阿里彩票

分析样本数据

读取程序包

1 介绍

今天尝试分析小组样本数据，分析总添加、总注册、总首冲、总投注、总流水、总充值、总盈利、净投注、总体留存率、人均充值能产生多少负盈利。

2 数据

读取样本数据。

## 读取数据
smp <- suppressAll(read_excel('巅峰9月各组每日报表.xlsx') %>% tbl_df)
names(smp) <- smp[1,]; smp %<>% .[-1,]
# 总盈利, 总添加, 总注册, 总首冲, 总投注, 总流水, 总充值
# names(smp) <- c('Date', 'PL', 'Add', 'RG', 'FD', 'TB', 'TO', 'TD')
smp %<>% mutate_if(is.character, as.numeric)
smp$日期 %<>% as.numeric %>% as.Date()

smp %>% datatable(
    caption = "样本数据", 
    escape = FALSE, filter = 'top', rownames = FALSE, 
    extensions = list('ColReorder' = NULL, 'RowReorder' = NULL, 
                      'Buttons' = NULL, 'Responsive' = NULL), 
    options = list(dom = 'BRrltpi', autoWidth = TRUE,  scrollX = TRUE, 
                   lengthMenu = list(c(10, 50, 100, -1), c('10', '50', '100', 'All')), 
                   ColReorder = TRUE, rowReorder = TRUE, 
                   buttons = list('copy', 'print', 
                                  list(extend = 'collection', 
                                       buttons = c('csv', 'excel', 'pdf'), 
                                       text = 'Download'), I('colvis'))))

3 线性模型

统计建模，以下乃使用线性模型分析。

## 模型比较
m1 <- lm(总盈利 ~ 总添加 + 总注册 + 总首冲 + 总投注 + 总流水 + 总充值, data = smp)
m2 <- lm(总盈利 ~ 总添加 + 总注册 + 总首冲 + 总投注 + 总流水, data = smp)
m3 <- lm(总盈利 ~ 总添加 + 总注册 + 总首冲 + 总投注, data = smp)
m4 <- lm(总盈利 ~ 总添加 + 总注册 + 总首冲, data = smp)

m <- list(m1 = m1, m2 = m2, m3 = m3, m4 = m4)
rm(m1, m2, m3, m4)

4 移动模型

4.1 测试14天移动数据

## 转换数据类型
nm <- c('Date', 'PL', 'Add', 'RG', 'FD', 'TB', 'TO', 'TD', 'NB', 'NBR', 'AD')
names(smp) <- nm

smp %<>% na.omit
datt <- llply(smp[,-1], function(x) {
  x %<>% xts(order.by = smp$Date)
  x
})

## 样本数据 14天
dbt <- smp$Date[14:length(smp$Date)]
datt <- suppressMessages(llply(dbt, function(x) {
  dbtt <- smp$Date[smp$Date <= x]
  dbtt <- dbtt[(length(dbtt) - 14):length(dbtt)]
  z <- llply(datt, function(y) {
    y <- y[index(y) %in% dbtt]
    xx <- auto.arima(y, D=1)
    fst <- forecast(xx, h=1) %>% 
      tbl_df %>% select('Point Forecast') %>% 
      rename(`FP` = `Point Forecast`)
    names(y) %<>% str_extract_all('[A-Z]{1,}')
    y <- y[nrow(y)]
    zz <- data.frame(Date = index(y), y, fst) %>% tbl_df
    zz
  }) %>% bind_cols
}) %>% bind_rows)

datt %<>% select(-Date...4, -Date...7, -Date...10, -Date...13, 
                 -Date...16, -Date...19, -Date...22, 
                 -Date...25, -Date...28)
datt %<>% mutate(
  FP...3 = c(NA, FP...3[-length(FP...3)]), 
  FP...6 = c(NA, FP...6[-length(FP...6)]), 
  FP...9 = c(NA, FP...9[-length(FP...9)]), 
  FP...12 = c(NA, FP...12[-length(FP...12)]), 
  FP...15 = c(NA, FP...15[-length(FP...15)]), 
  FP...18 = c(NA, FP...18[-length(FP...18)]), 
  FP...21 = c(NA, FP...21[-length(FP...21)]), 
  FP...24 = c(NA, FP...24[-length(FP...24)]), 
  FP...27 = c(NA, FP...27[-length(FP...27)]), 
  FP...30 = c(NA, FP...30[-length(FP...30)]))

