[引人深思]博彩用户真的赢了吗？——多维度揭示赌博危害

2024-09-02 02:28
文章标签 用户 真的 揭示 多维度 危害 赌博 博彩 引人深思

本文主要是介绍[引人深思]博彩用户真的赢了吗？——多维度揭示赌博危害，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1.项目背景

博彩业，作为全球经济中一个庞大而复杂的行业，吸引了无数用户参与其中，然而，在巨大的利益诱惑背后，博彩业对个人和社会造成的潜在危害却不容忽视，尽管博彩活动常被包装为“娱乐”或“休闲活动”，但其背后隐藏的风险和对参与者的负面影响日益显现，无论是从财务损失、心理健康，还是社会影响的角度来看，博彩活动对参与者的危害都显得格外突出。

本研究通过对博彩用户的全面分析，揭示了博彩活动的本质及其对参与者的危害，数据表明，没有用户能够在长期内保持正收益，反而投注越多，损失越大。因此，远离赌博，保持清醒的财务意识，保护心理健康，是每一个个体应当遵循的基本原则。只有避免卷入博彩的泥潭，才能真正守护自身的财务和心理健康。

2.数据说明

列名说明
customer_id用户ID
first_name用户的名字
last_name用户的姓氏
country用户所在国家
age用户年龄
gender用户性别
income_level用户收入水平
Winning_percentage用户的获胜率（百分比）
Days_Since_Last_Bet距离上次投注的天数
Active_Days用户活跃天数
Total_Number_of_Bets总投注次数
Total_Amount_Wagered总投注金额
Average_Bet_Amount平均投注金额
Number_of_Bonuses_Received收到的奖金次数
Amount_of_Bonuses_Received收到的奖金总额
Revenue_from_Bonuses从奖金中获得的收入
Increase_in_Bets_After_Bonus获得奖金后投注增加的次数
Increase_in_wagering_after_Bonus获得奖金后投注金额的增加
Should_Receive_Bonus是否应再次获得奖金（0 = 否，1 = 是）

3.Python库导入及数据读取

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.stats import chi2_contingency,spearmanr
from imblearn.over_sampling import RandomOverSampler
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report,confusion_matrix,roc_curve, auc
from sklearn.ensemble import RandomForestClassifier

data = pd.read_csv('/home/mw/input/08307470/Betting users Data  .csv')

4.数据预览及数据预处理

查看数据信息：

查看重复值：

0

检查 Winning_percentage 是否有超过 100 的情况：

数据中不存在Winning_percentage超过100的值，也就是这一列不算有异常值了,构建 ‘name’ 列并删除 ‘first_name’ 和 ‘last_name’ 列。判断是否存在同一个ID对应多个name的情况：

部分截图

可以看到出现了同一个ID对应多个名字的情况，这就说明ID并不是唯一的，可能也是数据的问题，这里就直接删除ID列。检查所有姓名是否在各个变量中对应多个值：

部分截图

通过观察发现：一个名字只对应一个国家，一个年龄，一个收入水平数值，但是对应的其他特征是存在多个值的。

5.描述性分析

  1. country: 5000条记录，共223个唯一国家，最常见的国家是Korea（71次）。
  2. age: 用户平均年龄49.3岁，范围从18到80岁。
  3. gender: 共有2个性别，女性用户较多（2582次）。
  4. income_level: 平均收入83197，范围从20000到164955。
  5. Winning_percentage: 平均获胜率42.2%，范围从0%到100%。
  6. Days_Since_Last_Bet: 用户上次投注平均为20.7天前，范围从0到40天。
  7. Active_Days: 用户平均活跃天数227天，范围从5到364天。
  8. Total_Number_of_Bets: 用户平均总投注次数35次，范围从2到57次。
  9. Total_Amount_Wagered: 平均总投注金额89208，范围从71057到99998。
  10. Average_Bet_Amount: 平均每次投注金额977，范围从949到999。
  11. Number_of_Bonuses_Received: 用户平均收到99次奖金，范围从88到103次。
  12. Amount_of_Bonuses_Received: 平均收到奖金金额997，范围从880到1030。
  13. Revenue_from_Bonuses: 用户平均从奖金中获利4992，范围从4400到5500。
  14. Increase_in_Bets_After_Bonus: 用户在奖金后投注次数平均增加500次，范围从439到550。
  15. Increase_in_wagering_after_Bonus: 奖金后投注金额平均增加49949，范围从43900到55000。
  16. Should_Receive_Bonus: 72%的用户应再次获得奖金。
  17. name: 共622个唯一名字，最常见的是Charles Hernandez（17次）。

