Your SlideShare is downloading. ×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

預測性分析

775
views

Published on

預測分析是指運用各類型的統計技術來分析現有和歷史的事實數據以對未來作出預測. 透過預測模型, 機器學習, 數據挖掘和博弈論等技術,預測分析可以利用歷史和交易數據建立預測分析模型, 辨認出業務上的風險和潛在機會. …

預測分析是指運用各類型的統計技術來分析現有和歷史的事實數據以對未來作出預測. 透過預測模型, 機器學習, 數據挖掘和博弈論等技術,預測分析可以利用歷史和交易數據建立預測分析模型, 辨認出業務上的風險和潛在機會.

Published in: Business

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
775
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
9
Comments
0
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. 預測性分析 “商業世界就如打棒球一樣, 問題不在於你會否跳進分析, 而是在於何時. 你希望騎著 駿馬邁向盈利, 還是遲鈍地跟隨著大氣候?” ~ Rob Neyer, ESPN概觀預測分析是指運用各類型的統計技術來分析現有和歷史的事實數據以對未來作出預測. 透過預測模型, 機器學習, 數據挖掘和博弈論等技術,預測分析可以利用歷史和交易數據建立預測分析模型, 辨認出業務上的風險和潛在機會.預測分析並不是一種新技術,早在 70 年代, 這種具有分析歷史數據和前瞻性分析能力的技術已在管理信息系統和標準報告中冒起,並且得到統計和數據挖掘學認可. 直至 80 和 90 年代,深層的分析技術,繁複和實時的數據查詢需求,分別觸發起數據倉庫和多維數據集系統的引入. 2000 年代的商業預測分析智能解決方案系統更加進入複雜的預測模型和優化世界,這些系統不單能生產報表,更可以幫助機構預測未來所需的商業活動.預測分析指南 (The Predictive Analytic Pocket Guide) 2009 年 指出 1: 預測分析有別於商務智能應用系統的地方是商務智能應用系統的主要功用是提供歷 史數據總結,而預測分析的主要功用是預測在數據上未能顯示出來的未來結果. 這些 預測是透過運用統計技術來觀察數據, 而建立預測模型, 這些模型可以像線性方程組 般簡單, 也可以如神經網絡般複雜 2.預測分析可以分成三類不同的模型:1. 預測性: 分析客戶過去的表現來預測他們未來的行為, 偏向會發生的可能性.2. 描述性: 識別不同客戶之間的關係, 細分客戶所屬市場以作市場營銷和其他用途.3. 決定性: 預測複雜的決策, 關係, 產品和/或過程的結果.預測分析是指從數據中提取信息,並透過統計和數據挖掘來預測未來的發展趨勢和行為模式(Ramakrishnan 和 Madure 2008). 預測因素是預測分析的最重要元素, “這元素可以測量個人或其他實體的未來行為” (Ramakrishnan 和 Madure 2008). 真正的關鍵是要找到最適合的預測模型來研究結果,但這並不是容易的事. (Ramakrishnan 和 Madure 2008)預測分析亦包括了分析數據規率的模型, 這些模型可以幫助用家分析客戶表現: 如客戶流失預測, 欺詐檢測, 客戶產品/服務的購買傾向”(Ramakrishnan 和 Madure 2008). 市場上的預測分析解決方案包括 SAS 的分析套件產品, IBM 的 SPSS, EMC 的 Greenplum 和 R 的開源產品套件. 無論使用哪種解決方案, 預測分析可以幫助用家增強吸納及挽留客戶, 識別交叉銷售和向上銷售的機會, 找出顧客的終身價值, 檢測欺詐, 確定產品(如娛樂場的角子機)的生命週期, 並幫助和優化營銷活動. 預測分析甚至
  • 2. 可以在現場交易時執行計算, 以幫助用家作出決定” (Ramakrishnan 和 Madure 2008), 然而沒有數據挖掘的預測分析是沒有意義的.數據挖掘: 一個公司內部的金礦數據挖掘 - 是指在數據中尋找隱藏規率的過程 - 是預測性分析中一種能意味著能從數據中識辨趨勢和行為模式的重要因素(Ramakrishnan 和 Madure 2008). 簡單來說, 數據挖掘能將原始數據變為有用的數據. 在他們數據挖掘中神經網絡的文章, Singh 和 Chauhan(2009) 說出數據挖掘是: 一種能回答你還沒有問過的問題的業務. 數據挖掘深入到數據庫中. 數據挖掘 工作可分為兩類: 描述和預測數據挖掘. 描述數據挖掘能在沒有預定的想法下 提供關於數據中正在發生甚麽狀況. 預測數據挖掘允許用戶提交關於數據記 錄, 系統會根據數據庫中過往發模式的基礎上猜測未知數.通過採用自動化的預測分析去從一個娛樂場運營商的客戶數據庫中篩選. 數據挖掘可以發現一些隱藏的機會和可能會錯過的關鏈. 許多娛樂場營運商擁有百萬兆字節的數據 - 一切從顧客會員卡的信息到客戶的房間偏好 - 倘若沒有數據挖掘通過篩選這些信息, 要找出有意義的聯繫是一個不可能完成的任務.  數據挖掘和預測性分析的目的是確認出有效而新穎, 潛在有用的和可理解的數據的關係和模式(Chung 和 Gray, 1999). 通過從豐富的數據中嗅出一些人類難而偵測出微妙或複雜的模式和關係(Kreuze, 2001). 