O rápido desenvolvimento da esfera de iGaming tem sido possível devido ao avan?o do software utilizado nos jogos on-line. Para oferecer aos usuários produtos emocionantes e de alta qualidade, a indústria requer um entendimento profundo de tecnologias de ponta, conceitos e abordagens como Alta Carga, Big Data, Alta Disponibilidade, Alta Escalabilidade, Tempo Real e Baixa Latência. Portanto, os desenvolvedores de software de iGaming est?o impulsionando o desenvolvimento global da indústria e isso é precisamente o que a PIN-UP.TECH está fazendo.

O segmento PIN-UP.TECH faz parte do ecossistema global da PIN-UP e é composto por empresas de TI especializadas no desenvolvimento de software para todos os seus membros. Entre as conquistas da PIN-UP.TECH est?o solu??es tecnológicas únicas que permitem aos parceiros manter sua posi??o de lideran?a e oferecer aos jogadores um servi?o de alta qualidade. Mais de 500 especialistas de diferentes países est?o envolvidos na dire??o técnica da PIN-UP, garantindo a estabilidade das plataformas de iGaming, CRM, ferramentas anti-fraude, sistemas de afiliados e muito mais. Entre os líderes dessa equipe profissional está Volodymyr Todurov, Diretor Chefe de Análise, que compartilhou com a SiGMA News comentários sobre sua experiência única de trabalho.

Você poderia nos contar mais sobre o modelo de ML/AI e como ele funciona para vocês?

Os modelos de decis?o baseados em IA examinam meticulosamente numerosos parametros associados a cada transa??o, abrangendo variáveis como a frequência de apostas, seus valores, os eventos selecionados, bem como seu histórico. Esses parametros passam por análises dentro do modelo, onde aqueles que apresentam a maior eficácia preditiva s?o identificados e incorporados ao processo de previs?o.

Nós empregamos aprendizado de máquina com um foco principal no modelo de impulso de gradiente extremo, renomado por sua eficácia com dados estruturados. A essência deste método reside na constru??o de um conjunto de modelos que se refinam iterativamente, aumentando assim a precis?o das previs?es. O modelo é alimentado com um extenso histórico de apostas como entrada e produz uma probabilidade na faixa de 0 a 1, indicando a probabilidade de envolvimento do usuário em atividades fraudulentas.

Quais s?o as vantagens de um modelo anti-fraude baseado em IA em compara??o com um clássico?

Quando nos deparamos com grandes quantidades de dados, a utilidade dos modelos de ML/AI se torna evidente. Eles oferecem uma capacidade elevada de generalizar informa??es e discernir padr?es no comportamento do cliente que escapam de métodos como análise manual de transa??es ou a aplica??o de regras lineares.

A IA serve como uma ferramenta adicional para a equipe de opera??es, otimizando processos ao reduzir as taxas de erro e os tempos de tomada de decis?o para casos individuais, ao mesmo tempo em que descobre novas percep??es sobre nossa clientela. Em certos aspectos, a IA enriquece nossa experiência e amplia nossas perspectivas ao empregar uma abordagem ligeiramente divergente para a tomada de decis?es. Muitas tarefas agora podem ser delegadas à IA com autonomia.

Consequentemente, a IA facilita a expans?o dos volumes de negócios sem um aumento proporcional na equipe de gerenciamento de riscos, otimizando as opera??es diárias ao eliminar rotinas tediosas e proporcionando a oportunidade de aprofundar a análise de outros processos.

Na sua opini?o, como as ferramentas anti-fraude baseadas em IA podem se desenvolver e quais problemas elas podem resolver no futuro?

Dentro da equipe, delineamos como vemos o desenvolvimento de ferramentas anti-fraude usando ML e IA, e fizemos nossos planos para a implementa??o adicional dessas tecnologias. Nosso próximo passo envolve a cria??o de um sistema de tomada de decis?es usando redes neurais profundas de ponta e inteligência artificial generativa. Ao reduzir os tempos de decis?o, estamos nos aproximando de nosso objetivo de aumentar a precis?o e a velocidade na detec??o de comportamentos fraudulentos do cliente.

Esta abordagem, com sua habilidade de aprender e se adaptar, mergulha fundo no histórico de cada cliente, empregando diversos cenários para identificar grupos específicos, incluindo fraudadores. Essas novas ferramentas, uma vez aperfei?oadas, s?o uma verdadeira descoberta para a rotina diária da equipe anti-fraude.

Para grandes empresas, elas s?o como um fiel companheiro para verifica??es retrospectivas, garantindo que tenhamos rotulado corretamente todos os clientes como “bons” ou “maus”, para que os gerentes possam ficar tranquilos, sabendo que n?o perderam nenhum encrenqueiro. E para pequenas empresas, elas s?o um divisor de águas, eliminando a necessidade de uma equipe de analistas robusta desde o início. Deixe a IA assumir o controle das tarefas manuais e veja a eficiência do departamento anti-fraude disparar.