names(datt) <- c('日期',  '总添加',  '预测总添加',    
   '总注册',   '预测总注册',    '总首冲',  '预测总首冲',    
   '总投注',   '预测总投注',    '总流水',  '预测总流水',    
   '总充值',   '预测总充值',    '总盈利',  '预测总盈利',    
   '净投注',   '预测净投注',    '总体留存率',    '预测总体留存率',  
   '人均充值', '预测人均充值')

4.1.1 绘图

## 绘图

## 预测总添加 - 总添加
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总添加, colour = 总添加)) + 
  geom_line(aes(y = 预测总添加, colour = 预测总添加))

上图显示预测总添加。

## 预测总注册 - 总注册
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总注册, colour = 总注册)) + 
  geom_line(aes(y = 预测总注册, colour = 预测总注册))

上图显示预测总注册。

## 预测总投注 - 总投注
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总投注, colour = 总投注)) + 
  geom_line(aes(y = 预测总投注, colour = 预测总投注))

上图显示预测总投注。

## 预测总流水 - 总流水
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总流水, colour = 总流水)) + 
  geom_line(aes(y = 预测总流水, colour = 预测总流水))

上图显示预测总流水。

## 预测总充值 - 总充值
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总充值, colour = 总充值)) + 
  geom_line(aes(y = 预测总充值, colour = 预测总充值))

上图显示预测总充值。

## 预测总盈利 - 总盈利
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总盈利, colour = 总盈利)) + 
  geom_line(aes(y = 预测总盈利, colour = 预测总盈利))

上图显示预测总盈利。

## 预测净投注 - 净投注
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 净投注, colour = 净投注)) + 
  geom_line(aes(y = 预测净投注, colour = 预测净投注))

上图显示预测总投注。

## 预测总体留存率 - 总体留存率
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总体留存率, colour = 总体留存率)) + 
  geom_line(aes(y = 预测总体留存率, colour = 预测总体留存率))

上图显示预测总体留存率。

## 预测人均充值 - 人均充值
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 人均充值, colour = 人均充值)) + 
  geom_line(aes(y = 预测人均充值, colour = 预测人均充值))

上图显示预测总人均充值。

4.1.2 比较预测值精准度

datt %>% na.omit %>% 
  kable(caption = '预测样本数据') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>%
  scroll_box(width = '100%', height = '400px')

