Le client est une société internationale de paris sportifs et de jeux d’argent.
Basé au Royaume-Uni, notre client compte 14 millions de joueurs mensuels dans le monde entier. Il opère dans des marchés locaux différents, avec des normes culturelles, des clients et des exigences réglementaires sur les jeux en ligne propres à chaque marché.
Le client a mis en place plusieurs programmes pour aider les joueurs et joueuses à identifier les signes précoces de dépendance. Ceci, afin de prendre des mesures correctives pour assurer et maintenir des expériences amusantes et durables, comme l’exigent la loi et les autorités chargées de la conformité dans certains pays.
L’entreprise a également mis en place un système de surveillance en matière de blanchiment d’argent afin d’identifier les fraudes potentielles dans les remboursements ou les primes des joueurs, en repérant les tendances frauduleuses parmi les bénéficiaires de primes, et en signalant les gagnants récidivistes.
La société s’est récemment implantée sur le marché américain, ce qui a entraîné une augmentation considérable du nombre de ses joueurs et joueuses.
Pour rester fidèle à son engagement de privilégier l’expérience agréable des joueurs, notre client avait besoin d’augmenter considérablement ses entrepôts de données sur site pour alimenter des moteurs d’apprentissage automatique (machine learning). Ceci, afin d’obtenir des informations en temps réel sur les comportements des joueurs, et d’identifier la dépendance et la fraude de manière proactive.
À ce moment-là, l’entreprise disposait d’un système de données fragmenté et considérablement cloisonné, qui limitait la création des pipelines de données nécessaires pour traiter d’énormes volumes et variétés de données, y compris des données contextualisées, culturelles, réglementaires, et autres. La mise à l’échelle pour assurer la conformité et détecter les fraudes était essentielle pour limiter les pertes de revenus, et offrir à tous les joueurs un environnement de jeu équitable.
La société a décidé de migrer ses entrepôts de données sur site et ses moteurs d’apprentissage automatique vers Amazon Web Services (AWS) afin d’apporter l’échelle, l’examen minutieux et la haute performance nécessaires. En parallèle, elle s’est tournée vers Persistent pour l’aider à améliorer les moteurs d’apprentissage automatique existants dans un environnement cloud-native, ainsi qu’à créer une plateforme de données hébergée sur AWS pour alimenter les futurs moteurs.
Une transformation technologique pour migrer, adapter et optimiser les opérations
Notre client avait besoin d’une plateforme de données pour alimenter ses moteurs d’apprentissage automatique, avec des pipelines de données préconstruits, des mécanismes de nettoyage, et des mécanismes de validation pour aider ses data scientists à obtenir des informations à partir de données brutes, même en déplacement.
Grâce à notre approche produit, ainsi qu’à notre compréhension du secteur et à notre expertise en tant que partenaire AWS Premier Tier, nous avons exploité une architecture MLOps native AWS. Cela a permis d’améliorer la visibilité et la business intelligence, et d’obtenir des informations en temps réel en cas d’intervention ponctuelle.
Nous avons constaté qu’il était nécessaire de rationaliser le tissu de données avec une architecture de données adaptée au contexte, et capable d’alimenter les moteurs d’apprentissage automatique.
Nous avons travaillé avec les data scientists du client pour comprendre la logique commerciale et les sources de données requises, ainsi que les éléments à prendre en compte pour rendre opérationnel un moteur d’apprentissage automatique.
Pour garantir des jeux d’argent sûrs, ceci inclut, par exemple : le temps passé, l’argent investi, les modèles comportementaux, etc. Nous avons travaillé à la création de pipelines de données qui nettoient, vérifient et valident automatiquement les données pour que les data scientists puissent les interroger à partir d’une plateforme de données. Nous avons également réécrit des algorithmes d’apprentissage automatique en utilisant Python.
Ceci, en vertu des capacités de visualisation, de la faible barrière à l’entrée, de la flexibilité, de la lisibilité et de l’indépendance de ce langage de programmation vis-à-vis des plateformes.
Nous avons intégré de nouvelles règles pour identifier les anomalies dans le comportement des joueurs, aidant ainsi l’opérateur à promouvoir de manière proactive des pratiques de jeu responsables, et à renforcer les mesures correctives.
Une fois les pipelines de données et les modèles ML augmentés définis, nous avons développé une plateforme de données alimentée par AWS avec un cadre de traitement des données. Nous avons privilégié une approche d’usine d’IA pour gérer automatiquement la collecte, le stockage, l’utilisation, la sécurité et l’élimination des données. Cela a permis de minimiser la charge administrative de l’équipe de data analysts du client, qui a pu se concentrer sur les innovations en matière d’expérience de jeu basées sur les comportements des joueurs.
Hébergée sur le cloud AWS, la plateforme de données a donné à l’opérateur une visibilité de bout en bout sur le comportement des joueurs, et sur les actions recommandées aux parieurs afin de prévenir les habitudes addictives. Cette visibilité a permis à notre client d’automatiser le processus de reporting réglementaire, et de se conformer aux réglementations anti-jeu.
Des jeux durables, soutenus par l’intelligence comportementale
Grâce à son approche axée sur la technologie, et à plus de 10 ans d’expérience en tant que partenaire AWS, Persistent a aidé le client à mettre en place un cadre MLOps natif d’AWS qui peut :
- S’adapter à l’analyse du comportement d’une base de clients croissante et culturellement diversifiée.
- Améliorer la conformité réglementaire grâce à un guichet unique permettant de visualiser les mesures correctives prises pour lutter contre l’addiction au jeu.
- Réduire le détournement de revenus en identifiant de manière proactive les mauvais acteurs qui ont joué avec le système de bonus.