6.用户分析

6.1构建新数据

如何构建一个以name为聚合的新数据，需要考虑的比较多，大概构建如下特征：

  1. name: 用户的姓名
  2. country: 用户所在的国家
  3. age: 用户的年龄
  4. gender: 用户的性别
  5. income_level: 用户的收入水平
  6. Average_Winning_Percentage: 每个用户的平均获胜率
  7. Average_Bet_Amount: 每个用户的平均每次投注金额
  8. Average_Active_Days: 每个用户的平均活跃天数
  9. Total_Bets: 每个用户的总投注次数
  10. Total_Wagered: 每个用户的总投注金额
  11. Total_Revenue_from_Bonuses: 每个用户从奖金中获得的总收入
  12. Std_Dev_Bets: 每个用户投注次数的标准差
  13. Std_Dev_Increase_in_Wagering_after_Bonus: 每个用户在获得奖金后投注金额的标准差
  14. Recent_Days_Since_Last_Bet: 用户最近距离上次投注的天数

6.2人口特征分析

  1. 从性别与年龄的联合分布图中可以看出，男性和女性用户在各个年龄段的分布相对均衡。
  2. 不同年龄段的用户数量波动较大，特别是在50岁左右的年龄段，用户数量达到了一个高峰。
  3. 用户的收入水平分布较为分散，没有明显的集中趋势，显示出较大的收入多样性。
  4. 从用户国家分布的柱状图来看，用户主要集中在Germany（德国）、South Georgia and the South Sandwich Islands（南桑威奇群岛）、Comoros（科摩罗）等国家。

6.3用户行为分析

  1. 用户平均获胜率分布：大多数用户的平均获胜率集中在40%到60%之间，呈现正态分布的特征。
  2. 用户平均投注金额分布：大部分用户的平均投注金额集中在950-1000左右，分布呈现右偏。
  3. 用户总投注次数分布：用户的总投注次数分布较为均匀，在0-600次之间有多个峰值。
  4. 活跃天数与总投注次数/总投注金额的关系：这两个散点图显示，随着活跃天数的增加，总投注次数和总投注金额都会呈现一定的上升趋势，但是并不是严格的线性关系。
  5. 中奖后投注次数的波动性分布：大多数用户的投注次数标准差集中在5-10次之间，峰值在7-8次左右。这表明用户在中奖后的投注行为有一定的变化，但变化程度相对适中。
  6. 中奖后投注金额的波动性分布：绝大多数用户的投注金额标准差非常小，集中在0-2500左右，呈现出极度右偏的分布。这意味着大部分用户在中奖后的投注金额变化不大，但有少数用户可能会有较大的波动。
  7. 不同国家的平均获胜率：展示了平均获胜率排名前五的国家，其中Tokelau（托克劳）最高，约70%，其他国家依次为Bahamas（巴哈马）、Guadeloupe（瓜德罗普）、French Guiana（法属圭亚那）和Gambia（冈比亚）。
  8. 不同国家的平均投注金额：显示了平均投注金额前10的国家，Nigeria（尼日利亚）最高。

6.4博彩用户真的“赢”了吗？

我们都知道赌博是十赌九输，可是通过之前的分析，不难发现，大多数的用户平均获胜率竟然在40%-60%之间，难道网赌真的是一个运气游戏？输钱的都是运气不好吗？博彩用户真的也能靠着运气赚到钱吗？

乍一看，确实发现，真的有人通过博彩收入了8万元，而且随着投注次数和投注金额的增多，获奖的金额也在越来越大，可是真的是这样吗？真的能通过博彩赚到钱吗？接下来，我将引入一个新的特征，净收益，通过获奖的金额减去投入的金额，通过这一特征，再来判断博彩用户真的赢了吗？