我們必須收集來自不同來源的數據, 再集成到數據倉庫中並作出整理, 使其成為可用的數據. 從數據挖掘過程中表現出來的趨勢可以幫助貨幣化, 以及未來的廣告和營銷活動.在博彩娛樂場中,  數據挖掘可以從不同來源如銷售和市場營銷部門的數據中作出篩選, 從而使用戶能夠測量出百多個顧客行為中的不同屬性,  這與通過數據的統計模型所提供的三或四個不同的屬性相距甚遠.有別於傳統統計學, 是十分著重預測性檢測, 而數據挖掘嘗試去辨認出能影響與市場推廣有關的機會或問題的關係及相互依存的關係 (Thelen, et al., 2004).  傳統的多元回歸分析只能應用一些有限的複雜性上, 神經元網絡和決策樹方法能簡易地處理多達兩百個預測變量 (Thelen, et al., 2004),  讓他們進行更複雜的計算.  在統計學建模中,  分析員通常會提出問題如  “高收入人仕會否對博彩會員積分咭的忠誠度會否更易偏向比低收入人仕高?”.  這種假設只會引身到  “是”  或  “否”  的答案.  數據挖掘卻能顯示出影響博彩娛樂場的忠誠度的因素; 一些或許分析員從來沒有想過要測試的因素. 根據 Thelen, et al (2004), 數據挖掘過程包括:     • 識辨商業機會 • 數據整理 • 將數據轉換為有意義的信息 • 確認模型 • 調整成完善的模型
  • 3. 由於數據挖掘系統本質上會依賴很多不同的部門, 是有點困難和複雜去實現的. 營銷經理, 企業策略員, 統計人員和 IT 主管都需要注入他們的意見. 博彩娛樂場營運商應該緊記, 他們的顧客需願意提供自己的資料數據挖掘才會成功的(Thelen, et al 2004). 雖然博彩娛樂場會員咭能提供很多資料, 但倘若顧客不信任娛樂場營運商關於會藉以外的資料,他們對顧客的認識並不全面. 這樣便會大大局限了預測性分析的能力.    數 據 挖 掘 技 術  回 歸 模 型 :   回歸分析是從一組獨立變量的數目中預測連續依賴變量的過程.   它嘗試找到一個函數以最少的誤差來為數據建模. 回歸分析只適用連續性或二分類數據,   但不能被用來確定一些因果關係.  回歸分析著重於建立一個模型來代表在考慮範圍內不同變量之間相互作用的數學方程式. 回歸模型特別能找到顧客的價值因為該模型可以用於儲存過往數據來預測未知的結果 (Sutton 2011). Sutton2011 指出多元回歸模型 “利用各種預測和他們之間的關係來預測未來的價值”. 他解釋 “根據過往關於理論贏率, 實際贏率, 信用額, 投放於遊戲時間, 住宿晚數和平均注碼的資料來建立預測將來到訪價值的模型.”線 性 回 歸 模 型 :  這分析了反應或因變量和一組獨立的預測變量之間的關係.  這種關係代表了一個方程式,  來預測以作為參數的一個線性函數的反應變量.  這些參數會被調整以使優化符合度.  很多投放於模型擬合的努力也是集中於減低殘差的大小,  以及確保它是隨機分佈於相對的模型預測上.  線性回歸分析的一個重要假設是直線性,  它定義了一個獨立變量和因變量之間的直線關係.  例如參考圖一,  我們可以評估平均下注的上升也增加了實際贏率,  並我們以直線可以預測實際贏率會受到多少的影響.     圖一:線性回歸模型
  • 4.  博彩娛樂和酒店業中,    回歸模型可用來預測顧客的將來價值(Sutton 2011). 多元回歸模型 “利用各種預測和他們之間的關係來預測未來的價值”. 他解釋 “根據過往關於理論贏率, 實際贏率, 信用額, 放於設備時間, 住宿晚數和平均注碼的資料來建立預測將來到訪價值的模型.”神 經 網 絡 :  人工神經網絡(ANN)或簡稱  “神經網絡”是非線性的統計數據建模工具.  當在未知的輸入和輸出之間關係的確切性質的情況下使用的.  在 Singh 和 Chauhan(2009)的書藉中提及到神經網絡是:                            一種根據生物神經網絡的數學模型或計算模型.  換句話說,  即是模仿生物神經系統.   它是由一個相互關聯的人工神經元組成和使用聯結方法來計算並處理信息.  在大多 數情況下,  一個人工神經網絡是一種自動適應的系統,  能在學習階段期間根據流通過 網絡的外來或內部的信息而改變其結構.    神經網絡可以用來發現數據的模式.  神經網絡的一個重要特點是,  它能通過培訓學習輸入和輸出之間的關係.    神經網絡訓練分為三種類型,  強化學習,  監督和無監督的培訓;  而監督是最常見的一種.  神經網絡(見圖 2)  是數據處理系統,  其結構和功能的靈感來自於生物神經網絡.  它們的基本特徵包括並行處理,  分佈式記憶體和適應周圍環境的能力.        
  • 5.   圖二: 神經網絡圖 對於博彩娛樂和酒店業營銷用途來說,可以利用神經網絡來將消費者的消費模式分類, 分析新產品, 確定每位顧客的特徵以及預測銷售(Singh 和 Chauhan 2009). 神經網絡的優點包括高精確度, 高雜訊 容忍性和易用性, 因為他們可以用新的數據更新, 這使得它們可以用於動態環境中(Singh 和 Chauhan 2009).邏 輯 迴 歸 分 析 :    這方式將一個二元因變量的資料轉為無界限連續性變量.  邏輯迴歸分析(見圖 3)是一種廣義線性模型.  它主要是用來預測二元變數  (如“是/否”或“0/1”).  因此,  邏輯迴歸分析可用於當不同組中的其中一組是未知數時,  根據預測變量值的基礎上作出新的觀察.    
