\n| Alto<\/td>\n | \u20ac400<\/td>\n | 12\u202f%<\/td>\n | \u20ac62<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Limiti troppo bassi aumentano il tasso di auto\u2011esclusione e riducono la redditivit\u00e0, mentre limiti troppo alti mantengono alto il volume di gioco ma incrementano il rischio di dipendenza, spingendo GamCare a intervenire pi\u00f9 spesso. L\u2019intervallo ottimale, quindi, massimizza il profitto mantenendo un livello di intervento accettabile.<\/p>\n 3. Timer di Sessione e Probabilit\u00e0 di \u201cChasing\u201d<\/h2>\nIl \u201cchasing loss\u201d \u00e8 la tendenza a continuare a scommettere per recuperare denaro perso. Questo comportamento pu\u00f2 essere modellato con un processo di Poisson, dove gli eventi sono le decisioni di effettuare una puntata aggiuntiva dopo una perdita. Se \u03bb \u00e8 il tasso medio di puntate al minuto (tipicamente 1,2 per slot a 5\u202f% di house edge), la probabilit\u00e0 di effettuare k<\/em> puntate in un intervallo di t<\/em> minuti \u00e8: <\/p>\nP(K=k) = (e^{\u2011\u03bbt} (\u03bbt)^k) \/ k!<\/em> <\/p>\nImpostando un timer di sessione di 60\u202fmin, si limita il tempo disponibile per l\u2019accumulo di eventi \u201cchasing\u201d. Supponiamo che il tasso di \u201cchasing\u201d sia \u03bb_c = 0.3 (una puntata di recupero ogni 3 minuti). Senza timer, il numero medio di eventi di chasing in una sessione di 120 minuti \u00e8 \u03bb_c\u00b7120 = 36. Con il timer a 60 minuti, la media scende a 18, una riduzione del 50\u202f%. <\/p>\n Studi empirici indicano che la riduzione reale della probabilit\u00e0 di un evento di chasing significativo \u00e8 di circa 22\u202f% perch\u00e9 molti giocatori interrompono la sessione prima di raggiungere il punto di rottura. La formula di efficacia del timer \u00e8: <\/p>\n Efficacia = 1 \u2013 e^{\u2011\u03bb_c\u00b7T}<\/em> <\/p>\ndove T<\/em> \u00e8 la durata del timer in minuti. Con \u03bb_c = 0.3 e T = 60, l\u2019efficacia \u00e8 1 \u2013 e^{\u201118} \u2248 0,999, confermando che quasi tutti i potenziali picchi di chasing vengono interrotti. <\/p>\nI casin\u00f2 che implementano timer dinamici (ad esempio, allungandoli in base al livello di deposito) osservano una diminuzione del valore medio delle scommesse di circa 7\u202f% e una riduzione del 15\u202f% dei contatti con il supporto di GamCare.<\/p>\n 4. Algoritmi di Auto\u2011esclusione Basati su Analisi di Serie Temporali<\/h2>\nLe decisioni di auto\u2011esclusione possono essere anticipate grazie a modelli di serie temporali. L\u2019ARIMA (AutoRegressive Integrated Moving Average) \u00e8 particolarmente adatto a prevedere picchi di spesa in un orizzonte di 24\u202fore. Un modello ARIMA(p,d,q) combina: <\/p>\n \n- p \u2013 ordine dell\u2019autoregressione (quanto il passato influisce sul presente) <\/li>\n
- d \u2013 differenziazione (per rendere la serie stazionaria) <\/li>\n
- q \u2013 ordine della media mobile (rumore residuo) <\/li>\n<\/ul>\n
Per un casin\u00f2 medio, l\u2019analisi dei dati di gioco degli ultimi 90 giorni indica che un modello ARIMA(2,1,1) fornisce il miglior trade\u2011off tra accuratezza (RMSE \u2248 \u20ac12) e complessit\u00e0 computazionale. I parametri chiave sono: <\/p>\n \n- \u03c6\u2081 = 0.45, \u03c6\u2082 = 0.30 (coefficenti autoregressivi) <\/li>\n
- \u03b8\u2081 = \u20130.25 (coefficiente della media mobile) <\/li>\n<\/ul>\n
Il modello prevede che, se la spesa media oraria supera \u20ac250, la probabilit\u00e0 di superare \u20ac1.000 nelle successive 24 ore \u00e8 del 68\u202f%. Quando la previsione supera una soglia predefinita (es. \u20ac800), il sistema invia automaticamente un suggerimento di auto\u2011esclusione a 24\u202fore, con la possibilit\u00e0 di conferma tramite un click. <\/p>\n GamCare collabora con gli operatori per integrare queste previsioni nei loro workflow di assistenza. Se il giocatore accetta l\u2019auto\u2011esclusione, il profilo viene bloccato e il messaggio di supporto include un link a risorse di counseling. In caso di rifiuto, il sistema registra il rifiuto e aumenta la frequenza delle notifiche di responsabilit\u00e0.<\/p>\n 5. Valutazione dell\u2019Efficacia delle Notifiche di Responsabilit\u00e0: Test A\/B e Metodi Statistici<\/h2>\nPer capire quale tipo di messaggio di responsabilit\u00e0 funzioni meglio, gli operatori conducono test A\/B su due varianti: una basata su testo semplice (\u201cGioca con moderazione\u201d) e una arricchita da elementi visivi (icone, colori calmanti). La popolazione di test comprende 50\u202f000 utenti attivi, divisi equamente tra le due varianti per 30 giorni. <\/p>\n Le metriche chiave sono: <\/p>\n |