看样子，赌博已经不是十赌九输了，而是逢赌必输！在数据中有622个用户，竟然没有一个是正收益的，而且随着投注次数和投注金额的增加，损失的钱也是越来越多的，因此，博彩用户并没有“赢”得这场博彩游戏，千万要远离赌博，赌博是不会有好下场的。

6.5用户价值分析

这里是站在一个正常、非违法的网络平台分析自己的用户情况，在这里也是做一个学习，回顾之前的RFM模型。

RFM模型是一种衡量用户价值和用户为平台创造利益能力的重要工具。通过RFM模型，我们可以在特定时间范围内，通过用户的近期活跃行为、总投注频次和总投注金额这三个指标，全面描述用户的价值状况。

  • R（Recency）：最近一次活跃时间间隔，即用户距离上次投注的时间间隔，通常以天为单位进行衡量。R值越低，表示用户最近一次与平台的互动时间较近，活跃度高；R值越高，表示用户距离上次活跃时间较远，活跃度下降，流失风险较高。

  • F（Frequency）：总投注频次，即用户在一定时间范围内进行投注的累计次数。F值越大，表示用户与平台的互动频繁，忠诚度高，粘性强；反之，F值越小，表示用户投注频率低，互动较少，忠诚度较低。

  • M（Monetary）：总投注金额，即用户在一定时间范围内投注的累计金额。M值越大，表示用户的投注金额高，可能为平台带来更高的收入；反之，M值越小，表示用户投注金额较少，贡献度较低。

根据RFM模型，用户通常被分为以下8类：

  1. 重要价值用户（Champions）：这类用户活跃度高（R值低），投注频次多（F值高），投注金额大（M值高），是平台的核心用户群体，创造了最大的价值。

  2. 重要保持用户（Loyal Customers）：这些用户投注频次高（F值高），投注金额大（M值高），活跃度稍低（R值较高），但仍然是平台的重要客户，保持其活跃度对于平台至关重要。

  3. 重要发展用户（Potential Loyalists）：这些用户投注金额大（M值高），活跃度高（R值低），但投注频次较少（F值较低），具有很大的发展潜力，未来可能成为重要价值用户。

  4. 重要挽留用户（At Risk）：这些用户投注金额大（M值高），但活跃度低（R值高），投注频次也少（F值较低），正面临流失风险，需采取措施进行挽留。

  5. 一般价值用户（Average Customers）：这些用户活跃度高（R值低），投注频次多（F值高），但投注金额较小（M值较低），他们为平台贡献了一定的价值，是平台的中坚力量。

  6. 一般保持用户（Need Attention）：这些用户投注频次高（F值高），投注金额较少（M值较低），且活跃度较低（R值高），需要特别关注，以防止他们流失。

  7. 一般发展用户（New Customers）：这些用户活跃度高（R值低），投注金额较少（M值较低），投注频次也较少（F值较低），他们是刚刚接触平台的潜在客户，值得进一步培养。

  8. 一般挽留用户（Hibernating）：这些用户活跃度低（R值高），投注金额少（M值较低），投注频次也低（F值较低），正处于流失边缘，需要采取措施唤醒他们的活跃度。

划分后用户如下：

Customer_Segment
Champions              170
Hibernating            155
New Customers          146
Loyal Customers        131
Need Attention           8
At Risk                  6
Potential Loyalists      4
Average Customers        2
Name: count, dtype: int64

站在正规的电商平台角度分析：
用户群体呈现出较为明显的两极分化现象。一方面，平台拥有大量的高价值用户（Champions）和忠诚客户（Loyal Customers），这是平台的核心资产；另一方面，也存在相当数量的休眠用户（Hibernating）和新客户（New Customers），这些用户群体蕴含着巨大的潜力，中间价值段的用户相对较少，这表明平台在用户价值提升方面还有很大的改进空间。