  • 6.      圖三:  邏輯迴歸圖  A/B 測試: 也稱為分割測試或分桶測試. A/B 測試是一種將基線控制樣品和各種單變量的測試樣品進行對比市場營銷測試, 以提高反應率.一種經典的直接郵件策略最近採取了互動空間去測試策略, 如橫幅廣告,電郵和登陸頁面等等. 對博彩市場營銷來說, A/B 測試(參見圖 4)是去確定最佳市場報價的最有效方法(Sutton 2011). 它可以測試“兩個不同的優惠中較能促成最大收入和利潤的報價” (Sutton 2011).   圖四: A/B 測試表  決 策 樹 : 用於識別最能達到目標的策略. 這是一個利用圖形或模型及其有可能帶來的後果作支持決策的工具, 包括事件後果的機會, 資源成本和實用性. 決策樹是一組數據裡的順序分區, 它們能將因
  • 7. 變量的差異最大化(反應或輸出變量).  它們能以簡潔的方式將屬性一致的群組定義,  但群組的因變量則是不同的.      決定樹建設於 “分而治之”原則的基礎上, 通過有監督的學習算法,多變量空間的連續分部令分組之間的距離增到最大 (即是將不同的鑑別進行分區). 當所有分支內的輸入值達到相同的輸出值時,  分部過程便完成並產生一個完整建模.  若輸入變量越是處於樹的下端,  代表它們在輸出分類的重要性越低  (它們容許比較少的概泛化,  由於在降支的輸入數目減少)    對於博彩娛樂和酒店業, 決策樹可用於“辨認出顧客特徴, 從而預測出他(或一組顧客)去濫用優惠的可能性”(Sutton 2011). 圖五顯示出一個根據年齡和區碼來作市場推廣的決策樹.  圖五: 決策樹圖表  時 間 序 列 分 析 :  時間序列是一個變量在間隔均的時節的價值序列.  根據工程統計手冊,  時間序列模型可以用於   • 理解產生觀察到的數據的基本力量和結構   • 擬合模型並進行預測,  監測,  回覆評價和前饋控制1                                                                                                                             1 http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc41.htm.
  • 8. 時間序列模型可以用來預測一個變量的未來行為  (參見圖 6).    這些模型考慮到一種事實,  即是數據隨著時間的過去有可能形成應關注的內部結構(如自相關性,  趨勢或季節性變化)  .  在博彩娛樂場和酒店業中,  時間序列分析可以用來預測銷售,  項目收益率和工作量以及分析預算.    圖六:  時間序列模型  最 近 鄰 方 法 : 最初由 J.G. Skellam 引入, 最近鄰法是一種基於概念上相似性的技術, 其中的 “預期中的和觀察到的近鄰距離的平均值來確定一數據組是否的群集”(Skellam 1952). 最近鄰方法 (參見圖7) 在不作假設情況下將及因變量與自變量關聯起來的函數形狀來構成一個分類系統. 其目的是要以動態的觀察方式找出培訓數據中與我們希望分類相似的觀察. 此方法不會對關於建模樣本分佈加予任何假設. 它包括一個有正負值的培訓組別.  圖七:  最近鄰方法  
  • 9. 判 別 分 析 :  判別或判別函數分析是一種去辨定出哪些量化變數或預測值最能鑑別出兩個或多個不同群組而比純粹碰碰運氣的機會更佳 (Cramer 2003). 這方法用於統計學, 模式辨認和機器學習去找出一些能將兩個或多個不同事物或事件分類的線性組合特徵.由於判別分析將個人或實驗單位分類為兩個或多個獨特定義的人群, 它可用來作市場細分和預測會藉群組. 預測會藉時可以判別分數作為基礎. 例如, 判別量會衡量每個預測變量的比重(年齡, 性別,收入等等) 每個變量的相對重要性. 如果年齡的判別重量是低的話, 即是說它較其他變量不重要. 對於一個博彩娛樂場和酒店營銷部, 利用判別分析可以幫助預測為什麼某顧客經常到訪於某間娛樂場.判別分析(參見圖 8) 對於產品研發時感知/形象研究, 廣告研究和直接的市場營銷是特別有用的.       圖八: 判別分析模型 存 活 或 持 續 期 分 析 : 統計學中的分支來處理生物的死亡和機械系統故障 (參見圖 9) . 它涉及時 間的建模和事件數據; 在此文中, 死亡或失敗是被認為成存活分析中的“事件” - 傳統上是生物 死後或機制破損後發生的單一事件. 存活分析是生命時間及其分佈的研究. 它通常涉及以下一個 或多個目標: • 去探索生命時間的分佈   • 為生命時間的分佈建模   • 去測試兩個或多個生命時間的分別   • 為一個或多個可解釋變量對生命時間的分別的影響建模     通過將存活分析運用於收入管理模式,  博彩運營商可以得到更真實的枱面收入的畫面  (Peister  2007).  