预测样本数据

日期	总添加	预测总添加	总注册	预测总注册	总首冲	预测总首冲	总投注	预测总投注	总流水	预测总流水	总充值	预测总充值	总盈利	预测总盈利	净投注	预测净投注	总体留存率	预测总体留存率	人均充值	预测人均充值
2089-09-17	203	55.00000	28	15.00000	8	10.357143	88	94.00000	506664.8	1141472.5	188332.0	199385.0	58012.271	0.00	80	91.92857	0.8988764	1.0025539	2140.137	1942.818
2089-09-18	92	96.46667	4	23.06667	1	10.200000	82	88.00000	1477664.9	506664.8	374031.9	198648.1	19038.691	0.00	81	80.00000	1.0125000	1.0456473	4561.364	1955.973
2089-09-19	62	94.80000	12	21.40000	6	9.533333	83	82.00000	1550778.7	1134706.9	597331.4	214974.6	-499158.788	0.00	77	81.00000	0.9506173	1.0237882	7196.764	2176.481
2089-09-20	82	92.00000	18	12.00000	5	6.000000	87	83.00000	1330000.4	1426552.0	364455.2	509692.8	-165157.558	0.00	82	77.00000	1.0649351	1.0077900	4189.140	6491.868
2089-09-21	65	89.26667	8	18.00000	4	5.585947	73	87.00000	2637068.0	1120265.8	163532.8	235576.6	-106618.859	0.00	69	82.00000	0.8414634	0.9546557	2240.175	4189.140
2089-09-22	82	85.40000	12	8.00000	2	4.578590	84	73.00000	845499.8	1167782.3	266267.6	206989.6	-43212.345	0.00	82	76.68894	1.1884058	1.0835829	3169.852	2240.175
2089-09-23	97	85.86667	19	12.00000	2	3.153674	90	77.60061	911820.5	1099202.5	227593.4	266267.6	29147.450	0.00	88	72.20317	1.0731707	0.8215982	2528.815	3169.852
2089-09-24	43	85.80000	7	19.00000	1	2.000000	83	90.00000	976782.7	1128095.8	271163.2	206364.1	33172.268	0.00	82	88.00000	0.9318182	0.9660779	3267.027	2528.815
2089-09-25	92	81.06667	15	7.00000	6	1.628866	96	83.00000	8478958.1	1133604.2	845145.7	288795.4	-243203.149	0.00	90	82.00000	1.0975610	1.0364273	8803.601	3267.027
2089-09-26	87	78.80000	18	15.26667	2	6.000000	82	96.00000	4572938.6	1607411.0	365247.2	727815.6	-117649.620	0.00	80	90.00000	0.8888889	0.9451879	4454.234	8803.601
2089-09-27	109	79.33333	36	15.26667	12	2.000000	97	90.84476	686588.4	4572938.6	168330.2	303634.5	-50915.927	-65980.70	85	83.66667	1.0625000	1.0635355	1735.363	4454.234
2089-09-28	95	80.00000	23	15.46667	12	4.600000	94	88.06667	709611.6	1769661.1	129565.2	305841.3	11370.543	-69141.30	82	83.46667	0.9647059	0.9636127	1378.354	3491.508
2089-09-29	106	82.13333	24	15.60000	17	4.933333	104	87.86667	736470.6	1777886.5	218502.6	301986.2	-27935.516	-69625.89	87	82.93333	1.0609756	1.0184705	2100.987	3454.606
2089-09-30	117	87.26667	34	16.53333	15	17.000000	103	88.20000	1006654.2	1784643.4	209020.7	304431.1	-6360.269	-71043.47	88	82.40000	1.0114943	0.9620748	2029.327	3472.229
2089-10-01	71	92.46667	16	34.00000	11	15.000000	108	103.58323	800156.6	1813158.1	185517.8	304830.1	-59104.303	-72662.31	97	82.80000	1.1022727	1.0041354	1717.757	3450.124

## MSE 比较预测值精准度
mse <- datt %>% na.omit %>% 
    mutate(
      均方误差.总添加 = mean((预测总添加 - 总添加)^2),
      均方误差.总注册 = mean((预测总注册 - 总注册)^2),
      均方误差.总投注 = mean((预测总投注 - 总投注)^2),
      均方误差.总流水 = mean((预测总流水 - 总流水)^2),
      均方误差.总充值 = mean((预测总充值 - 总充值)^2),
      均方误差.总盈利 = mean((预测总盈利 - 总盈利)^2),
      均方误差.净投注 = mean((预测净投注 - 净投注)^2),
      均方误差.总体留存率 = mean((预测总体留存率 - 总体留存率)^2),
      均方误差.人均充值 = mean((预测人均充值 - 人均充值)^2))

mse1 <- mse %>% 
  select(均方误差.总添加, 均方误差.总注册, 均方误差.总投注, 
         均方误差.总流水, 均方误差.总充值, 均方误差.总盈利, 
         均方误差.净投注, 均方误差.总体留存率, 均方误差.人均充值) %>% 
  unique

suppressAll(mse1 %>% 
  kable(booktabs = T) %>%
  kable_styling())