针对各类用户的策略建议：

1. Champions（170位）

  • 实施VIP会员计划，提供专属优惠和服务
  • 邀请参与新产品测试和反馈
  • 开展会员专属活动，增强其与平台的情感联系
  • 鼓励他们成为品牌大使，通过口碑营销吸引新用户

2. Loyal Customers（131位）

  • 发送个性化的感谢信息，表达对其长期支持的感激
  • 提供定制化的产品推荐，基于其历史购买行为
  • 设计针对性的促销活动，鼓励更频繁的购买
  • 收集反馈，了解他们的需求和建议，不断改善服务

3. New Customers（146位）

  • 发送欢迎礼包，包含平台使用指南和初次购买优惠
  • 提供新手教程，帮助他们熟悉平台功能
  • 设计阶梯式奖励计划，鼓励持续购买
  • 定期跟进，收集使用体验反馈，及时解决可能遇到的问题

4. Hibernating（155位）

  • 发送"我们想念你"的个性化信息
  • 提供特别的"回归"优惠，吸引他们重新开始购物
  • 调查其不活跃的原因，针对性地改进服务
  • 推送最新的产品信息和平台更新，唤起其兴趣

5. 其他群体（Need Attention、At Risk、Potential Loyalists和Average Customers）

  • 进行深入的用户调研，了解其需求和痛点
  • 提供个性化的产品推荐和优惠
  • 设计针对性的用户体验改善计划
  • 密切监控这些用户的行为变化，及时调整策略

6.6用户留存率分析

这里设定时间阈值为30天，如果用户最近距离上次投注的天数超过30天，那么就算流失了。

用户留存率: 76.69%

基于对流失用户和未流失用户的数据对比分析，我们得出以下结论：

  1. 获胜概率：

    • 未流失用户的平均获胜概率为42.70%，略高于流失用户的41.56%。
    • 这表明获胜体验可能对用户留存有轻微正面影响，但差异不大。

  2. 活跃度：

    • 流失用户的平均活跃天数（230.03天）略高于未流失用户（228.15天）。
    • 这一反直觉的结果可能表明，活跃时间长不一定能确保用户留存。

  3. 投注行为：

    • 未流失用户的总投注次数（283.84次）和总投注金额（722,273.42）均高于流失用户（272.17次和700,107.30）。
    • 这表明更频繁和更高额的投注可能与用户留存有正相关关系。

  4. 收益情况：

    • 未流失用户的总奖金收入（40,469.25）高于流失用户（39,003.83）。
    • 然而，两组用户都呈现净亏损状态，未流失用户的净亏损（-681,804.17）甚至略高于流失用户（-661,103.48）。

  5. 关键洞察：

    • 用户留存似乎与更高的投注频率和金额相关，而不是与更好的财务结果相关。
    • 获胜概率的微小差异可能影响用户体验和留存意愿。
    • 长期活跃并不能保证用户不流失，可能需要关注其他因素如用户体验、奖励机制等。

7.再次获得奖金的影响因素分析

7.1斯皮尔曼相关分析

  1. 获胜率越高，用户越有可能再次获得奖金。

  2. 平均投注金额与获得奖金的可能性呈较强的负相关，意味着小额频繁投注的用户更可能获得奖金。

  3. 总投注金额、已获得的奖金次数和金额，以及奖金带来的收入和投注增加，都与再次获得奖金的可能性呈负相关。

  4. 用户的活跃度（最近投注时间、活跃天数）与获得奖金的可能性有弱正相关。

  5. 年龄和收入水平对是否应该获得奖金几乎没有影响。

7.2卡方检验

通过卡方检验发现：姓名（不同的用户）、性别、博彩用户所在的国家对再次获得奖金的影响不显著。

8.随机森林

8.1数据预处理

这里先剔除斯皮尔曼相关性分析和卡方检验中不显著的因素，然后检查目标变量，查看样本是否平衡，如果不平衡就需要使用SMOTE去平衡样本。

检查样本平衡性:

Should_Receive_Bonus
1    3593
0    1407
Name: count, dtype: int64

样本不平衡使用SMOTE去平衡样本。

8.2建立模型

随机森林模型评估结果

8.3重要度分析

该随机森林模型在预测博彩用户是否应再次获得奖金方面表现出色，可以被认为是一个可靠的决策工具，其中获胜率是最重要的预测因素，其次是平均投注金额。

9.结论与警示

9.1结论

本项目通过构建新数据集，以个体博彩用户为研究对象，深入剖析了用户特征、价值评估和留存情况，运用斯皮尔曼相关性分析和卡方检验，探究了影响用户再次获得奖金的关键因素。基于这些发现，构建了随机森林模型，不仅预测用户再次获得奖金的可能性，还量化了各因素的影响力。以下是主要发现和洞察：

  1. 用户人口统计特征

    • 样本包含622名博彩用户，年龄分布呈现中年主导趋势，50岁左右用户占比最高。
    • 用户来自223个不同国家或地区，其中德国、南桑威奇群岛和科摩罗的用户数量并列最多（各7名）。

  2. 投注行为分析

    • 用户平均获胜率呈正态分布，集中在40%-60%区间。
    • 平均投注金额分布右偏，主要集中在950-1000单位。
    • 活跃度与投注行为呈正相关，但非严格线性关系。

  3. 盈利状况分析

    • 所有用户均呈现负收益状态。
    • 投注频次和金额与损失程度呈正相关。

  4. 用户价值分层

    • 用户群体呈现明显的两极分化：
      • 高价值用户（Champions）和忠诚客户（Loyal Customers）构成平台核心资产。
      • 大量休眠用户（Hibernating）和新客户（New Customers）蕴含巨大潜力。
    • 中间价值段用户相对较少，揭示了用户价值提升的巨大空间。

  5. 用户留存分析

    • 留存率达76.69%，表现优秀。
    • 高频高额投注用户倾向于保持较高留存率。
    • 财务结果与留存率无显著相关性。
    • 长期活跃不等同于高留存，提示需关注用户体验和奖励机制等其他因素。

  6. 奖金获取影响因素

    • 获胜率与再次获得奖金呈强正相关。
    • 小额高频投注用户更易获得奖金。
    • 总投注金额、已获奖金次数和金额与再次获奖呈负相关。
    • 用户活跃度与获奖可能性呈弱正相关。
    • 人口统计特征（年龄、收入、性别、国籍等）对获奖影响不显著。

  7. 预测模型洞察

    • 随机森林模型在预测用户再次获奖方面表现卓越，可作为可靠决策工具。
    • 获胜率和平均投注金额是最关键的预测因素。

9.2警示

尽管本研究揭示了博彩行业的诸多内部机制和用户行为模式，但最重要的发现是：博彩活动从长远来看对参与者造成的损失远大于收益。数据清晰地表明，没有用户能够长期保持正收益，投注越多，损失越大。

因此，本研究的核心结论是：远离赌博，保护自己的财务健康和心理健康。在博彩业，唯一的赢家是平台本身。

这篇关于[引人深思]博彩用户真的赢了吗？——多维度揭示赌博危害的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1128736。

相关文章

【Kubernetes】K8s 的安全框架和用户认证

【Kubernetes】K8s 的安全框架和用户认证

K8s 的安全框架和用户认证 1.Kubernetes 的安全框架1.1 认证：Authentication1.2 鉴权：Authorization1.3 准入控制：Admission Control 2.Kubernetes 的用户认证2.1 Kubernetes 的用户认证方式2.2 配置 Kubernetes 集群使用密码认证 Kubernetes 作为一个分布式的虚拟
阅读更多...
为什么现在很多人愿意选择做债务重组？债重组真的就这么好吗？

