Алгоритми за клъстериране на преценки на инвеститорите в онлайн хазартни регистрация в казино Адмирал зали

Използвайки диаграми с мащаб, които показват сумата на направените залози, общата необходима сума на изразходваните средства и крайния баланс, Бог ни заповяда да се съсредоточим върху отделни клъстери. Един от тях, Клъстер 0, е класифициран като играчи, които не правят определен брой залози и след това губят. Останалите от тези потребители дори поискаха самоизключване от целенасочен хазарт, признавайки, че са патологични комарджии.

Класификация на подобни отзиви

Методите за клъстеризиране се използват все по-често за идентифициране и сортиране на обекти въз основа на сравнителна еднородност. Най-простият пример за това е чрез сортиране на краищата на обекти, подредени близо един до друг в триизмерно пространство, въз основа на някаква характеристика (като дефиниция или променлива). Краищата на данните могат да бъдат представени като вектори в получената матрица на близост, която включва двойни сходства (или разстояния).

Например, използвайки автоматизирани методи за обучение, към данни относно действията на гостите в две казина в Лас Вегас, насочени регистрация в казино Адмирал към редовни клиенти, беше приложен алгоритъм за клъстериране. Получените резултати бяха използвани за идентифициране на потребителски групи, които е най-вероятно да бъдат измамени от комарджии.

Следователно, беше проведен агрохимичен анализ на линиите на смъртност, базиран на модификациите на целенасочените идеи на всеки от тези потребители. Това ни позволи да измерим четири различни потребителски профила: професионални геймъри, аматьори геймъри, редовни геймъри и перверзни геймъри.

Като предварителна стъпка в обработката на данни, те бяха нормализирани, за да се елиминират асиметриите. Това опрости обработката на данните и улесни анализа на ключови детайли. За всяка потребителска група бяха изчислени PC2 и PC3, а също така беше генерирана и диаграма на разсейване. Това позволи да се визуализира как се разграничава алопечатът на всеки клъстер.

Колективно откриване на задачи

Анализът на времеви серии е обобщен алгоритъм за анализиране на данни от времеви серии, за да се разкрие тяхната вътрешна текстура. Може да се използва за клъстеризиране, анатомиране и моделиране. Полезността му в регресионната динамика произтича от способността му да идентифицира и инвентаризира модели, които може да не са очевидни при основен регресионен анализ или невронни мрежи. Използването на алгоритми за анализ на времеви серии обаче може да бъде усложнено от редица фактори. Изборът на набор от индикатори, методите за предварителна обработка и интерпретирането на резултатите са важни стъпки, които носят риск от получаване на неточни и дори 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 корумпирани инвеститори. Autoiris използва k-normal алгоритъма и идентифицира поведенчески модели, свързани с предразположеността на потребителя към хазарт. В резултат на това, тя създава списък с потребители, групирани като потенциално страдащи от хазартна зависимост.

Алгоритъмът k-means gamma се основава на предположението, че дадена точка от данни принадлежи към същия клъстер като други точки с подобни характеристики. Той може да разграничи клъстерите въз основа на вариацията в разпределението на характеристиката във всеки клъстер и колкото по-голямо е сходството, толкова по-голяма е вероятността дадена точка да принадлежи към даден клъстер.

В скорошно проучване, k-normal gamma алгоритъмът беше използван за изчисляване на резултатите от целеви игри от европейски онлайн казина. Впоследствие, стъпките на предварителна обработка, които включваха премахване на отклонения и нормализиране на данните, разкриха отделни клъстери. Тези клъстери се характеризираха с разнообразни потребителски профили: търсещи тръпка, търсещи постижения, облекчаващи стреса и максимизиращи печалбата.

Тези поведенчески модели могат да се използват за моделиране на поведението на играчите и подобряване на стратегиите за взаимодействие с клиентите. Например, промоциите за блекджек увеличават възможността за коригиране на малки залози въз основа на тенденциите в търсенето и рентабилността, докато програмите за лоялност предоставят награди на играчите въз основа на техните игрови навици. По-конкретно, играчите, които често играят покер, могат да получат отстъпки от таксите за участие в турнири, докато ентусиастите на слот машините могат да получат безплатни завъртания. Освен това, футуристичните модели могат да се използват за оценка на вероятността от спад на инвеститорите и за отказване от автоматизирани подходи за задържане на клиенти.

Разбиране на местоположенията на потребителите

Чрез пълното разбиране на предпочитанията и действията на потребителите, казината могат по-добре да адаптират своите операции, за да увеличат максимално рентабилността, да подобрят безопасността и да предоставят персонализирани услуги. По-конкретно, маса за блекджек може да използва обективна обработка на данни, за да открива злонамерена дейност и да предупреждава персонала. Междувременно, системи за препоръки, задвижвани от изкуствен интелект, могат да персонализират офертите за всеки играч въз основа на неговите предпочитания и интереси за игра, увеличавайки ангажираността и намалявайки задържането на играчи.

Освен това, модели, базирани на връчени писма, могат да идентифицират потенциални зависимости към видеоигри у инвеститорите и автоматично да се откажат от плановете си за отговорен хазарт. Това позволява на казината да намалят отлива на клиенти и да оптимизират собствените си бизнес резултати. Методът „Балансирано итеративно намаляване и клъстериране с помощта на йерархии“ (BIRCH) е обещаващ подход, който комбинира йерархични методи за клъстериране и разделяне, за да профилира моделите на трафик на потребителите в онлайн казината.

По подобен начин, при всеки алтернативен анализ на времевата линия, алгоритмите за клъстериране настояват за задълбочено разбиране на началните данни. В противен случай резултатите от клъстерирането вероятно ще бъдат неуспешни или опасно подвеждащи. С други думи, неправилно избраните характеристики, последващата обработка и многовариантността на алгоритмите за клъстериране могат да доведат до неправилни заключения относно поведението на играчите.

За да се гарантира това, проучването изследва широк спектър от данни от различни онлайн хазартни къщи в цяла Европа и анализира тяхното алопреглеждане. Представените набори от данни бяха подложени на серия от периоди на предварителна обработка, за да се оптимизира тяхната пригодност за UEBA приложения. Избраните методи за клъстеризиране също бяха подложени на хиперпараметрична настройка, използвайки специално подбрани показатели. Плътността на клъстерите за всеки от тези алгоритми беше визуализирана с помощта на паралелни координатни графики, които са подходящи за финализиране на триизмерни измервания.

Използвайки стандартизирани данни, представени в контекста на характеристиките на всеки играч, k-means клъстерен анализ разкри разнообразни потребителски профили. И за двата анализирани варианта на хазарта бяха идентифицирани клъстери, които ни позволиха да характеризираме профилите на инвеститорите, както следва: опитни играчи, играчи за развлечение, редовни играчи и дори компулсивни играчи. Това беше възможно благодарение на стандартизираните данни и подходящия подбор на параметри за клъстериране.