  • 10.     圖九: 存活分析模型                除了以上所列出的數種數據挖掘技術外,  還有其他幾種可以使用的,  但上面列出的是現時行業最常用的方法,  你已可於數據中蒐集你所需的資料.  一旦數據被挖掘後,  商業智能解決方案可以告訴你數據中正在發生什麼事,  而預測分析程式可以分析當前和歷史的趨勢,  對未來事件作出預測.      預測性分析: 可行動智能客戶分析由單單根據盈利去報告顧客行為和將客戶細分演變成預測盈利, 改善這些預測 (因當中包括了新數據), 能以針對特定目標的推廣優惠和市場營銷活動去操蹤顧客行為.預測分析可以圖表顯示出一個客戶隨著時間的價值以及預期該客戶的行為. 從這個分析, 博彩運營商可以向數據庫內的顧客推出一些非常具體的, 如激光般聚焦的營銷活動. 通過整合整個娛樂場內的各種顧客輕觸式系統, 運營商可為每位顧客以創建一個完整的視圖.      預測模型從娛樂場貴賓卡中收集數據,  能為客人定下預算和日曆.  在這個過程中計算其預計終身的價值.    如果一個娛樂場顧客的投注額比平時下降,  有可能是因為他們那個月沒有到訪娛樂場,  娛樂場可以以郵件或通過電話去提供免費餐飲,  表演門票或積分.    如果沒有這些客戶的分析,  博彩運營商沒可能注意到這些極為輕微,  幾乎難以察覺的顧客行為變化所能預示著的問題.    例如,  一位長期顧客決定將所有會員積分提出,  或許是因為他們對上一次到訪娛樂場的經驗感到不滿意.    預測性分
  • 11. 析能很快到注意一些趨勢並提醒管理層,  令他們可以去找到個別顧客和找出問題所在.  這種個人化的關注,  對於安撫不滿的顧客是十分有效.  足以影響能否保留抑或失去一些顧客.  預測分析可以收集來自各種不同來源的數據,  包括:   • 通過不同博彩系統所集合而成的數據   • 通過到訪後的問卷意見的資料   • 從顧客的個人網上行為所得的數據挖掘   • 社交媒體網站    預測分析令博彩企業可以輕易地將他們的客戶細分,  並有效地協助市場營銷活動通過不同向外渠道接觸到針對性的組群.  例如,  若果一位娛樂場客人選擇了以電郵方式去接收他所有推廣優惠, 預測分析解決方案會自動地將他從其他不同渠道推廣活動中移走. 這可以確保其貫徹性,也提高了客戶的滿意度. 因為該企業尊重客戶的聯絡方法偏好和不會以多重優惠將顧客淹沒. 此外, 預測分析解決方案能監管著渠道容量和用量以消除過載的狀況, 同時亦平等地分配不同渠道活動. 如果其中一渠道有過載的危機, 該解決方案將自動將其餘活動轉移到一個不同的通道以確保完成. 這使到每個通道的容量和價值也是最大化, 而不用消耗任何手動監測.  操縱客戶行為成功的市場學是當一位消費者在準備接受某優惠的情況下向他們推銷.  知道甚麽能引起顧客的興趣就如成功了一半,  這亦是預測性分析步入的時候.  客戶分析由單單根據盈利去報告顧客行為和將客戶細分演變成預測盈利,  改善這些預測  (因當中包括了新數據),  能以針對特定目標的推廣優惠和市場營銷活動去操蹤顧客行為.                  預測分析能將一個博彩娛樂場龐大的數據倉庫解構,  令數據庫中的信息更有意義.  它可以推斷趨勢,  發明和驗證一個假設以及預測未來的活動.  預測分析可以用於各種各樣的方式,  但大多用於交叉銷售/向上銷售,  活動管理,  獲取客戶,  預算,  預測和數量縮減/流失率/保留.    (參見圖 10)  
  • 12.   圖十: 預測性分析之應用  博彩娛樂場營運商以交叉銷售和向上銷售一些顧客感興趣的產品,  從而加強客戶關係.  而不是向他們提供一些他們大多會拒絕的產品.    預計分析能讓客服中心人員當收到客人來電時提供一些合適的優惠.  相反,  電話推銷員能細心聆聽一些能引起客人反應如  “百家樂錦標賽” 或 “海鮮自助餐” 或 “酒店房間” 的字句來幫助娛樂場市場營銷部去為客人計劃吸引的優惠. 此外, 自動化的系統如公共資訊機和在博彩樓層的客戶服務主任能利用預測性分析在與客人接觸時提供最適當的優惠.    在V. Kumar, R. Venkatesan 和 W.Reinartz (2006)的文章 “知道銷售什麼, 甚麽時候和賣給誰”中, 作者展示了如何通過簡單地理解和調整行為模式, 他們可以提高優惠命中率和促銷活動給消費者, 這對收入產生了立竿見影的影響.通過運用建基於諾貝爾獲獎的經濟學家丹尼爾·麥克法登上的統計模型, 研究人員準確地預測不僅是一個具體的個人購買習慣, 而且是準確度達 80%的特定購買時間 (Venkatesan 和 W.Reinartz 2006).在某顧客在他或她準備好接受推銷的一刻向他推廣的潛在價值是對雙向也是有利的; 推廣人員不會將時間浪費於沒有興趣的消費者身上, 但卻會對有興趣利用優惠的客人進行推廣.只當預測模型真正被使用和引發了一個行動時才是有用的. 利用基於統計的有效細分方法, 不僅以
