Бележки по съдържанието
Използвайки диаграми с мащаб, които показват спечелената сума пари, общата похарчена сума и крайния баланс, е необходимо да се подчертаят два клъстера. Единият от тях, Клъстер 0, се характеризира с геймъри, които печелят много пари и губят. Останалите от тези потребители дори са се принудили да се изключат от целенасочени изпълнения, признавайки, че са покварени геймъри.
Класифициране на подобни отзиви
Алгоритмите за клъстериране се използват за идентифициране и групиране на обекти въз основа на относително сходство. В най-често срещания пример това се постига чрез групиране на обекти, тясно свързани един с друг, в многомерно пространство въз основа на някакъв параметър (напр. дефиниция или променлива). Тези обекти могат да бъдат представени като крайни точки (вектори) в получената матрица на близост, която съдържа двойки сходства (или разстояния).
Например, използвайки автоматизирани методи за обучение, към данни за поведението на клиентите в две казина в Лас Вегас, насочени към редовни клиенти, беше приложен алгоритъм за клъстериране. Получените резултати бяха използвани за идентифициране на групи потребители, които е най-вероятно да са патологични комарджии.
За тази цел беше проведен химичен анализ на данните от потребителската база относно целенасочени модификации на играта. Това ни позволи да измерим профила на различни потребителски профили: хардкор геймъри, отдадени играчи, постоянни геймъри и хардкор геймъри.
Като предварителна стъпка, данните бяха нормализирани, за да се коригира асиметрията. Това опрости обработката им и улесни детезирането на ключови елементи. За всеки потребителски времеви ред бяха изчислени PC2 и PC3 и беше създадена диаграма на разсейване. Това направи възможно визуализирането на производителността на всеки клъстер.
Идентифициране на колективни проблеми
Агрохимичният анализ на времевите редове е обобщен алгоритъм за анализ на данни от времеви редове, за да се идентифицира тяхната основна структура. Той може да се използва за клъстериране, откриване на аномалии и прогнозиране. Неговата яснота в регресионната динамика произтича от способността му да идентифицира и идентифицира модели, които може да са неясни при основен регресионен анализ или невронни мрежи. Използването на алгоритми за анализ на времеви редове обаче може да бъде усложнено от сложността на ситуацията. Комбинацията от набори от характеристики, методи за предварителна обработка и интерпретация на резултатите са важни предизвикателства, които носят риск от неточни и подвеждащи резултати.
За да се реши този проблем, беше разработена система, базирана на машинно обучение (МО), за анализ на поведението при онлайн игри и идентифициране на склонни играчи. Системата използва k spincity -тип гама алгоритъм и генерира поведенчески модели, свързани със склонността на потребителя към хазарт. В резултат на това тя генерира оценка на потребители, класифицирани като потенциално изпитващи проблеми с хазарта.
Методът от k-тип се основава на идеята, че дадена точка в набор от данни принадлежи към същия клъстер като други точки с подобни характеристики. Клъстерите могат да се диференцират въз основа на вариацията в разпределението на индикатора във всеки клъстер, но въпреки това астрономическото разпределение на подобни характеристики в крайна сметка засилва вероятността дадена точка да принадлежи към специфичен клъстер.
В скорошно проучване, k-means gamma алгоритъмът беше приложен към извадка от силно таргетирани игри от европейски онлайн казина. След стъпка на предварителна обработка, която включваше премахване на отклонения и нормализиране на данните, бяха идентифицирани четири клъстера. Те се характеризираха с разнообразни потребителски профили: търсещи тръпка, търсещи постижения, облекчаващи стреса и максимизиращи доходите.
Тези поведенчески модификации могат да се използват за прогнозиране на поведението на играчите и подобряване на стратегиите за ангажиране на клиентите. Например, масите за блекджек могат да увеличат корекциите на малките залози въз основа на тенденциите в търсенето и рентабилността, докато програмите за лоялност могат да предлагат награди на играчите, които съответстват на техните игрови навици. По-конкретно, редовните играчи на покер могат да получават отстъпки от таксите за участие в турнири, докато ентусиастите на слот машините могат да получават безплатни завъртания. Освен това, прогнозните модели могат да оценят вероятността от отпадане на играчите и да стартират автоматизирани кампании за задържане на клиенти.
Разбиране на нагласите на читателя
Чрез безпроблемно разбиране на поведението и местоположението на потребителите, казиното може да коригира операциите си, за да увеличи максимално рентабилността, да подобри безопасността и да предостави персонализирани оферти. По-конкретно, маса за блекджек може да използва обработка на данни в реално време, за да открива нежелана активност и да предупреждава персонала. Междувременно, препоръките, базирани на изкуствен интелект, могат да персонализират предложенията за всеки играч въз основа на неговия стил на игра и предпочитания, увеличавайки ангажираността и рентабилността.
Освен това, модели, базирани на буквите на ръката, могат да идентифицират играчи с вероятна връзка с хазарта и автоматично да изпълняват поръчки в зоната за изпълнение. Това позволява на казиното да намали текучеството на клиенти и да подобри собствените си бизнес резултати. Алгоритъмът за балансирано итеративно намаляване и клъстериране с помощта на йерархии (BIRCH) е многообещаващ подход, който използва йерархични алгоритми за клъстериране и алгоритми за фрагментиране за профилиране на ръцете във връзка с потребителския поток на онлайн казиното.
Както при всеки друг анализ на данни, алгоритмите за клъстериране изискват абсолютна собственост върху основните данни. Ако резултатите от клъстерирането се умножават, те могат да се окажат безплодни или вредно подвеждащи. Тоест, аномалната многовариантност на характеристиките, предварителната обработка и алтернативният характер на алгоритмите за клъстериране увеличават риска от подвеждащи заключения относно действията на инвеститорите.
За да се избегне това, бяха проучени три различни набора от данни от европейски интерактивни казина и беше анализирано тяхното алопреглеждане. Наборите от данни преминаха през серия от предварителни етапи на прецизиране, за да се оптимизира тяхната пригодност за UEBA приложения. Избрани алгоритми за клъстериране също претърпяха хиперпараметрична настройка, използвайки умишлено манипулирани показатели. Целостта на клъстера за всеки от тези алгоритми може да бъде визуализирана с помощта на синхронни графики на местоположението, които се използват за прецизиране на триизмерните измервания.
Беше извършен k-нормален клъстерен анализ върху стандартизирани набори от данни за характеристиките на всеки играч, разкривайки различни потребителски профили. Бяха идентифицирани четири клъстера за двата разглеждани типа целеви игри, което позволи следното характеризиране на профилите на инвеститорите: хардкор геймъри, играчи за развлечение, непрестанни геймъри и патологични геймъри. Това стана възможно благодарение на стандартизираните набори от данни и подходящия избор на параметри за клъстериране.