El desarrollo rápido de la esfera del iGaming ha sido posible gracias al avance del software de los juegos en línea. Para darles a los usuarios productos emocionantes y de alta, la industria requiere entender en profundidad la tecnología innovadora, conceptos y enfoques tales como alta carga, Big Data, alta disponibilidad, alta escalabilidad, tiempo real y baja latencia. Por lo tanto, los desarrolladores de software iGaming fomentan el desarrollo global de la industria y esto es precisamente lo que PIN-UP.TECH está haciendo.
El segmento PIN-UP.TECH forma parte del ecosistema PIN-UP Global y está formado por empresas de informática especializadas en el desarrollo de software para todos los miembros. Entre los logros de PIN-UP.TECH hay soluciones tecnológicas únicas que permiten a los socios mantener su posición de liderazgo y ofrecer a los jugadores un servicio de alta calidad. Más de 500 especialistas de diferentes países están involucrados en la dirección técnica de PIN-UP, quienes aseguran la estabilidad de las plataformas iGaming, CRM, herramientas antifraude, sistemas de afiliados y mucho más. Entre los líderes del equipo profesional están Volodímir Todurov, director analista, quien compartió con SiGMA Noticias comentarios sobre su experiencia laboral única.
¿Podrías contarnos más sobre el modelo ML/AI y cómo funciona?
Los modelos de decisión basados en IA analizan meticulosamente numerosos parámetros asociados a cada transacción, que abarcan variables como la frecuencia de las apuestas, el tamaño, los eventos seleccionados, así como su historial. Dichos parámetros se analizan dentro del modelo, donde se identifican los que muestran una mayor eficacia predictiva y se incorporan al proceso de previsión.
Hemos utilizado el aprendizaje automático y nos centramos principalmente en el modelo de refuerzo de gradiente extremo. Este es famoso por su eficacia con datos estructurados. El quid de este enfoque reside en construir un conjunto de modelos que se refinan mutuamente de forma iterativa para reforzar la precisión de las previsiones. El modelo se alimenta con un amplio historial de apuestas como entrada y arroja una probabilidad en el rango de 0-1, que indica la probabilidad de que el usuario esté implicado en actividades fraudulentas.
¿Cuáles son las ventajas de un modelo antifraude basado en IA frente a uno clásico?
Cuando nos enfrentamos a grandes cantidades de datos, la utilidad de los modelos ML/AI se hace evidente. Ofrecen una mayor capacidad para generalizar la información y discernir patrones en el comportamiento de los clientes que eluden métodos como el análisis manual de transacciones o la aplicación de reglas lineales.
La IA es una herramienta adicional para el equipo de operaciones agiliza los procesos para reducir los porcentajes de error y los tiempos de toma de decisiones para casos individuales. Asimismo, descubre nuevas perspectivas sobre nuestra clientela. En ciertos aspectos, la IA enriquece nuestra experiencia y amplía las perspectivas al emplear un enfoque ligeramente divergente en la toma de decisiones. Muchas tareas pueden delegarse ahora a la IA con autonomía.
En consecuencia, la IA facilita la expansión de los volúmenes de negocio sin un aumento proporcional del equipo de gestión de riesgos. Esto agiliza las operaciones diarias gracias a eliminar rutinas tediosas y oportunidades de profundizar en el análisis de otros procesos.
En tu opinión, ¿cómo pueden evolucionar las herramientas antifraude basadas en IA y qué problemas pueden resolver en el futuro?
Dentro del equipo, hemos esbozado cómo vemos el desarrollo de herramientas antifraude que utilicen el ML y la IA, y hemos hecho nuestros planes para implantar estas tecnologías. Nuestro próximo paso consiste en crear un sistema de toma de decisiones que utilice redes neuronales profundas de última generación e inteligencia artificial generativa. Al reducir drásticamente los tiempos de decisión, nos acercamos al objetivo de aumentar la precisión y la rapidez en la detección de comportamientos fraudulentos de los clientes.
Este enfoque, con su capacidad de aprendizaje y adaptación, profundiza en el historial de cada cliente y emplea diversos escenarios para identificar grupos específicos, incluidos los defraudadores. Estas nuevas herramientas, una vez perfeccionadas, son un hallazgo verdadero para el trabajo diario del equipo antifraude.
Para las grandes empresas, son como un compañero fiable para las comprobaciones retrospectivas. Esto se debe a que garantizan que hemos etiquetado correctamente a todos los clientes como "buenos" o "malos", por lo que los directivos pueden despreocuparse, sabiendo que no han pasado por alto a ningún alborotador. Para las pequeñas empresas, suponen un cambio radical, ya que eliminan de un plumazo la necesidad de contar con un gran equipo de analistas. Deja que la IA se encargue de las tareas manuales y observa cómo se dispara la eficacia del departamento antifraude.