  • 13. 金錢價值將客戶群細分, 而是包括所有從酒店活動及顧客簡單的人口統計收集到的資料. 精細的細分能促使更集中以客人為主的市場推廣活動.模型可被評估和以多種統計方法產生報告, 如神經網絡, 決策樹, 遺傳算法, 最近鄰方法, 規則歸納和 1提升及收益圖表 . 一旦建成後, 以多種方式所產生的分數可以使實施變得方便和容易. 項目本身可以重複使用和共享, 以便促進更快的模型開發和知識轉移.在文章預測性分析中, Wayne Eckeson (2007) 建議以下六步驟來創造預測模型:1. 定下業務目標和項目的預期結果, 然後將它們翻譯成預測分析的目標和任務.2. 探索和分析源數據以確定最合適的數據和模型的建立方法, 然後定下所需的努力.3. 對數據進行選擇和提取並轉換數據, 這將是模型的基礎.4. 構建模型, 以及測試和驗證.5. 將模型應用於業務決策和流程中.6. 管理和更新相應的模型.通過預測建模過程中利用從過去的活動和措施所產生的的數據,  博彩營運商可以跟蹤市場推廣活動的實際反應與預期活動響應的對比,  而這往往證明是極之不同的.  此外,  博彩營運商可以設立上下的限制.  當活動結束或表現不佳時可自動知會活動經理,    讓他們專注於特別需要注意的活動.    自動化的推廣活動的好處是這些優惠是根據客人可形成喜好推斷出來的.  分析可辨認到哪些客人會偏向接受飲食優惠,  酒店房間或免費籌碼.  成果就是客人會收到更為度身而設的優惠,  因為他們潛入顧客的慾望,  需要和期望.    他們會應用這些優惠,  更多被使用的優惠代表更成功的推廣活動.  只要了解到場內有甚麽顧客,  為甚麽他們到訪和他們喜歡做甚麽,  博彩營運商便可定下個人化和有效的推廣活動,  從而提升娛樂場的投資回報率.    博彩營運商能通過預測性分析去預計哪些低中層客戶較有機會成為貴賓客.  他們能更大方地推出一些優惠因為這些顧客大有可能會欣賞個人化的關注,  從而成為更長久和產生更多盈利的客戶.      投 資 回 報 率 :  現 實 世 界 中 的 預 測 性 分 析 建 模  以預測性分析解決方案去計算出實質投資回報率是蠻困難的事, 因為很多設有這些解決方案的公司也沒有正式的投資回報率研究. 投資回報率研究的本質可以是相當模糊, 因為產生的收入並不總是很容易量化的. 然而, 根據 Wayne Erickson (2007), “擁有高價值分析程式而有計算投資回報率的公                                                                                                                         1 累積提升及收益圖表是計算模型性能的視助.
  • 14. 司, 投資了 136 萬美元而在 11.2 個 月內便得到回報.  然而應留意這項研究只是基於 37 位受訪者的回應”  雖然他們不是博彩行業, 但美國國家地理學會在 2009 年 7 月 7 日 關於他們使用 SAS 分析工具套件的新聞稿指出 “得到 200%-300%的投資回報率, 留意到以最佳性能的客戶細分, 推廣活動的表現提升了 50%” (SAS 2009).    一些其他現實世界中預測分析幫助企業提高客戶服務以及直接提高利潤的例子包括: • 為了測試一個營銷活動的假設, 哈拉酒店從傑克遜.密西西比州中選出兩組相近的角子機 常客玩家. 控制組的成員獲得價值$125 美元的圖尼卡娛樂場典型推廣套餐; 當中包括免費 房間, 兩份牛扒餐和$30 美元籌碼. 實驗組的成員會獲得$60 美元的籌碼. 價值較低的營 銷活動卻能產生更多博彩枱上活動, 這表明了哈拉一直浪費金錢為客戶提供免費的客房. 此後改組後的推廣令利潤幾乎倍增, 達到每人每程 60 美元. • 當珠江度假村(Pearl River Resort) 使用 SAS PVO 展開了營銷活動後, 結果令他們感到驚訝. 結果指出並非所有的高價值的客人都是一樣的, 有的實際上並不是注碼很大的客人, 但他 們花費在度假村裡其他地方比於博彩枱上更大. 當娛樂場舉辦如撲克或 21 點等令博彩樓 層擁擠的比賽, 他們便可利用這資料將這些不活躍於博彩樓層的客人來填補度假村內其他 地方. • 哈拉酒店利用預測性分析確認出一細群佔了他們博彩整體 30﹪的客戶 (Binkley, 2000). 這 些客人每次到訪會花費太約$100 - $499 美元, 但實際上佔娛樂場的 80%左右的收入和 接近利潤的 100%.預測顧客的將來價值現代的博彩娛樂場分析和客戶管理系統為博彩業提供了大量仔細的資料, 包括客人在何時, 何地, 有多頻密到娛樂場及消費多少 (Sutton 2011). 這些資料能幫娛樂場將客戶細分, 預計將來行為及改善市場營銷效果(Sutton 2011). “客戶分析對於將中場收入增到最大化是十分重要” Sutton (2011) . 在他的“娛樂場和博彩業的客戶分析: 主場怎樣常勝” 中 Sutton 指出, 當涉及到和博彩業的客戶分析,營運商需先解答以下問題:   • 一位顧客的價值是多少? 我們預期這位顧客會在未來輸掉多少?誰是最有價值的顧客? • 甚麽顧客會走到一起? • 甚麽顧客是最有可能濫用優惠呢? • 甚麽顧客最有可能響應某優惠?
