Бележки по съдържанието
Поведенческата сегментация предоставя качествена основа за стратегии за пътуване, които оптимизират аксиологията на играча през целия му живот. Докато RFM анализът предоставя количествена основа, методите за клъстериране разкриват психологически модели, които позволяват смислени заключения.
След етапа на предварителна обработка, освен избора на параметър, съответстващ на важността на casino 20 алгоритъма (т.е. броя на създадените клъстери), беше разработен k-нормален алгоритъм, използващ времево-базирани подходи. Създадени бяха четири клъстера:
Комбиниране на подобни отзиви
Клъстеризацията е алгоритъм за извод, който агрегира точки от данни въз основа на тяхното относително сходство. По същество точките от данни се представят като вектори в многомерно пространство; всяко измерение представлява една характеристика на разглежданите обекти. Получената матрица от данни след това се използва за извършване на клъстеризация.
Веднъж, докато анализирах потребителски отзиви от две интерактивни казина в Европа, разделих инвеститорите на пет отделни клъстера въз основа на цялостната им игрална активност. Затова създадох точкова диаграма на данните за всеки играч въз основа на два ключови компонента и ги оцветих според принадлежността им към клъстери.
Дори без предварителни познания е трудно да се измери оптималният брой клъстери. Резултатите от това проучване показват, че модел на самолет с пет клъстера предлага солиден компромис между малка част от клъстерите (което намалява интерпретируемостта на крайния резултат) и голям брой (които може неефективно да отразяват характерните черти на действието). Идентифицирането на тези негативно значими клъстери насочва системите, които контролират най-добрите игри, към по-добро насочване към потребители, които са най-застрашени от развитие на перверзна зависимост към видеоигрите.
Намиране на често задавани въпроси
В повечето случаи резултатите от клъстерния анализ ще бъдат безсмислени, при условие че основните методи са ясно разбрани и получените структури са добре дефинирани. В противен случай заключенията, направени в резултат на такъв анализ, ще бъдат безполезни или дори опасни. Това е особено вярно в индустрията на видеоигрите, където сложните механики, структурите за награди и механизмите за монетизация могат да бъдат тясно свързани помежду си. Отвъд абсолютната собственост върху играта, нейните структури за монетизация и награди, приемането на обосновани заключения по време на окончателния процес на клъстеризиране (чрез избор на характеристики и предварително усъвършенстване, преди визуализация и интерпретация на резултатите) е изключително тромаво.
Днешните оператори на казина събират всякакви поведенчески данни и ги използват, за да създават целеви сегменти на играчите. Тези сегменти често включват игрови навици, демографски характеристики и психологически профили. Поведенческата сегментация е важен компонент на адаптивния гейминг и помага за идентифициране на инвеститори, които може да са изложени на риск от пристрастяване. Тя също така позволява автоматизирани интервенции, предупреждавайки специалисти в съответната област, ако поведението на потребителите потвърди проблем, и насърчавайки ги да се държат по-ефективно, било чрез подкрепа в горещи точки, било чрез медицинска помощ.
Благодарение на усъвършенстваните методи за обработка на данни, казината могат по-ефективно да отговарят на нуждите на индивидуалните инвеститори от алоценяване, както и да отговарят на оперативните изисквания. По-конкретно, ако VIP играч внезапно надхвърли залозите си, AutoIris се надява да информира административния персонал, за да може той своевременно да предостави висококачествено обслужване. Тази реакция в реално време позволява на казиното да автоматизира приемането на решения, да подобри откриването на измами и допълнително да увеличи рекламните си резултати.
Алгоритмите за клъстериране предоставят ценна информация за анализа и интерпретацията на големи масиви от данни. Идентифицирането на правилния набор от характеристики за сортиране на краищата на данните в клъстер обаче изисква умения и знания. Универсалността на използвания алгоритъм, както и броят на клъстерите, ще зависят от целите на анализа. Откриването на различни потребителски профили може да помогне за разбирането на причините за отпадането на клиенти и за прилагането на тактики за задържане на клиенти. Проучване, моделиращо отпадането на клиенти, базирано на реални данни от онлайн компания, фокусирана върху целеви развлечения, установи, че комбинация от методи за клъстериране превъзхожда отделните методи, включително CART дървета на извода и обобщени адитивни модификации.
Усъвършенства разбирането на нагласите на читателя.
Клъстеризацията е алгоритъм за разделяне на данни, използващ времеви линии за сортирането им въз основа на еднородността на действията им. В резултат на това, присвоените точки, неотменими от един клъстер, притежават уникални характеристики и се различават от тези, присвоени на алтернативни клъстери. Тази бизнес информация често се добавя към профила на клиент на казино и може да се използва за персонализиране на маркетингови кампании или за приспособяване на производителността, за да се увеличи максимално ангажираността.
Например, едно казино може да идентифицира играчи, които е много вероятно да се откажат, като намали продължителността на техните игрови сесии и честотата на залагане, и им предостави целенасочени промоции или бонуси по тяхна преценка, с цел да ги забрани. Методите за автоматично обучение също анализират модификациите на играта, за да идентифицират потребители, изложени на риск от хазартна зависимост, и автоматично да прекратят дейностите, свързани с отговорен хазарт.
Определянето на подходящия набор от променливи за даден проблем включва поредица от етапи, включително атрибуция на данни, предварителна обработка и агрегиране на данни и в крайна сметка прилагане на метод за клъстеризация. В тази връзка е особено важно да се избере изпълнител, който предлага експертна помощ през целия процес на сегментиране, от избора на характеристики и предварителната обработка до визуализацията и интерпретацията на резултатите. В противен случай, неподходящият избор на метод за клъстеризация може да доведе до неуспешни или дори подвеждащи заключения.
Използвайки стандартизирани данни за анализ на потребителските характеристики, може да се използва алгоритъм за клъстериране от тип K, за да се сегментират потребителите в различни групи. За два различни типа игри (залози за въздушни спортове и блекджек) бяха използвани различни групи, както е показано по-долу. Първоначалната група, „Предпазливи играчи“, се състои от потребители, които средно печелят определена сума пари, вместо да депозират големи суми. Те очевидно предпочитат да изчакат по-голям множител, преди да решат да теглят средства. Втората група, „Отдадени играчи“, включва потребители, които може да страдат от пристрастяване към видеоигри.