Enanching risk detection in the context of responsible gaming: transition from PGSI classification to behavioral similarity index prediction

This thesis addresses the critical need to enhance risk detection frameworks within the online gambling industry by transitioning from most used Problem Gambling Severity Index (PGSI) classifications to a novel Behavioral Similarity Index. Initially, the study evaluates a supervised machine learning framework that classifies players using PGSI-derived labels and transactional data collected from 8,161 participant surveys over two years. While this approach successfully optimizes existing predictive models for the Turkish market, the research systematically highlights the inherent biases and operational limitations of relying exclusively on self-reported assessments. To overcome these structural limitations, the thesis proposes an innovative operational pipeline to construct the Behavioral Similarity Index. This novel metric shifts the analytical focus from subjective individual survey responses to the multidimensional, median behavioral coordinates of the broader customer base. By establishing behaviorally grounded statistical thresholds, this alternative target variable offers a more reliable, robust, and operationally actionable classification system for Responsible Gaming teams. Although this framework is empirically applied and validated across both the Turkish and Italian markets within this study, its product-agnostic architecture ensures seamless adaptability to other international jurisdictions, providing a highly scalable, cross-market solution for dynamic harm minimization.

Questa tesi affronta la necessità cruciale di potenziare i framework di rilevamento del rischio nel settore del gioco d'azzardo online, proponendo la transizione dalle classificazioni più utilizzate, basate sul Problem Gambling Severity Index (PGSI), a un innovativo Behavioral Similarity Index. Inizialmente, lo studio valuta un framework di machine learning supervisionato che classifica i giocatori utilizzando etichette derivate dal PGSI e dati transazionali raccolti da 8.161 sondaggi somministrati ai partecipanti nell'arco di due anni. Sebbene questo approccio ottimizzi con successo i modelli predittivi esistenti per il mercato turco, la ricerca evidenzia sistematicamente i bias intrinseci e i limiti operativi derivanti dal fare affidamento esclusivamente su dati auto-dichiarati. Per superare tali limiti strutturali, la tesi propone un'innovativa pipeline operativa per la costruzione del Behavioral Similarity Index. Questa nuova metrica sposta il focus analitico dalle risposte individuali e soggettive dei questionari alle coordinate comportamentali multidimensionali e mediane dell'intera customer base. Stabilendo soglie statistiche fondate sul comportamento effettivo, questa variabile target alternativa offre un sistema di classificazione più affidabile, robusto e operativamente applicabile per i team di Gioco Responsabile. Sebbene in questo studio il framework sia applicato e validato empiricamente sia sul mercato turco che su quello italiano, la sua architettura agnostica rispetto al prodotto garantisce una perfetta adattabilità ad altre giurisdizioni internazionali, fornendo una soluzione cross-market altamente scalabile per la minimizzazione dinamica dei rischi legati al gioco.