbaar maakt.
Hoewel het onderwerp van een aanstaand artikel is, heeft nauwkeurigheid plus granulariteit de belofte om zowel anti-witwassen als verantwoord spelen te revolutioneren. Met RFID-chips kunnen we bijvoorbeeld chipoverdrachtsactiviteiten zien die witwassen, woekerleningen en zelfs promotiemisbruik kunnen verhelderen. Bij slots kunnen we plotselinge variatie in het spel zien ten opzichte van een optredende feature: indicatief voor misbruik van voordeelspel.
Voorkeuren: Een goede host kent de spelvoorkeuren van zijn speler bijna instinctief; vaak karakteriseert hij spelers als pingpongspelers of beschrijft hij risicopreferenties in een regenboog van verschillende termen. Transacties per inzet stellen ons in staat een completer beeld te schetsen van alle spelers op de vloer. Baccaratspelers zijn bijvoorbeeld notoir trendgericht, maar de loyaliteit aan de trend varieert duidelijk per etnische groep.
Als we doorgaan met het baccaratvoorbeeld, kunnen we binnen slimme tafelgegevens zien dat wanneer er vier “Banker”-coups op rij plaatsvinden, spelers uit landen in de sinosfeer 80% van de tijd “Banker” inzetten. Zuidoost-Aziatische spelers zullen daarentegen slechts ~65% van de tijd “Banker” inzetten.
Op dezelfde manier wisten we bij slots voorheen nooit hoe of of een speler zijn gedrag verandert nadat hij een feature heeft geraakt of in een bonusronde is beland met een kleine tot geen uitbetaling, het opnemen van deze vele prachtige voorkeuren in marketinginitiatieven is een voor de hand liggende toepassing.
Minder voor de hand liggend, maar misschien net zo krachtig, zijn de implicaties voor fraude en risico. Bijvoorbeeld, met de slimme tafelgegevens begonnen we het baccarat “side bet advantage play”-risico al in 2020 te zien. Side bet advantage play is sindsdien verspreid over Azië en versnelt in combinatie met nieuwe inzetopties.
Met slimme tafels tellen we de shoe en zoeken we naar ongebruikelijke spelvariatie ten opzichte van de telling, allemaal in realtime. Dit probleem is nog duidelijker online, waar operators vaak kortingen aanbieden op basis van volume, waardoor zelfs basis inzetten vatbaar zijn voor arbitragespel; een zwakte die door bots wordt uitgebuit. De Russische hackerscam is de slotversie van een misbruikende speler die alleen kan worden aangepakt met gedetailleerde gegevens.
Relevantie: De typische speler heeft vijf tot tien beoordelingssessies per dag gedurende een paar uur spelen, waardoor de respons op de huidige situatie van de speler diffuus en retroactief is.
Bet-by-bet-transacties bieden veel perspectief voor situationele acties zoals het bijwerken van klassementen, marketinguitdagingen of fraudedetectie, bij uitbreiding stellen realtimegegevens operators in staat om het beste moment voor interventies te bepalen op basis van de huidige situatie van de klant.
Resolutie: Pundits positioneren AI als een glazen bol die elk probleem kan oplossen, maar totdat datafundamentals zijn bijgeschaafd, zullen de resultaten beperkt blijven tot specifieke en beperkte use cases.
Nieuwe databronnen – met name bet-by-bet-transacties – zouden het ontbrekende stukje in de AI-puzzel van het casino kunnen zijn.
