Big-Data-Analysen von Spielverhalten beim Online-Glücksspielen [Applying Data Science to Behavioral Analysis of Online Gambling]

B

Deng, X., Lesch, T., Clark, L., 2019

Online-Glücksspiel ist ein in den letzten Jahren in Deutschland und Europa stetig gewachsener Markt. Mit der Ausbreitung von mobilen Endgeräten gibt es immer mehr Möglichkeiten des Zugangs zu Online-Glücksspielen. Hinzu kommen in jüngerer Zeit noch Glücksspielangebote als Teil von nicht als Glücksspiel deklarierten Online-Spielen: Loot-Boxen, Pay2Win-Systeme, Mikrotransaktionen oder sogenannte simulierte Glücksspiele wie die Coin-Master-App.

Jegliches Nutzerverhalten kann beim Online-Glücksspiel – anders als bei terrestrischen Angeboten – von den Anbietern nachverfolgt (getrackt) werden, da Nutzer beim jeweiligen Anbieter einen personalisierten Account unterhalten. Einige Online-Glücksspielanbieter haben der Wissenschaft in den letzten Jahren große anonymisierte Datensets des online getrackten Glücksspielverhaltens zur Verfügung gestellt. Verschiedene Forschungsgruppen haben diese Daten genutzt, um das Verhalten im Spielverlauf der Glücksspieler zu untersuchen und die Entwicklung problematischen Glücksspielens möglichst frühzeitig vorhersagen zu können. Die Autoren dieser Studie haben sich das Ziel gesetzt, die Erkenntnisse der verschiedenen Forschungsgruppen in einer Übersichtsarbeit darzustellen. Sie weisen dabei darauf hin, dass Personen mit mindestens problematischem Glücksspielen oft bei mehreren Online-Anbietern oder zusätzlich noch terrestrisch spielen. Da die Datensets jeweils nur von einem Anbieter gestellt wurden, können sie somit nie den gesamten Glücksspielnutzungsumfang einer einzelnen Person abbilden. Mit dieser Einschränkung bleiben die Erkenntnisse allerdings auch praktisch besser nutzbar, da es – außer zum Beispiel in Norwegen, wo alles Glücksspielen über einen personalisierten Account staatlich betrieben wird – sehr unwahrscheinlich ist, dass etwa staatliche und private Glücksspielanbieter ihre Nutzerdaten untereinander austauschen, so sie diese denn sammeln (können).

Die Autoren der Übersichtsstudie beschreiben mehrere Verhaltensweisen (sogenannte Marker), die mit hoher Wahrscheinlichkeit spätere Glücksspielprobleme vorhersagen, wie beispielsweise das Erfüllen bestimmter klinischer Symptome einer Störung durch Glücksspielen oder die eigenständige Schließung des Online-Accounts. Die Marker lassen sich in zwei Kategorien einteilen: monetäre und nicht monetäre. Monetäre Marker für Glücksspielprobleme sind ein hoher Nettoverlust sowie über die Zeit steigende Wetteinsätze und Nettoverluste. Alle drei Merkmale sprechen für eine erhöhte Risikobereitschaft bzw. eine herabgesetzte Aversion gegenüber negativen Konsequenzen, die laut aktueller Forschung auch Personen mit einer Störung durch Glücksspielen charakterisieren. Weiterhin wurde das Glücksspielverhalten auf Chasing untersucht. Chasing-Verhalten zeigt sich, wenn Glücksspieler versuchen, Verluste wiederzugewinnen und ist ein Diagnosekriterium für eine Störung durch Glücksspielen. In den Datensätzen sagten kumulative und häufige Verluste über einen längeren Zeitraum gesteigerte Wetteinsätze und somit Chasing voraus. Laut Autoren ist Chasing eines der wenigen Diagnosekriterien, die durch getracktes Spielverhalten nachgewiesen werden könnten. Ein weiterer monetärer Marker sind große Schwankungen in der Höhe der Wetteinsätze. Ein nicht monetärer Marker ist die Anzahl an verschiedenen Glücksspielen, die eine Person bei einem Anbieter spielt: Mmso mehr verschiedene Glücksspiele, umso wahrscheinlicher, dass es sich um eine Person mit Glücksspielproblemen handelt. Weitere nicht monetäre Marker sind die durchschnittliche Dauer einer Online-Glücksspiel-Session, die Anzahl an Tagen, die eine Person Glücksspielen betreibt und die Gesamtzahl der Wetten, die sie abschließt.

Mithilfe dieser Marker wurde in einem weiteren Schritt untersucht, ob mehre von ihnen zusammen mit soziodemografischen Informationen, von denen man weiß, dass sie häufiger mit mindestens problematischem Glücksspielen zusammenhängen (zum Beispiel „jünger“; „männlich“; „Migrationshintergrund“), Glücksspielprobleme noch genauer vorhersagen können. Hierbei wird ein selbst lernender Entscheidungs-Algorithmus mit den Informationen der Glücksspieler trainiert, um daraus Glückspielprobleme vorhersagen zu können. Die im Artikel dargestellten Algorithmen sind dabei in ihrer Genauigkeit noch nicht sehr gut. Dafür kann es verschiedene Gründe geben. Sehr wahrscheinlich sind die Zusammenhänge zwischen den verschiedenen Markern vom Algorithmus noch nicht richtig erkannt worden, eventuell wurden wichtige Marker auch noch nicht entdeckt. Damit diese selbst lernenden Algorithmen genauer werden, braucht es – wie der Name Big Data schon sagt – mehr und größere Datensätze von Online-Glücksspielanbietern.

Die Autoren können sich für die allgemeinen Marker von Glücksspielproblemen und die Algorithmen eine Vielzahl von Anwendungen im Sinne des Spielerschutzes vorstellen: von spielinternen Warnhinweisen bezüglich der Verluste, der Spieldauer, der Anzahl der abgeschlossenen Wetten über riskantes Spielverhalten und daraus folgende Hilfsangebote bis hin zu Einsatzlimits und dem Ausschluss vom Glücksspielen.

Einige Anbieter nutzen bereits Algorithmen. Aufgrund deren Komplexität ergibt sich aber gegenüber dem Glücksspieler ein Plausibilitätsproblem, da der Anbieter oft nicht nachvollziehbar erklären kann, was am Verhalten des Glücksspielers auffällig war und „Der Computer hat es uns gesagt!“ als Antwort eher frustriert und auch kein sinnvolles Feedback für den Glücksspieler ist, was er an seinem Spielverhalten verbessern könnte. Auf diesem Gebiet gibt es allerdings mittlerweile schon Verbesserungen.

Current Addiction Reports, 6, 159–164.

Über den Autor

Lora Köstler-Messaoudi

Kommentieren

Neueste Beiträge

Archive