Der Kunde ist ein internationales Sportwetten- und Glücksspielunternehmen.
Mit Hauptsitz in Großbritannien bedient unser Kunde monatlich 14 Millionen Spieler weltweit. Der Kunde war in verschiedenen lokalen Märkten mit einzigartigen kulturellen Normen, Kundenpräferenzen und regulatorischen Anforderungen an Online-Glücksspiele tätig und führte mehrere Programme durch, um Spielern zu helfen, frühe Anzeichen von Sucht zu erkennen. Dabei wurden Korrekturmaßnahmen ergriffen, um unterhaltsame und nachhaltige Erfahrungen zu gewährleisten und aufrechtzuerhalten, wie dies gesetzlich vorgeschrieben und von Compliance-Behörden in einigen Ländern gefordert wird. Das Unternehmen betrieb auch ein ML-basiertes Überwachungssystem, um potenziellen Betrug bei den Rückzahlungen oder Boni von Spielern zu identifizieren, indem täuschende Muster bei Bonusempfängern identifiziert und Wiederholungsgewinner gekennzeichnet wurden.
Das Unternehmen war kürzlich auf die US-Märkte expandiert und erwartete einen erheblichen Aufschwung seiner Spielerbasis. Um seinem Auftrag treu zu bleiben, angenehme Spielerlebnisse an die erste Stelle zu setzen, musste unser Kunde seine lokalen Data Warehouses drastisch vergrößern, um Maschinen für maschinelles Lernen (ML) für Echtzeit-Einblicke in das Spielerverhalten zu betreiben, um Sucht und Betrug proaktiv zu erkennen. Das Unternehmen verfügte zu dieser Zeit über eine fragmentierte und stark isolierte Datenlandschaft, die die Erstellung der erforderlichen Datenpipelines für die Verarbeitung riesiger Datenmengen und -sorten, einschließlich kontextualisierter, kultureller, regulatorischer und anderer Daten, behinderte. Die Skalierung zur Sicherstellung der Compliance und zur Aufdeckung von Betrug war entscheidend, um Umsatzverluste einzudämmen und allen Spielern eine faire Spielumgebung zu bieten.
Das Unternehmen entschied sich für die Migration seiner lokalen Data Warehouses und ML-Engines zu Amazon Web Services (AWS), um die erforderliche Skalierung, Überprüfung und hohe Leistung zu erzielen. Es wandte sich auch an Persistent, um vorhandene ML-Engines zu einer cloud-nativen Umgebung zu erweitern und eine von AWS gehostete Datenplattform für zukünftige zu erstellen.
Eine technologiegesteuerte Transformation zur Migration, Skalierung und Optimierung von Erlebnissen
Unser Kunde benötigte eine Datenplattform für seine ML-Engines mit vorgefertigten Datenpipelines, Bereinigungs- und Validierungsmechanismen, damit seine Datenwissenschaftler unterwegs Erkenntnisse aus Rohdaten gewinnen konnten. Wir haben eine Denkweise für die Produktentwicklung zusammen mit Domänenverständnis und unserer Expertise als AWS Premier Tier Partner eingebracht, um eine AWS-native MLOps-Architektur zu operationalisieren, die zusätzliche Transparenz, verbesserte Business Intelligence und Echtzeit-Einblicke für punktuelle Interventionen bietet.
Wir erkannten die Notwendigkeit, die Datenstruktur mit einer domänenorientierten Datenarchitektur zu rationalisieren, die die ML-Engines antreiben könnte. Wir haben mit den Datenwissenschaftlern des Kunden zusammengearbeitet, um die Geschäftslogik und die erforderlichen Datenquellen oder Funktionen zu verstehen, die für die Operationalisierung einer ML-Engine zusammengefasst werden müssen. Zu den Funktionen für das ML-Modell für sicheres Glücksspiel gehören beispielsweise Zeitaufwand, investiertes Geld, Verhaltensmuster usw., mehr Kontext zu den ML-Engines zu bringen, die aussagekräftige Erkenntnisse lieferten. Wir haben daran gearbeitet, Datenpipelines zu erstellen, die Daten automatisch bereinigen, verifizieren und validieren, damit Datenwissenschaftler sie von einer Datenplattform abfragen können. Wir haben auch ML-Algorithmen mit Python für seine Visualisierungsfähigkeiten, niedrige Eintrittsbarriere, Flexibilität, Lesbarkeit und Plattformunabhängigkeit neu geschrieben. Wir haben neue Regeln eingebettet, um Anomalien im Spielerverhalten zu erkennen und dem Betreiber dabei zu helfen, verantwortungsbewusste Spielpraktiken proaktiv voranzutreiben und Korrekturmaßnahmen zu verstärken.
Sobald Datenpipelines und erweiterte ML-Modelle festgelegt waren, entwickelten wir eine von AWS betriebene Datenplattform mit einem Datenaufnahme- und -verarbeitungs-Framework, das von einem KI-Factory-Ansatz unterstützt wird, um die Datenerfassung, -speicherung, -nutzung, -sicherheit und -entsorgung automatisch zu verwalten. Dies minimierte den Verwaltungsaufwand für das Datenanalystenteam des Kunden und setzte Bandbreite frei, um Innovationen für das Spielerlebnis basierend auf dem Spielerverhalten zu verfolgen.
Die in der AWS-Cloud gehostete Datenplattform gab dem Betreiber einen umfassenden Einblick in das Spielerverhalten und welche Maßnahmen Spielern mit einer Affinität zum Glücksspiel empfohlen wurden, um Suchtgewohnheiten zu verhindern. und. Diese Transparenz ermöglichte es unserem Kunden, den Meldeprozess zu automatisieren und die Einhaltung der Anti-Glücksspiel-Vorschriften zu erfüllen.
Nachhaltiges Spielen, unterstützt durch Verhaltensintelligenz
Mit einem technologieführenden Transformationsansatz und mehr als 10 Jahren als AWS-Partner unterstützte Persistent den Kunden bei der Operationalisierung eines AWS-nativen MLOps-Frameworks, das:
- Skalieren, um das Verhalten einer wachsenden, kulturell vielfältigen Kundenbasis zu analysieren
- Verbesserung der Einhaltung gesetzlicher Vorschriften durch einen Ein-Fenster-Blick auf Korrekturmaßnahmen zur Eindämmung der Spielsucht
- Reduzieren Sie den Umsatzdiebstahl, indem Sie proaktiv schlechte Akteure identifizieren, die das Bonussystem gespielt haben
