Tänk dig ett brandlarm som tjuter först när huset brunnit ner. Ungefär så fungerar en del av de skydd som ska fånga upp riskabelt pengaspelande. Trösklarna är satta i kronor, och passerar du en insättnings- eller förlustgräns tänds en lampa hos spelbolaget. Haken är att du kan hinna förlora mycket pengar under några extrema dagar innan du passerar en månadsgräns. Då har skadan redan skett.
Det är utgångspunkten för en ny artikel som vi publicerat i EPJ Data Science, med doktoranden Sam Andersson vid Karolinska Institutet som förstaförfattare. Vår fråga var inte i första hand hur risk förutsägs, utan hur den definieras så att den går att använda i daglig drift: som ett tillstånd som varierar över tid, mätt i data spelbolaget ändå samlar in, och utvärderat mot hur många ärenden en människa faktiskt hinner granska.
Vad vi gjorde
Efter att ha fått etiktillstånd analyserade vi avidentifierade dagliga beteendedata från en licensierad onlineoperatör i fyra separata strömmar: transaktioner, spel, sessioner och betalningar. Data lades i rullande 30-dagarsfönster (och varje fönster granskades för läckage. Låg en manuell riskbedömning inom fönstret så åkte fönstret ut, eftersom modellen annars hade kunnat se facit i sitt eget underlag).
Två saker skiljer upplägget från en vanlig klassificerare:
- Extremerna får vara kvar. Spelbeteende domineras av sällsynta extremdagar, inte av genomsnitt. I stället för att klippa bort dem eller platta ut dem räknar vi hur ofta och hur mycket beteendet överskrider en tröskel.
- Risk behandlas som ett tillstånd, inte som en etikett. En så kallad “dold Markovmodell” fick leta efter tillstånd som består över tid. De tillstånd modellen hittade var mycket tröga, med hög sannolikhet att stanna kvar i samma läge. Det talar för att risk rör sig långsamt, snarare än hoppar upp och ner från dag till dag.
Siffran som ser bäst ut är den du ska lita minst på
Överensstämmelsen med de mänskliga spelansvarsanalytikernas bedömningar landade på balanserad träffsäkerhet mellan 0,38 och 0,62 beroende på ström. Bäst såg betalningsströmmen ut med 0,62. Den siffran ska du strunta i! Testunderlaget för betalningar var nämligen kraftigt snedfördelat (514 låg risk, 22 medel och 1 386 hög) och modellens förmåga att faktiskt peka ut högriskfönstren var 0,025. Alltså två och en halv procent. Det höga nyckeltalet kommer från att medelklassen med sina 22 fall fångades perfekt. Ett enda tal på en rad i en tabell kan alltså se utmärkt ut och samtidigt beskriva en modell som missar nästan alla den är byggd för att hitta…
De strömmar som faktiskt bar sig var spelströmmen, med jämnast profil över klasserna, och sessionsströmmen, som hittade 76 procent av högriskfönstren. Transaktionsströmmen låg nära slumpen, och en riktad analys visade att det beror på att den nästan saknar manuella bedömningar att lära sig av, inte på att transaktionsdata skulle vara ointressant.
Den praktiska frågan är vilken person spelbolaget ska granska på tisdag
Ett spelbolag kan inte manuellt granska alla sina kunder. Så den relevanta frågan är inte hur många procent rätt en modell har, utan vilka tio konton som hamnar i granskningskön. Vi simulerade just det!
- Modellens kö fångade mellan 55 och 78 procent av de upptrappningar som senare faktiskt observerades, beroende på ström.
- Bolagets befintliga kö för ansvarsfullt spelande fångade 43 till 68 procent.
- En slumpmässig kö fångade 31 till 54 procent.
Larmen kom förvånande tidigt. Mediantiden från modellens larm till den bedömning som sedan gjordes låg mellan 65 och 210 dagar. Det är dock inte samma sak som tid till skada, och vi mätte mot när en analytiker hann titta, inte mot när någon faktiskt for illa.
Priset för tidiga larm är förstås många falsklarm. På 30 dagars sikt låg det positiva prediktiva värdet mellan 0,8 och 4,9 procent. Det låter blygsamt tills man betänker att basnivån är låg.
Vad studien inte visar
Data kommer från ett enda bolag. Vi testade modellen på en senare tidsperiod hos samma operatör och den höll sig stabil, men det säger ingenting om andra bolag, andra produkter eller andra regelverk. Facit är analytikernas bedömningar, inte kliniska diagnoser, och de bedömningarna påverkas i sin tur av bolagets nuvarande system. Där finns en återkopplingsslinga som ingen modell kan tvätta bort. Tidsanalyserna är simuleringar på befintliga data, inte en prövning av om tidiga larm faktiskt hjälper någon.
Och det som är tråkigast att konstatera: i två av fyra strömmar presterade bolagets egen befintliga riskindikator lika bra eller bättre än vår pipeline på överensstämmelsemåttet. Vårt bidrag är alltså inte att vi slår allt annat, utan att varje steg är publikt tillgängligt och går att granska (t ex vad som räknas som extremvärde).
Studien är finansierad av LeoVegas Group, och Sams doktorandtjänst är det också. Arbetet gjordes under ett skriftligt avtal om fullständig akademisk frihet, finansiären hade ingen roll i design, analys eller beslutet att publicera, och studien är etikprövad. Detta är dock en uppenbar intressekonflikt att hålla ögonen på, och den bästa motvikten vi kan erbjuda är att koden ligger öppen.
Koden är öppen och artikeln är fri
Hela kedjan, inklusive läckagekontrollerna, ligger på GitHub under GPL-3.0, med en arkiverad version på Zenodo och ett syntetiskt demodataset så att du kan köra pipelinen utan någons personuppgifter. Rådata går av förklarliga skäl inte att dela.
Nästa steg är validering hos flera oberoende operatörer. Innan det är gjort ska den här definitionen tolkas med försiktighet.
Referens
Andersson, S., Westerlind, H., Koski, T., Lyon, K., Carlbring, P., Lindner, P., & Molander, O. (2026). Heavy-tail-aware representation learning and dynamic Bayesian state modelling to derive an operational proxy definition of problem gambling risk from routine online gambling data. EPJ Data Science, 15(1), Article 77.
