Бележки по съдържанието
Използвайки диаграми на обхвата, отразяващи сумата на направените залози, общата сума на изразходваните средства и крайния баланс, бяха идентифицирани два клъстера. Единият от тях, Клъстер 0, се характеризира с играчи, които правят неограничен брой залози и губят. Някои от тези потребители дори са стигнали дотам, че да се изключат от целенасочени игри, смятайки се за покварени играчи.
Групиране на подобни отговори
Методите за клъстеризиране често се използват за идентифициране и сортиране на обекти въз основа на сравнително сходство. В най-простата си форма това може да се постигне чрез сортиране на обекти, подредени в непосредствена близост един до друг в многомерно пространство, въз основа на определен параметър (т.е. дефиниция, променлива). Всички данни могат да бъдат представени като крайни точки (вектори) в чиста матрица на близост, която включва по двойки сходства (или различия).
По-конкретно, методи за машинно обучение бяха използвани за групиране на събраните данни относно действията на посетителите на две казина в Лас Вегас, насочени към редовни клиенти. Получените данни биха могли да бъдат използвани за идентифициране на потребителски групи, които е най-вероятно да са склонни към хазарт.
Поради това беше проведен времеви анализ на модификациите на хазарта за всеки от тези потребители. Това ни позволи да идентифицираме четири различни потребителски профила: професионални геймъри, случайни играчи, редовни играчи и дори хардкор геймъри.
На етапа на предварителна обработка данните бяха нормализирани с помощта на методи за корекция на асиметрията. Това рационализира обработката на данните и улесни анализа на ключови детайли. За всеки потребителски слой бяха изчислени PC2 и PC3 и беше генерирана диаграма на разсейване. Това позволи да се визуализира степента, до която е извършено алопечат във всеки клъстер.
Идентифициране на колективни задачи
Агрохимичният анализ на времеви серии е често срещан алгоритъм за анализ на данни, за да се разкрие основната им структура. Той може да се използва за клъстериране, идентифициране на нередности и моделиране. Неговата яснота в регресионната динамика произтича от способността му да идентифицира и идентифицира модели, които може да не са argo-cazino.com очевидни с обикновен регресионен анализ или невронни мрежи. Използването на алгоритми за анализ на времеви серии обаче може да бъде усложнено от естеството на проблема. Многовариантният набор от атрибути и методите за предварителна обработка, както и интерпретацията на резултатите, са важни стъпки, които носят риска от получаване на неясни и подвеждащи резултати.
За да се реши този проблем, беше изобретена нова система, базирана на машинно обучение (МО), за анализ на поведението при онлайн игри и идентифициране на патологични инвеститори. Autoiris използва k-means алгоритъм, базиран на гама, и идентифицира поведенчески модели, свързани със склонността на потребителя към целенасочени игри. Резултатът е индекс на потребители, класифицирани като евентуално страдащи от пристрастяване към видеоигри.
k-тип гама алгоритъм се основава на идеята, че дадена точка в даден набор принадлежи към същия клъстер като други точки с подобни характеристики. Той може да разграничи клъстерите въз основа на разнообразието в разпределението на даден индикатор в рамките на който и да е клъстер, а по-големият брой сходства естествено показва по-висока вероятност дадена точка да принадлежи към определен клъстер.
В скорошно проучване, k-нормалният метод беше използван за анализ на хазартни игри от европейски онлайн казина. След предварителна стъпка на прецизиране, включваща афереза на отклонения и нормализиране на данните, бяха идентифицирани добре дефинирани клъстери. Тези клъстери се характеризираха с разнообразни потребителски профили: такива, които предпочитат интензивни спомени, такива, които се стремят към постижения, такива, които търсят облекчаване на стреса, и такива, които максимизират доходите си.
Тези поведенчески модели могат да се използват за моделиране на поведението на инвеститорите и подобряване на стратегиите за ангажиране на клиентите. Например, масите за блекджек могат да коригират минималните залози въз основа на тенденциите в търсенето и рентабилността, докато програмите за лоялност могат да предлагат на играчите награди, съобразени с техните игрови навици. По-конкретно, играчите, които често играят дро покер, могат да получат отстъпки при депозити в турнири, докато ентусиастите на слот машините могат да получат безплатни завъртания. Освен това, прогнозните модели могат да оценят вероятността от отлив на инвеститорите и да стартират автоматизирани кампании за задържане на клиенти.
Разбиране на настроенията на читателите
Чрез пълно разбиране на настроенията и действията на потребителите, казината са в състояние да подобрят дейността си, за да увеличат максимално рентабилността, да подобрят сигурността и да предоставят персонализирани оферти. Например, игрите на блекджек могат да използват автоматизирана обработка на подадени данни, за да откриват нежелана активност и да предупреждават персонала. Междувременно, препоръки, задвижвани от изкуствен интелект, могат да се използват за персонализиране на предложенията за всеки играч въз основа на неговия стил на игра и предпочитания, увеличавайки ангажираността и предлагайки отстъпки.
Освен това, модификациите, базирани на данни, могат да идентифицират инвеститори с потенциална хазартна зависимост и автоматично да инициират мерки за отговорна игра. Това позволява на казината да намалят отлива на клиенти и да оптимизират своите бизнес данни. Алгоритъмът за балансирано итеративно намаляване и клъстериране с помощта на йерархии (BIRCH) е многообещаваща антроподиция, която комбинира методи за йерархично клъстериране и фрагментиране, за да профилира поведението на потребителите на онлайн казина.
По подобен начин, при всеки алтернативен анализ на времеви данни, алгоритмите за клъстериране настояват за абсолютна собственост върху началните данни. В противен случай резултатите от клъстерирането могат да се окажат безполезни или фатално подвеждащи. С други думи, неправилен избор на характеристики и последваща обработка. Предварителната обработка и алтернативният характер на алгоритмите за клъстериране увеличават риска от водене до неверни заключения за поведението на играчите.
За да се справи с това, проучването изследва три различни набора от разпределени резултати от европейски онлайн казина и анализира тяхното алопреглеждане. Наборите от резултати бяха подложени на серия от стъпки за предварителна обработка, за да се оптимизира тяхната пригодност за UEBA приложения. Избраните алгоритми за клъстериране също бяха подложени на хиперпараметрична настройка, използвайки внимателно подбрани показатели. Стегнатостта на клъстерите за всеки от тези алгоритми беше визуализирана с помощта на синхронни локационни графики, които са много подходящи за 3D измервателни приложения.
Използвайки стандартизирани данни за характеристиките на всеки играч, беше проведен клъстерен анализ с помощта на k-тип алгоритъм, който позволи идентифицирането на разнообразни потребителски профили. За двете разглеждани игри бяха получени клъстери, които позволиха идентифицирането на профили на инвеститорите, както следва: основни играчи, отдадени играчи, компулсивни геймъри и патологични комарджии. Това стана възможно благодарение на стандартизираните данни и внимателния подбор на параметри за клъстериране.