Att mäta spelproblem

2016-07-30

Rummet blir tyst första gången siffrorna presenteras. Det finns två sorters tystnad. Den dåliga; vad sa han? Och den bra; vad sa han? Rummet blir tyst på det bra sättet. Varje gång.

Det bästa mått jag stött på för spelproblem är Andel intäkter från problemspelare. Som mätetal har det en rad trevliga egenskaper. Alla förstår vad det betyder. Det spelar roll. Det berör. Få ifrågasätter varför man använder det. Det går att skära på allsköns ledder: spelform, kohort, kampanj, tid. Och första gången man får se sitt spelbolags siffror förändras bilden av vad man gör, för gott. Rummet blir tyst.

Än mer, Andel problemintäkter är robust. En reklamkampanj som får många småspelare att prova ett spel får inte siffran att spåra ur, i motsats till Andel problemspelare. Man förbättrar Andel problemintäkter genom att marknadsföra sig mot sunda spelare och sedan hjälpa dem att förbli sunda, eller genom att hjälpa dem som har problem att spela mindre. En lägre siffra betyder mindre negativa konsekvenser per intjänad krona, både i teorin och i praktiken.

Problemet med Andel problemintäkter är att siffran kostar en slant. Talet behöver ett mått på spelproblem, vilket betyder enkäter, vilket betyder pengar, ledtid, huvudvärk och ifrågasättanden. Det fina är att vi kan göra mer av våra dyrt insamlade enkäter än vad vi oftast gör.

Som de flesta befolkningsundersökningar, gjorde SWELOGS 2008 en uppskattning av Andel problemintäkter utifrån sina svar. Med självrapporterade siffror och skev fördelning, var man försiktig. De 25% man kom fram till blev till största delen en parantes i rapporten. Men ihop med speldata finns ett bättre sätt. Utifrån självtestsvaren bygger man en modell för att beräkna risken för spelproblem per spelare. Denna använder man för att räkna ut vårt mätetal i större grupper och från faktisk data1 \(\frac{\sum_i^N risk_i netloss_i}{\sum_i^N netloss_i}\).

Det fanns en tid när detta ansågs osäkert och svårt. Man hade inte data, och inte självtest, och så var ju spel så individuellt att det gick ju absolut inte att uppskatta risk utifrån speldata. Idag vet vi att det inte är så. Det finns gott om modeller bland spelbolagen som klassificerar risk, handlingsbart och träffsäkert. Att gå från dessa till att få en tydlig bild av varifrån pengarna kommer är busenkelt.

Andra mått

Det finns såklart andra tal man kan tänka sig för att mäta spelproblem. Andel problemspelare brukar vara det första man kommer att tänka på. Och visst är vi i gott sällskap om vi använder det. Eftersom våra prevalensmätningar mäter just detta brukar det vara denna siffra som svingas som politiskt slagträ. Vi förfasas gemensamt över den höga prevalensen i den spelform som just nu råkar vara under luppen. Poker, under boomen för snart tio år sen. Bingo sticker upp som en återkommande överraskning. Vegas. Och på senare tid online-kasino.

Men så snart vi bryter ned denna siffra från befolkningen, börjar vi lura oss själva. Ta en snabb titt på förhandsresultaten från den senaste SWELOGS:

Om jag tillåter mig att kisa bara lite grand, ser jag tre grupper av spel. Lotteri/nummerspel, vadslagning, och de farliga – poker, kasino, bingo. Tre grupper av andel problem: låg, mellan och Åh-Herregud. Tre grupper av popularitet: hälften, en tredjedel, och mindre än tio procent spelar. Det finns ett samband mellan popularitet och risk. Det är varken linjärt eller enkeltriktat, men det finns.

Den ena halvan av detta samband är att mindre riskfyllda spel, till exempel lotterier, är mer folkliga. Alla köper en lott ibland, men få slinker in i en bingohall. Framför allt, lågriskspel som inte är folkliga tjänar man inga pengar på, så de försvinner snabbt.

I den andra halvan av sambandet stöter vi på problem med Andel problemspelare: folklighet påverkar prevalens. Ju fler som spelar ett spel, desto lägre andel problemspelare kommer det att finnas. Det högintensiva spelarna hittar nya spel först. De som kommer efter är sundare. Ju fler som spelar, desto sundare är de. Det enklaste sättet att minska andelen problemspelare är att få fler att spela.

Man såg till exempel andelen problemspelare i sportspelen minska under nyss avgjorda fotbolls-VM. Folk som annars inte satsar på fotboll lade några rader och blev spelare. Antal problemspelare må ha ökat, men Andel problemspelare sjönk. Detta innebär givetvis inte att fotbolls-EM ger ett sundare spel-Sverige – tvärtom. Under perioder med mer spelande får fler problem. Men eftersom vi fick än fler sunda spelare – tillfälligt eller ej – minskar vårt mätetal.

Det enklaste sättet att minska andelen problemspelare är att få fler att spela.

Att Andel problemspelare beter sig såhär beror på vad vi betraktar som hela gruppen. För att mäta talet i en spelform räknar vi antal personer med problem per de som spelar spelet. I en fast grupp, säg befolkningen i stort, funkar måttet fint. Men i mindre grupper än då får vi snart konstiga effekter. Ett annat exempel på samma problem är huruvida ett monopolbolag med uppdrag att verka för folkhälsan ska ha en låg eller en hög andel problemspelare. Om man har lägre andel problemspelare än befolkningen, har man ju misslyckats med kanaliseringen. Om man har högre, har man ju misslyckats med ansvaret.

Man vill heller inte använda Antal problemspelare . Det hade måhända löst problemet med fotbolls-EM, men idén faller snabbt när man till exempel vill jämföra spelformer. En snabb multiplikation av SWELOGS-siffrorna vi såg nyss ger att (ögonmåttat) 41% x 2.2% = 0.9% av svenska män har problem och spelar på lotterier, medan endast 6% x 9,5% = 0.6% har problem och spelar spelautomater. Fler problemspelare skrapar lotter än spelar automater. Självklart innebär inte detta att lotter är ett större problemspel än spelautomater. Skillnaden beror endast och allenast på att lotter är mycket mer populärt.

Fler problemspelare skrapar lotter än spelar automater.

En tredje möjlig siffra vi fiskar runt emellanåt är Fördelning av intäkter. Tanken är att de spel där få spelar mycket är värre än de där många spelar lika. Det finns flera möjliga mått på “jämlikhet”, men ett enkelt är “Andelen intäkter från topp 10%”. Detta tal lockar särskilt eftersom vi redan har all data vi behöver i våra databaser. Inga dyra enkäter behövs.

Spelbolagen har stenkoll på dessa siffror men pratar inte gärna om dem. Vi får gräva djupt i datahögen för att hitta något att använda till vårt exempel. 2005 släppte bwin ett stort dataset med speldata till forskning. Här hittar vi hela fyrtiotusen personers spelande för ett drygt halvår. Genom dessa får vi ett alltför sällsynt titthål som låter oss kika in bakom kulisserna i ett spelbolag!

Nedan syns siffrorna för de som spelade under april 2005. De tio procent som spelade mest, stod då för 72% av intäkterna.