Статии със съдържание
Поведенческата сегментация предоставя качествена основа за стратегически подходи, които оптимизират вечната аксиология на играча. Докато агрохимичният анализ с RFM предоставя количествена основа, методите за клъстериране разкриват психологически модели, които позволяват задълбочени заключения.
След етапа на предварителна обработка и избора на подходящ параметър на алгоритъма (т.е. броя на клъстерите, които ще бъдат създадени), върху серията от данни беше изпълнен k-means gamma алгоритъм. Генерирани бяха четири клъстера:
Комбиниране на подобни отзиви
Клъстеризацията е алгоритъм за извод, който групира набори от данни въз основа на техните относителни сходства. По същество точките от данни се трансформират във вектори в многомерно пространство; всяко измерение представлява един от параметрите на анализираните обекти. Полученият набор от данни след това се използва за извършване на клъстеризация.
Например, когато анализирахме потребителски отзиви в две интерактивни казина в Европа, разделихме играчите на пет отделни Адмирал казино регистрация клъстера въз основа на тяхното игрово представяне. За тази цел построихме диаграма на разсейване на печалбите на всеки играч в два ключови компонента и ги обозначихме според разпределението им в клъстери.
Въпреки че е трудно да се определи оптималният ранг на клъстерите без предварителни познания, резултатите от това проучване показват, че моделът с пет клъстера представлява добър компромис между прекомерно малък брой клъстери (който, макар и да намалява интерпретируемостта на крайния резултат, вероятно е неефективен при улавяне на индивидуални поведенчески модели). Идентифицирането на тези критични клъстери насочва устройствата за наблюдение на игри към по-добро насочване към потребители, които са най-застрашени от развитие на перверзна зависимост към видеоигри.
Идентифициране на артелни теми
Резултатите от клъстерния анализ ще бъдат безсмислени в извадката, ако основните алгоритми са напълно разбираеми и танцуващите текстури са перфектно разпознаваеми. В противен случай решенията, взети в резултат на такъв анализ, ще бъдат напразни или дори рисковани. Това е особено вярно в индустрията на видеоигрите, където сложните механики, структурите за награди и хардуерът за монетизация могат да бъдат тясно преплетени. Без задълбочено разбиране на играта, нейните структури за монетизация и наградите, вземането на информирани решения през целия окончателен процес на клъстеризиране (от избора на показатели и предварителната обработка до визуализацията и интерпретацията на резултатите) е изключително трудно.
Съвременните казино оператори събират различни поведенчески показатели и ги използват, за да развият целеви сегменти от инвеститори. Те включват игрови навици, демографски характеристики и психологически профили. Поведенческата сегментация е важен компонент на отговорната игра и помага за идентифициране на инвеститори, които може да са изложени на риск от пристрастяване. Тя също така позволява автоматизирани интервенции, предупреждавайки анализатори в съответната област, ако поведението на потребителите показва проблем, и насърчавайки ги да се държат по-ефективно, дори в ситуации на гняв или без медицинска помощ.
Благодарение на усъвършенстваните методи за обработка, казиното може да се фокусира върху залагания в реално време за отделни играчи, както и върху оперативни нужди. По-конкретно, ако VIP играч внезапно увеличи процента си на залагане, системата може да предупреди административния персонал, който може своевременно да му предостави висококачествено автоматизирано обслужване. Такива анализи в реално време позволяват на казиното да автоматизира приемането на решения, да подобри откриването на измами и дори да подобри маркетинговите резултати.
Алгоритмите за клъстериране предоставят ценен инструмент за анализ и интерпретиране на астрономически набори от данни. Приписването на правилния набор от характеристики на сортирането на данните в клъстери изисква опит и знания. Изборът на метод, както и броят на клъстерите, ще зависи от целите на анализа. Откриването на разнообразни потребителски профили може да помогне за разбирането на факторите за отпадане на клиенти и за прилагането на стратегии за задържане на клиенти. Проучване на прогнозирането на отпадането на клиенти, базирано на данни от реалния свят от онлайн компания, фокусирана върху целеви игри, установи, че различни методи за клъстериране превъзхождат еднозначни алгоритми, като например CART дървета на решенията и общи адитивни модификации.
Подобрява разбирането на местоположенията на потребителите.
Клъстеризацията е алгоритъм за разделяне на присвоените, нетрайни линии в категории за сортиране въз основа на еднородността на тяхното поведение. В резултат на това, точките от данни, неотменни за един клъстер, имат уникални характеристики и се различават от данните в алтернативни клъстери. Тази информация е ценно допълнение към клиентския профил на казиното и вероятно се използва и за персонализиране на маркетингови кампании или настройки на играта, за да се увеличи максимално ангажираността.
С други думи, казината могат да се насочат към инвеститори, които е най-вероятно да се откажат от хазарта, разчитайки на по-кратки игрални сесии и по-ниски изисквания за залагане, и да им предложат целенасочени промоции или бонуси, за да ги забранят. Автоматизираните методи за обучение също използват модификации на играта, за да идентифицират потребители, изложени на риск от хазартна зависимост, и автоматично да инициират отговорно изпълнение.
Определянето на благоприятен набор от променливи за конкретна тема включва реда на периодите, дори избора на данни за анализ, окончателната обработка и обединяването на данните, както и, разбира се, използването на клъстеризация. Ето защо е изключително важно да се наеме изпълнител, който предлага експертна подкрепа през целия процес на сегментиране, от избора на характеристики и предварителното им довършване до визуализацията и интерпретацията на резултатите. В противен случай, неправилно приложен алгоритъм за клъстеризация може да доведе до безплодни или вредно подвеждащи заключения.
Използвайки стандартизирани потребителски характеристики, използвахме метода на K-нормалното клъстериране, за да сегментираме потребителите в отделни групи. За двете анализирани целеви поведения (залози за въздушни спортове и блекджек) бяха формирани четири отделни групи, както е показано по-долу. Първоначалната група, „Предпазливи играчи“, се състои от потребители, които стриктно печелят при определени поведения, вместо да депозират големи суми. Те очевидно предпочитат да изчакат по-голяма стойност на множителя, преди да вземат решение за залог. Вторичната група, „Перверзни играчи“, включва потребители, които може да страдат от пристрастяване към видеоигри.