Бележки по съдържанието
С помощта на скални диаграми, показващи броя на изплащанията, общата сума на изразходваните средства и крайния баланс, бяха избрани два клъстера. Единият от тях, Клъстер 0, е класифициран от играчи, които правят значителен брой залози и губят. Някои от тези потребители дори са стигнали дотам, че да се самоизключат от целеви игри, признавайки, че са пристрастени към игрите.
Групиране на подобни отзиви
Методите за клъстериране могат да се използват за идентифициране и групиране на обекти въз основа на относително сходство. В най-простата си форма това може да се направи чрез групиране на точки от данни, разположени близо една до друга, в триизмерно пространство въз основа на друг параметър (напр. дефиниции, променливи). Точките от данни могат да бъдат представени като крайни точки (вектори) в чиста матрица на близост, която улавя по двойки сходства (или разстояния).
Например, използвайки технологии за машинно обучение, към събраните данни относно действията на посетителите на две казина в Лас Вегас, насочени към редовните играчи, беше приложен алгоритъм за гама клъстеризация. Получените данни бяха използвани за идентифициране на потребителски групи, които се считат за силно пристрастени към игрите.
След това беше проведен агрохимичен анализ на хазартните модели на всеки от тези потребители. Това 40 super hot slots ни позволи да измерим четири различни потребителски профила: редовни играчи, отдадени играчи, постоянни играчи и патологични играчи.
Като предварителна стъпка в обработката, данните бяха нормализирани с помощта на методи за корекция на асиметрията. Това адаптира работния процес към данните и улесни детезирането на ключови компоненти. За всеки потребителски времеви ред бяха изчислени PC2 и PC3 и беше построена диаграма на разсейване. Това позволи да се визуализира степента, в която алопринирането на всеки клъстер се различава.
Идентифициране на колективни проблеми
Анализът на времевите редове е широко разпространен метод за анализ на данни от времеви редове, за да се разкрие тяхната основна структура. Той може да се използва за клъстериране, разкриване на нередности и прогнозиране. Неговата полезност в регресионната динамика произтича от способността му да идентифицира и идентифицира модели, които може да не са очевидни с обикновен регресионен анализ или невронни мрежи. Използването на алгоритми за анализ на времеви редове обаче може да бъде усложнено от редица фактори. Многовариантният характер на набора от характеристики, изборът на методи за предварителна обработка и интерпретацията на резултатите са важни съображения, които носят риска от получаване на неясни и подвеждащи резултати.
За да се реши този проблем, наскоро беше разработена нова система, базирана на машинно обучение (МО), за анализ на поведението при онлайн игри и идентифициране на пристрастени играчи. Системата използва гама алгоритъма за k-типове и също така внедрява поведенчески модификации въз основа на предразположеността на потребителя към хазарт. В резултат на това Biryusa създава индекс на потребители, класифицирани като потенциално страдащи от хазартна зависимост.
k-нормалният метод се основава на въпроса дали дадена точка от дадено множество принадлежи към същия клъстер като други точки с подобни характеристики. Той може да диференцира клъстери въз основа на вариацията в разпределението на дадена характеристика във всеки клъстер, а по-големият брой подобни точки показва по-висока вероятност отделен антиапекс да принадлежи към специфичен клъстер.
В скорошно проучване, k-normal алгоритъмът беше приложен към данни за хазарт от европейски онлайн казина. След стъпка на предварителна обработка, включваща премахване на отклонения и нормализиране на данните, бяха идентифицирани четири клъстера. Те се характеризираха с разнообразни потребителски профили: търсещи емоционални резултати, търсещи постижения, облекчаващи стреса и максимизиращи печалбата.
Тези поведенчески модели трябва да се използват за прогнозиране на поведението на играчите и подобряване на стратегиите за ангажиране на клиентите. Промоциите за блекджек трябва да бъдат оптимизирани, за да се коригират минималните залози въз основа на тенденциите в търсенето и рентабилността, докато програмите за лоялност трябва да предлагат на играчите награди, които съответстват на техните игрови навици. Например, честите играчи на покер е по-вероятно да получат бонуси за входни такси в турнири, докато ентусиастите на слот машините е по-вероятно да получат безплатни завъртания. Освен това, прогнозните модели могат да увеличат вероятността от отлив на инвеститори и да елиминират автоматизираните стратегии за задържане на клиенти.
Разбиране на настроенията на потребителите
Чрез задълбочено разбиране на предпочитанията и поведението на потребителите, казината могат да коригират своите системи, за да увеличат максимално рентабилността, да подобрят сигурността и да предоставят персонализирани оферти. Например, игра на блекджек може да използва обработка на данни в реално време, за да открива подозрителна активност и да предупреждава персонала. Междувременно, системи, задвижвани от изкуствен интелект, могат да персонализират офертите за всеки играч въз основа на неговия стил на игра и предпочитания, увеличавайки ангажираността и задържането на играчите.
Освен това, модели, базирани на тези данни, могат да идентифицират инвеститори с потенциална хазартна зависимост и автоматично да прекратят дейности в области, отговорни за производителността. Това позволява на казината да намалят отлива на клиенти и да оптимизират бизнес резултатите си. Алгоритъмът за балансирано итеративно намаляване и клъстериране с помощта на йерархии (BIRCH) е многообещаваща антроподицея, която комбинира йерархични алгоритми за клъстериране и алгоритми за фрагментиране за профилиране на данни относно траекторията на потребителите в интерактивно казино.
От своя страна, при всеки друг анализ на времеви серии, методите за клъстеризация изискват безусловно разбиране на началните данни. В противен случай резултатите от клъстеризацията могат да се окажат безполезни или вредно подвеждащи. Например, аномалният подбор на характеристики, предварителната обработка и изборът на алгоритми за клъстеризация могат да доведат до погрешни заключения относно действията на играчите.
За да се избегне това, проучването изследва три различни набора от данни от различни европейски интерактивни казина и анализира тяхното поведение. Наборите от данни преминаха през няколко предварителни фази на прецизиране, за да се оптимизира тяхната пригодност за UEBA приложения. Избраните алгоритми за клъстеризиране също претърпяха хиперпараметрично настройване, използвайки умишлено пригодени метрики. Непропускливостта на клъстера за всеки от тези алгоритми беше визуализирана с помощта на паралелни графики на местоположението, които са подходящи за 3D размерно прецизиране.
За стандартизирани данни за характеристиките на всеки играч е използван k-нормален клъстерен анализ, който разкрива разнообразни потребителски профили. За два вида хазартни изображения са идентифицирани отделни клъстери, което позволява характеризирането на профилите на играчите, както следва: професионални играчи, аматьори играчи, играчи, които не спират да играят, и патологични играчи. Това е възможно благодарение на стандартизирани данни и последователен подбор на характеристики за клъстериране.