Vid design av ett dataspel försöker speldesignern ofta skapa banor och fiender som tvingar spelaren att använda olika strategier för att överleva. För att hitta dessa strategier krävs speltestning. Speltestning är tidskrävande och då också dyrt. Den enklaste metoden för att spara tid är då att använda data hooks i spelet och sedan låta testpersoner spela spelet. Data samlas då in under alla spelsessioner och lagras i loggfiler.Med hjälp av data hooks samlades data in till denna rapport. Spelet som analyserades var ett spel av typen top-down-shooter. Anledning till att detta spel valdes var att spelet är ett exempel från Microsoft där designen är enligt XNAs standard, samt att spelidén är allmänt känd.Är det då möjligt att hitta tydliga strategier i den insamlade datan med hjälp av data mining och fuzzy logic? Det är definitivt möjligt att hitta tydliga strategier. Den insamlade datan från spelsessioner analyserades med hjälp av data mining, fuzzy logic och verktyget G-REX. Det visade sig att det fanns tydliga regler för att särskilja bra spelare från dåliga spelare. Detta visar att det är möjligt att utläsa spelarens strategi samt att jämföra denna mot hur speldesignern tänkt ut när han skapat spelet.Det som är mest intressant från resultatet är att G-REX hittade regler som sa hur en bra spelare skulle spela, och att vissa av dessa regler inte stämde överrens med hur speldesignern tänkt. En sådan regel var att i ett av passen var det bra att förlora hälsa, just därför att då kom det fler fiender och spelaren hann få mer poäng under passet.Vid jämförelse av de olika fuzzifieringstyperna (ramverket mot G-REX) visade sig att testresultatet blev väldigt likt varandra. Det innebär att allt arbete med ramverkets fuzzifiering inte hade behövts. Det innebär även att speldesigners med liten eller ingen kunskap alls om fuzzy logic skulle kunna använda G-REX till att evaluera sina spel och loggfiler med hjälp av data mining och fuzzy logic.