Quais s?o algumas das maneiras de melhorar ainda mais a eficiência dos processos anti-fraude? Nos conte brevemente sobre suas abordagens.

Cada equipe, levando em considera??o a dire??o do negócio e o número de especialistas, tem seus próprios segredos para aumentar a eficiência e resolver inteligentemente problemas complexos. Para nós, definitivamente é a automa??o de procedimentos baseada em uma abordagem de DDDM, que nos permite pensar fora da caixa. Avaliamos todos os fluxos de trabalho em busca de pontos de otimiza??o. Nosso objetivo é encontrar o procedimento manual, o chamado “trabalho de macaco”, para automatizá-lo.

O problema pode ser resolvido de diferentes maneiras: vou dar alguns exemplos de nossas opera??es nos últimos anos. Anteriormente, os analistas anti-fraude precisavam exportar algumas tabelas csv para mesclá-las a fim de entender se havia certas mudan?as comportamentais nas contas dos jogadores com base no histórico financeiro e de jogos de azar. Percebemos que economizaríamos pelo menos 10-15 minutos de opera??es manuais por caso apenas criando um novo painel de controle em tempo real com tabelas dinamicas e gráficos necessários.

Outro caso é a revis?o das opera??es atuais. Vamos dar uma olhada no processo de confirma??o de saques. Com base em uma abordagem de DDDM, analisamos o peso das evidências em cada motivo que leva à confirma??o manual de saques. Alguns dos motivos foram criados como rea??o a determinados casos de fraude para ficar de olho em possíveis fraudes recorrentes. No entanto, o negócio se expandiu e mais novos jogadores de novos GEOs levaram a uma diminui??o do desempenho da regra. Ent?o, adotamos a regra e obtivemos um aumento de 15% na produtividade da equipe em termos de sua carga de trabalho. O ponto principal aqui é executar análises contínuas sobre as opera??es de fluxo de trabalho com base em medi??es de carga e produtividade para encontrar as otimiza??es combinando gerenciamento e automa??o.

Quais processos um negócio precisa estabelecer para integrar o modelo DDDM, quanto tempo pode levar e qu?o rápido ele gera receita?

O ponto principal em rela??o ao DDDM é a mentalidade. Os gerentes sêniores devem negar todos os argumentos baseados em sentimentos, esperan?as e “experiência”. Quero dizer, esse tipo de abordagem deve ser usado apenas para algumas exce??es quando você n?o tem dados para calcular sua decis?o. Ou quando o problema n?o vale a pena calcular esfor?os. Sempre que você quiser fazer mudan?as em seu produto, pergunte à equipe sobre os números.

O erro muito comum é o chamado viés de sobrevivência. Atente-se às conclus?es que você faz ao usar análises abrangentes para o escopo pertinente das entidades envolvidas. Com base na prática, os gerentes muitas vezes esquecem de fazer uma vis?o geral sobre o problema. Vou dar um exemplo dentro das opera??es anti-fraude. Um gerente veio com uma análise retrospectiva da atividade de fraude com base no abuso de b?nus de boas-vindas nos últimos 4 meses. 83% dos usuários tinham os mesmos padr?es para criar um gatilho de pontua??o de alerta: primeiro depósito acima de US$ 13, uso de cart?o bancário pré-pago, análise de IP inconsistente (provavelmente proxies ou VPN). Parece bom, n?o é?

No entanto, pedi para fazer cálculos se ainda há uma boa eficiência se extrapolarmos esse gatilho para todos os novos usuários. Os modelos de pontua??o mostraram 5% de eficiência. Portanto, algumas combina??es de atributos poderiam descrever perfeitamente um grupo de usuários fraudulentos e ainda serem comuns para um segmento maior de bons usuários. A propósito, adicionamos alguns padr?es de estilo de jogo a esses gatilhos de ca?adores de b?nus de boas-vindas para segregá-los de bons jogadores e manter o gatilho em produ??o.

Usar DDDM trará valor desde o primeiro dia. Você evitará erros e aumentará a produtividade. O ponto principal é pedir à equipe para mostrar seus números como o principal argumento na decis?o empresarial tomada.

Breve biografia de Volodymyr:

Volodymyr Todurov tem oito anos de experiência em jogos de azar, tendo ocupado os cargos de gerente de risco e chefe de antifraude e análise. Atualmente, ocupa o cargo de diretor de análise na PIN-UP Global. Ele é um especialista em opera??es de gest?o de risco de apostas esportivas, cassino, programas de afiliados, marketing, sistemas de pagamento. Volodymyr especializa-se em abordagem de tomada de decis?o baseada em dados, modelagem econ?mica e previs?o.

Continuaremos nossas conversas com os especialistas da PIN-UP Global, ent?o fique ligado na SiGMA News para mais informa??es sobre os atuais motores da esfera de iGaming.

Próximo evento da SiGMA: SiGMA ásia, 2 – 5 de junho. Saiba mais detalhes clicando aqui.