  • 15. • 哪個優惠表現最佳? 顧客分析最重要是確定客人對於博彩娛樂場的價值 (Sutton 2011). 預測顧客的未來行為是不 容易的事, 因為它可能會受到一些變量影響, 包括總收入, 可動用收入, 種族, 旅行原因 (會展或度 假), 以及許多其他的因素 (Sutton 2011). 然而, “雖然這些信息經常是通過第三方去附加, 但仍然可 以在內部的數據得到豐富信息,而這數據可以被用來以建立模型和度量來預測一個客人的未來價 值”(Sutton 2011). 一旦價值被確定, 便可 “根據其他行為將客人分割成組和可以圍繞這些行為來 設計發展有效的營銷活動”(Sutton 2011) 確定客人的價值是必要的, 因為有助於揭示他對娛樂場有多麼寶貴. 這是資料可用於指示應在未 來再投資多少於這位顧客上 (Sutton 2011). Sutton 也談論到 “價值主要分為兩個部分的 - 價值的資 金來源 (即博彩或酒店) 和時間單位, 是指(每日, 每週, 每月等等). 除此之外, 這可以是過去已知的 歷史價值, 又或者是將來價值, 是未知的.” 大多數的收益來源是相當直接簡單 - 客房收入是指客人所支付的客房, 餐飲收入顯然是他支付的 食品或飲料 (Sutton 2011). 然而, 博彩收益並不是那麼簡單, 因為涉及到機會率. 用於評估客人的博 彩價值有兩種定義 - 實際和理論的損失” (Sutton 2011). 實際損失是指一個客人在枱上實際輸掉或 贏得的金額, “而理論損失是指根據注碼, 下注時間和遊戲本身特定的機會率 , 而客人預期中會輸 掉到金額” (Sutton 2011). 實際損失通常是用來測量營銷活動表現和盈利, 而理論損失著重於預測 分析和是一個對將來行為更強的預計. 在 Sutton 2011 中, 做來計算枱上遊戲和角子機的理論損失 方程式是:                       • 賭桌遊戲理論損失:平均下注 X 逗留時間 X  遊戲速度 X  主埸優勢   • 角子機理論損失=  投入金額  X  收入比例百份比一旦客人的價值被定下, 數據挖掘和建模技術可以用來估計預測未來的價值 (Sutton 2011). “基於歷史行為的簡單指標, 如平均每日的理論損失或平均到訪的理論損失, 會產生相當準確的預測未來值”(Sutton 2011). “然而, 先進的預測模型能夠以更高準確度及性能去預測將來價值, 將隨著時間以變的行為模式和預測輸入值與現有博彩場的數據的關係也計算在內” (Sutton 2011).有許多不同的技術可以用於開發模型來預測未來的價值其中最常見的是回歸模型  (Sutton  2011).  多元回歸模型  “利用各種預測之間的關係來預測未來的價值”  Sutton  (2011)  指出.  例如,  Sutton  (2011)  解釋了  “建立一個模型來預測未來到訪娛樂場的價值,  根據關於理論的贏率,  實際贏率,  信用額,  在設備上的逗留時間,  留宿晚數和平均下注的過往資料.”    回歸模型可以是  “利用不同的分類如,  性別,  種族,  年齡層或人口變量等等的變量預測來建立的”  (Sutton  2011)“回歸模型是特別有效的”  Sutton  (2011)  總結說:“因為這個模型可以用歷史數據來預測一個未知的結果,  在這種情況下這是值得的,    因為具有一定程度的信心”    
  • 16.  辨 認 博 彩 娛 樂 場 最 寶 貴 的 顧 客  一種來確定誰是娛樂場的最佳顧客的方法是嘗試將優良技術和比較生疏的顧客分開 (Sutton 2011).大部分的數據庫也沒有一個完善的技術測量制度; 然而, 他們是可以去查看哪些顧客常常是輸家或贏家(Sutton 2011). “最快捷的方法是分析一位玩家每次到訪次數和輸錢的百分比” Sutton 2011 解釋到:   到訪了五次的玩家是否每次也輸了錢?  雖然這可能顯示了他會一直逗留直到他再沒 有現金或時間,  但是也簡單地道出他能成為贏家的機會甚低. 這是一個實際損失可能 是很好的預測價值的實例, 我們寧願這些顧客逗留在娛樂場中.        雖然角子機並不著重技術而輸贏大多基於運氣, 但仍可根據玩家的行為和策略將他們分類(Sutton2011). “因為博彩娛樂場需要將贏得中一定的百分比交付給某些特約的角子機供應商, 因此偏向喜好非參與供應商遊戲的顧客對於娛樂場來說是更有價值的(Sutton 2011).  博彩營運商應留意一位角子機玩家投放多少注碼於自家擁有的遊戲或是需分享盈利的角子機.”另一項可留意的是角子機玩家的投入注碼和遊戲本身的最高下注碼的對比 (Sutton 2011). 大多情況下, 玩家需投放最大的注碼從而有機會贏得累積獎金及漸進積累獎金(Sutton 2011). 舉例說兩位有相同理論價值的玩家, Sutton 爭論指出 “那個平均下注較大的玩家看起是比較高價值, 但由於下注少的客人能贏得累積獎金機會較低, 所以這客人所帶給的風險較少”. 雖然這個指標有自己的作用, 但博彩管理層也能“利用它作為一個將來價值模型預測或用作為決策樹來預測一位客人會否對優惠作回應. ”      確定出會一起到訪的客人    除了客人價值之外就是一戶的總價值,  是指  “一些常偏向一起到訪的客人的結合價值”  (Sutton  2011).    這是蠻困難的因為同一個家庭可能會入住不同房間,  在不同時間到訪,  或是一位客人只會在另人位客人陪同下才到訪  (Sutton  2011).  雖然這是很棘手,  但能確定到一個家庭的價值能幫助“將看起來像兩個獨立個體的收入組合成一個“家庭”的來源”  (Sutton  2011)  雖然很多顧客管理系統都能輕易地將有聯繫戶口的客人辨認出來, 但數據挖掘能將一起到訪而戶口沒有關聯的顧客群找出來(Sutton 2011). 首先, 娛樂場必須把同一時間到訪的客人辨認出來. 再以一個包括了不同數據的研究來辨出不同的”家庭”(Sutton 2011). 當中包括:   • 姓氏: 將一同到訪到親戚找出來 • 地址: 透露住在一起但不同姓氏的室友.