为什么现在很多人愿意选择做债务重组？债重组真的就这么好吗？

债务重组，起初作为面向优质企业客户的定制化大额融资策略，以其高效周期著称，一个月便显成效。然而，随着时代的车轮滚滚向前，它已悄然转变为负债累累、深陷网贷泥潭者的救赎之道。在此路径下，个人可先借助专业机构暂代月供，经一段时间养护征信之后，转向银行获取低成本贷款，用以替换高昂网贷，实现利息减负与成本优化的双重目标。 尽管债务重组的代价不菲，远超传统贷款成本，但其吸引力依旧强劲，背后逻辑深刻。其一
阅读更多...
vue2实践：el-table实现由用户自己控制行数的动态表格

vue2实践：el-table实现由用户自己控制行数的动态表格

需求 项目中需要提供一个动态表单，如图： 当我点击添加时，便添加一行；点击右边的删除时，便删除这一行。 至少要有一行数据，但是没有上限。 思路 这种每一行的数据固定，但是不定行数的，很容易想到使用el-table来实现，它可以循环读取:data所绑定的数组，来生成行数据，不同的是： 1、table里面的每一个cell，需要放置一个input来支持用户编辑。 2、最后一列放置两个b
阅读更多...
黑客为什么不黑赌博网站来搞米？

黑客为什么不黑赌博网站来搞米？

攻击了，只是你不知道而已！ 同样，对方也不会通知你，告诉你他黑了赌博网站。 攻击赌博网站的不一定是正义的黑客，也可能是因赌博输钱而误入歧途的法外狂徒。之前看过一个警方破获的真实案件：28岁小伙因赌博无法提款自学成为黑客，攻击境外博彩网站日进万元，最终因涉嫌非法控制计算机信息系统罪被捕。 我见过很多因赌博输钱想请黑客帮忙渗透网站的人，在被拒后，同样也有人生出极端心理，问我怎么学习黑客，想学成之
阅读更多...
家庭和学生用户笔记本电脑配置方案

家庭和学生用户笔记本电脑配置方案

2.6.1  家庭和学生用户笔记本电脑配置方案 　　2.6.1  家庭和学生用户笔记本电脑配置方案 　　普通家庭用户、学生用户主要用于上网、娱乐、学习等，这类用户要求笔记本电脑的各方面 功能比较均衡。在选购此类笔记本电脑时，主要考虑外观设计方面要比较时尚，而且性能上也要 够强，一些大型复杂的软件以及目前的主流游戏都要能够流畅地运行才行。 　　对于CPU方面，可以考虑目前主流的第二
阅读更多...
Ubuntu ftp搭建--配置不同用户不同权限

Ubuntu ftp搭建--配置不同用户不同权限

一、安装VSFTP sudo apt-get install vsftpd 二、添加FTP用户 sudo mkdir /etc/vsftpdsudo useradd -m -d /home/vsftpd vsftpd --用户名为vsftpd，目录和用户名可以自己更改sudo vi /etc/vsftpd/ftpuser.txt --这个到时与vsftp的配置文件对应建立一
阅读更多...
Android--第二天（项目安装启动，电话拨号器，用户通知，短信发送器，数据存储与访问）

Android--第二天（项目安装启动，电话拨号器，用户通知，短信发送器，数据存储与访问）

注：如果文件被保存到SDCard中，可以被任何应用读和写！
阅读更多...
利用PL/SQL工具如何给指定用户分配权限

利用PL/SQL工具如何给指定用户分配权限

选中指定的表--右键--编辑--就出现右边的内容了，选择权限，分配用户某个权限就行了；
阅读更多...
配置JAVA环境的时候，环境变量中administrator的用户变量和系统变量的区别？

配置JAVA环境的时候，环境变量中administrator的用户变量和系统变量的区别？

迁移项目到新的服务器上： 需要Java运行环境时，经常要配置环境变量，如图所示 这里有administrator的用户变量(U)，和系统变量（S）， 那么，它们之间有什么区别呢？ 简单的说，一个是当前用户使用，你用其它用户登陆，这个环境变量就不起作用了。 系统变量，是对所有用户都可使用的。 简单的说： 系统变量：不管以哪个用户名登陆到计算机都能使
阅读更多...
mysql用户管理 存储过程

mysql用户管理 存储过程

1. 查看MySql的当前用户名 select user(); status;看看一下当前的一些状态 2.MYSQL中所有的用户名和其信息 mysql数据库的user表 3. grant 权限 on 应用范围(数据库表，方法等) to 用户(用＠隔开，前面是用户名后面是主机名’ 用户名’＠’主机名’) identified by 密码 require 要求什么的 with 对用
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2