¿Qué formas hay de mejorar aún más la eficiencia de los procesos antifraude? Explícanos brevemente de los planteamientos.
Cada equipo, teniendo en cuenta la orientación de la empresa y el número de especialistas, tiene sus propios secretos para aumentar la eficacia y resolver inteligentemente problemas complejos. Para nosotros, la cosa es automatizar los procedimientos con un enfoque DDDM, que nos permite pensar de forma innovadora. Evaluamos todos los flujos de trabajo y buscamos puntos de optimización. Nuestro objetivo es encontrar el proceso manual, el llamado "monkey job", para automatizarlo.
El problema puede resolverse de distintas maneras: Daré un par de ejemplos de nuestras operaciones de los últimos años. Antes, los analistas antifraude tenían que exportar unas cuantas tablas csv para fusionarlas con el fin de entender si había ciertos cambios de comportamiento en las cuentas de los jugadores basados en el historial financiero y de apuestas. Nos hemos dado cuenta de que ahorraremos al menos 10-15 minutos de operaciones manuales por cada caso con sólo crear un nuevo cuadro de mando predeterminado en tiempo real con las tablas dinámicas y los gráficos necesarios.
Otro caso es revisar las operaciones actuales. Echemos un vistazo al proceso de confirmación de reintegros. Con un enfoque DDDM, analizamos el peso de las pruebas en cada motivo que lleva a la confirmación manual de la retirada. Algunos de los motivos se crearon como reacción a determinados casos de fraude para vigilar posibles fraudes de devolución. Sin embargo, la expansión del negocio y el aumento del número de nuevos jugadores procedentes de nuevos GEO hicieron que disminuyera el rendimiento de la regla. Así que adoptamos la regla y conseguimos un aumento del 15% en la productividad del equipo en cuanto a su carga de trabajo. El punto principal aquí es realizar un análisis continuo de las operaciones de flujo de trabajo basado en mediciones de carga y productividad para encontrar las optimizaciones combinando gestión y automatización.
¿Qué procesos debe establecer una empresa para integrar el modelo DDDM, cuánto tiempo puede llevar y con qué rapidez genera ingresos?
El punto principal en relación con DDDM es la mentalidad. Los altos directivos tienen que negar todos los argumentos basados en sentimientos, esperanzas y "experiencia". Es decir, este tipo de enfoque solo debería utilizarse en algunas excepciones, cuando no se dispone de datos para calcular la decisión. O cuando el problema no merezca la pena calcular los esfuerzos. Cada vez que quieras hacer cambios en tu producto, pregunta al equipo por los números.
Un error muy común es el llamado sesgo de supervivencia. Presta atención a que sacas conclusiones con el análisis de extremo a extremo al ámbito relevante de las entidades. En la práctica, los directivos se olvidan muy a menudo de adoptar puntos de vista de helicóptero sobre esta cuestión. Pondré un ejemplo dentro de las operaciones antifraude. Un gestor vino con un análisis retrospectivo de la actividad fraudulenta basado en el abuso de bonos de bienvenida en los últimos 4 meses. El 83% de los usuarios tenían los mismos patrones para crear un disparador de puntuación de alerta: primer depósito superior a 13 $, uso de tarjeta bancaria de prepago, análisis de IP no coincidente (probablemente proxies o VPN). Tiene buena pinta, ¿verdad?
Sin embargo, pedí que se calculara si seguía habiendo una buena eficacia si extrapolábamos este desencadenante a todos los nuevos usuarios. Los modelos de puntuación mostraron una eficiencia del 5%. Así que alguna combinación de atributos podría describir perfectamente a un grupo de usuarios fraudulentos y seguir siendo común para un segmento mayor de buenos usuarios. Por cierto, añadimos algunos patrones de estilo de juego a esos activadores de cazadores de bonificaciones de bienvenida para segregarlos de los buenos jugadores y mantener el activador en producción.
Utilizar DDDM aportará valor desde el primer día. Evitará errores y aumentará la productividad. El punto principal es pedir al equipo que muestre su número como principal argumento sobre la decisión empresarial tomada.
Breve biografía de Volodímir:
Volodymyr Todurov cuenta con ocho años de experiencia en el sector de los juegos de azar, habiendo ocupado los cargos de gestor de riesgos y jefe de antifraude y análisis. Actualmente ocupa el cargo de director de análisis en PIN-UP Global. Es experto en operaciones de gestión de riesgos de apuestas deportivas, casinos, programas de afiliación, marketing y sistemas de pago. Volodymyr está especializado en enfoques de toma de decisiones basados en datos, modelos económicos y previsiones.
Seguimos conversando con los expertos de PIN-UP Global, así que permanezca atento a SiGMA News para saber más sobre los motores actuales de la esfera del iGaming.
Siguiente evento SiGMA: SiGMA Asia 2024, del 2 al 5 de junio. Todos los detalles .