  • 17. • 房號或樓層: 一起旅行的客人偏向要求鄰近的房間. • 城市或郵政區號: 能顯示出來自同一區的朋友或親戚 • 逗留在博彩樓層的時間: 在同一時間出現於博彩樓層的顧客, 常常是朋友或家庭成員的行為. • 遊戲種類: 透露了哪些客人在博彩樓層同一地區內玩樂, 或至少在相近的地方. • 餐廳和零售的收入: 透露了哪些客人在同一天和同一站有消費. 通過將顧客變成了“家庭價值”, 一個以四人為一組中的客人個人價值可能很低, 但若“每次到訪時能入住同一房間, 因此以組合價值便很大”(Sutton 2011). 博彩娛樂場可利用這些分組資料來調整其市場推廣計劃, 並發出是基於客人們合共價值的報價, 而不是他們的個人價值 (Sutton 2011). 這個分別足以影響客人會否接受或拒絕優惠.  將客人的資源濫用減到最低預測性模型能顧及到一位客人將來再到訪時會否到博彩層玩樂 (Sutton 2011). 亦建議建立另一個獨立的模型, 來確定有機會使用優惠將來到訪而不會到博彩娛樂場玩樂的顧客, 計而從營運商身上得到好處 (Sutton 2011). “由於很多博彩業的優惠也是提供免費房間, 客人享用優惠而沒有到博彩層耍樂的話便會影響推廣計劃的成效和盈利.” Sutton 指出. 要達到長遠而成功的市場推廣活動, 除了辨認出濫用系統的顧客外, 還要懂得去調整優惠” (Sutton 2011). “決策樹和邏輯回歸分析是常用的統計方法, 用於識別和預測顧客濫用的報價可能性”.年齡, 性別和濫用記錄等因素可用作優惠濫用的預測指標 (Sutton 2011年). 到訪後問卷調查的數據可以用來識別這些預測指標. Sutton 曾警告: “倘若一位客人在過往有不良的經驗, 他們有可能以享用免費房間作報復”. 博彩娛樂商可對這濫用優惠的顧客作出適合的推廣調整. 將免費房間取而代之的可能是他們必須於有一定的下注碼, 否則他們便需付上房間費用.        推廣優化除了預測客人的將來價值, 博彩推廣員也需知道哪個推廣活最能提升反應率, 和那個活動最能增加娛樂場收入和盈利 (Sutton 2011).明白到客人的將來價值對於定下合理的再投資額是十分重要的.(Sutton 2011). “一位客人的行為和興趣能用來辨認哪種優惠最能吸引客人和產生最大盈利的反應”(Sutton 2011). 雖然提供免費客方和免費注碼是最能驅使最強反應, 但這些相關的成本可能不利於該娛樂場”. 在商業角度上這未必合理因為 “不是每位合乎資格得到免費客房的客人必需得到這優惠才會回應 ﹣有些可能願意去付上有折扣的價錢或甚至是原價.” (Sutton 2011). “分析一位客人回應的可能性, 娛樂場管理人員能提供最合適的優惠能達到市場推廣活動整體最大的收入和盈利”Sutton 總結說.
  • 18. A/B 測試是其中一種可以為客戶找出最佳推銷的有效方法; 在之前提及了 A/B 測試涉及將兩種不同的優惠作比較, 從而辨認最受歡迎和最能產生最大盈利的優惠. 邏輯回歸, 決策樹和判別分析可通過娛樂場的歷史數據和發現客人是否響應要約或相關的因素. “可根據一位客人的資料與其他響應客人的共通點,這些因素可以用作去來評估反應的”. 明顯地, “去建立準確和預測響應的模型, 關於客人客人的歷史數據是必需的” (Sutton 2011). “反應的可能性可以是指一位客人對所有優惠廣泛的反應, 或是指客人對特定某種優惠的反應” Sutton 指出. 反應熱烈的模型有兩種用途; 可以判斷出哪類型的客人會回覆推銷議案以及顯示哪類型的推銷議案可以吸引客人回覆 (Sutton 2011). 根據Sutton, “反應模型有至少三種能改善市場營銷成效的用途” : • 辨認客人回覆的可能性.   • 辨認哪類型的推銷議案最有可能可以吸引客人回覆   • 預測何時客人最有可能再次到訪      判斷出哪類型的推銷議案最能客人只是戰爭的一半. 要知道客人何時去計劃他下次到訪的日子也十分重要(Sutton 2011). 雖然根本上機乎沒可能知道一位客人何時再到訪 (在沒有預訂的情況下), 但現時有不同的預測分析方法可幫助到這些估計工作(Sutton 2011). 頻率分析, 回歸法和存活分析也可做於預測客人會可時再次到訪娛樂場.    了解一位客人何時會再到訪可以幫助辨認到一些好一段時間沒有回來和有可能決定不再到訪的客人(Sutton 2011). 去確認這些客人, 娛樂場應發現一位客人出門旅行的平均相隔時間及中位數 (Sutton2011). 這可比細分為地區, 價值或甚至過去密度, 例如每周,每月,每三個月, 每年和每兩年如些類推(Sutton 2011). “倘若有些客人並沒有在預期時間內到訪, 娛樂場便會採取適當的行動”. Sutton 深信娛樂場的市場部應有兩個主要的目標; 令到到訪次數比預期更頻密和將客人變成常客.另一較其他次的目標是辨認出一些有機會永遠離開娛樂場的客人 (Sutton 2011). 在這些情況下, 發送給他們的優惠可加上一些 “最後機會” 或 “我們想你” 的字句或可挽留他們, 而這些優惠應比他們以往所收到的優惠更吸引 (Sutton 2011). 從了解到一位客人何時大有機會再次到訪, 娛樂場可調整市場策略從而減低郵件成本, 保留客人和增加忠誠度”(Sutton 2011). 這些策略都能直接為娛樂場將盈利提高.    
  • 19. 總結:我在這一開始的時候發問了一道問題 “你會傾向採用分析來獲得盈利或是跟隨大氣候來獲利? 我相信在娛樂場業務上實施分析解決方案在投資回報率上是有價值的. 世界名地的娛樂場客戶喜歡相似的優惠 ﹣免費的酒店客房, 免費的博彩增送, 免費用膳. 透過市場營銷活動, 它們通通都能夠滿足客戶的個人需要和期望. 這只有透過運用預測分析才能達成.現代的娛樂場分析和客戶管理系統存儲了客人龐大的詳細數據,客人在什麼時候, 在哪裡有, 到訪密度, 有多久在娛樂場上消費 (Sutton 2011). 這些資料可以用於把客人分類,以作預測他們的未來喜好和提高市場營銷活動的效果 (Sutton 2011). Sutton 稱: “在分析娛樂場客戶的時候, 營運商必需找到以下問題的答案: • 客戶的價值, 哪些客戶對娛樂場最有價值? • 哪些客戶喜歡以團體形式到訪? • 哪些客戶會濫用優惠? • 哪些客戶對市場營銷活動最敏感和最不敏感? • 哪些市場營銷活動的反應最好? 這些問題都可以在預測分析上找到答案. 各類分析現有和歷史數據的統計技巧都可對未來 作出預測. 如預測模型, 機器學習, 數據挖掘, 博弈論等技術. 預測分析可以利用歷史和交易 數據上找到關鍵, 將辨認出業務和風險和機會.預測性分析可以分成三類不同的模型, 預測性, 描述性和決定性. 運用數據挖掘和預測分析可以組合和找出在龐大數據量上難以發現的關鍵趨勢和關係.在娛樂場業界, 數據挖掘可以測量和組合不同類別的數據屬性. 數據可來自不同的來源和運作部門;如銷售部, 信貸部, 市場營銷部等等. 這些不同類形的數據與傳統統計學上提供的三,四種屬性模型可差距甚遠. 最常見的數據挖掘技術包括線性回歸, 神經網絡, 邏輯迴歸圖和 A/B 測試.預測分析可以繪畫出客戶隨著時間變化的價值和行為. 經過這種分析, 娛樂場營運商可以在管理客的數據庫上度身訂制出高度具體和集中的市場營銷活動. 在客戶數據上繪圖, 預測模型可以為娛樂場客戶設置消費預算和日曆表在過程中計算出客戶的終身價值, 裝備了這類型的資料數據, 娛樂場營運商便可以使用預測分析來: • 設置直接郵寄宣傳活動 • 設置季節性促銷 • 計劃廣告宣傳的時間和位置 • 確認出哪類細分市場的增長最快 • 判斷留用給批發商和商務旅客的房間數量客人的價值是分析客戶最重要的一點, 有了這種資料, 娛樂場營運商可以憑客戶的行為喜好歸納客戶於不同類別, 以設置出適當的市場營銷活動 (Sutton 2011). 判斷客人的價值是迫切的, 有了這種資料
  • 20. 數據, 營運商能有效地計算出未來再投放於客戶的使費(Sutton 2011). 當計算出客戶的價值, 便能使用數據挖掘和模型等技巧來估計出將來客戶的價值 (Sutton 2011).回歸模型對找出客戶的價值是特別有效的. 這種模型可以給歷史給予分數以作預測結果. 多種回歸模型運用了不同性質的預測指標, 以及預測指標之間的關係來預測未來價值 (Sutton 2011).除了預測客戶的未來價值, 娛樂場市場營銷員必須確認哪種類型的市場營銷活動是最有效來增加反應率 (Sutton 2011). 了解到客戶的未來價值可以有助娛樂場營運商找出合適而乎合商業原則的再投資水平.A/B 測試是其中一種可以為客戶找出最佳推銷的有效方法; 邏輯回歸, 決策樹和判別分析也可(Sutton 2011). 反應熱烈的模型有兩種用途; 可以判斷出哪類型的客人會回覆推銷議案以及顯示哪類型的推銷議案可以吸引客人回覆.娛樂場營運商應謹記數據挖掘的成功是在於客戶是否樂於提供他們的資料. 私隱政策是現今流動時代和將來難以避免的憂慮. 能夠尊重客戶的娛樂場營運商將態夠繼續得到忠誠客戶提供無價的個人資料數據. 這些數據可以為營運商設置有效的市場營銷活動. 透過了解自身客戶的喜好和屬性, 娛樂場營運商將能夠設置私人化和更有效的市場營銷活動, 以及增加娛樂場的投資回報率.  

×