4.2 测试21天移动数据

## 转换数据类型
nm <- c('Date', 'PL', 'Add', 'RG', 'FD', 'TB', 'TO', 'TD', 'NB', 'NBR', 'AD')
names(smp) <- nm

smp %<>% na.omit
datt <- llply(smp[,-1], function(x) {
  x %<>% xts(order.by = smp$Date)
  x
})

## 样本数据 21天
dbt <- smp$Date[21:length(smp$Date)]
datt <- suppressMessages(llply(dbt, function(x) {
  dbtt <- smp$Date[smp$Date <= x]
  dbtt <- dbtt[(length(dbtt) - 21):length(dbtt)]
  z <- llply(datt, function(y) {
    y <- y[index(y) %in% dbtt]
    xx <- auto.arima(y, D=1)
    fst <- forecast(xx, h=1) %>% 
      tbl_df %>% select('Point Forecast') %>% 
      rename(`FP` = `Point Forecast`)
    names(y) %<>% str_extract_all('[A-Z]{1,}')
    y <- y[nrow(y)]
    zz <- data.frame(Date = index(y), y, fst) %>% tbl_df
    zz
  }) %>% bind_cols
}) %>% bind_rows)


datt %<>% select(-Date...4, -Date...7, -Date...10, -Date...13, 
                 -Date...16, -Date...19, -Date...22, 
                 -Date...25, -Date...28)
datt %<>% mutate(
  FP...3 = c(NA, FP...3[-length(FP...3)]), 
  FP...6 = c(NA, FP...6[-length(FP...6)]), 
  FP...9 = c(NA, FP...9[-length(FP...9)]), 
  FP...12 = c(NA, FP...12[-length(FP...12)]), 
  FP...15 = c(NA, FP...15[-length(FP...15)]), 
  FP...18 = c(NA, FP...18[-length(FP...18)]), 
  FP...21 = c(NA, FP...21[-length(FP...21)]), 
  FP...24 = c(NA, FP...24[-length(FP...24)]), 
  FP...27 = c(NA, FP...27[-length(FP...27)]), 
  FP...30 = c(NA, FP...30[-length(FP...30)]))

names(datt) <- c('日期',  '总添加',  '预测总添加',    
   '总注册',   '预测总注册',    '总首冲',  '预测总首冲',    
   '总投注',   '预测总投注',    '总流水',  '预测总流水',    
   '总充值',   '预测总充值',    '总盈利',  '预测总盈利',    
   '净投注',   '预测净投注',    '总体留存率',    '预测总体留存率',  
   '人均充值', '预测人均充值')

4.2.1 绘图

## 绘图

## 预测总添加 - 总添加
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总添加, colour = 总添加)) + 
  geom_line(aes(y = 预测总添加, colour = 预测总添加))

上图显示预测总添加。

## 预测总注册 - 总注册
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总注册, colour = 总注册)) + 
  geom_line(aes(y = 预测总注册, colour = 预测总注册))

上图显示预测总注册。

## 预测总投注 - 总投注
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总投注, colour = 总投注)) + 
  geom_line(aes(y = 预测总投注, colour = 预测总投注))

上图显示预测总投注。

## 预测总流水 - 总流水
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总流水, colour = 总流水)) + 
  geom_line(aes(y = 预测总流水, colour = 预测总流水))

上图显示预测总流水。

## 预测总充值 - 总充值
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总充值, colour = 总充值)) + 
  geom_line(aes(y = 预测总充值, colour = 预测总充值))

上图显示预测总充值。

## 预测总盈利 - 总盈利
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总盈利, colour = 总盈利)) + 
  geom_line(aes(y = 预测总盈利, colour = 预测总盈利))

上图显示预测总盈利。

## 预测净投注 - 净投注
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 净投注, colour = 净投注)) + 
  geom_line(aes(y = 预测净投注, colour = 预测净投注))

上图显示预测总投注。

## 预测总体留存率 - 总体留存率
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 总体留存率, colour = 总体留存率)) + 
  geom_line(aes(y = 预测总体留存率, colour = 预测总体留存率))

上图显示预测总体留存率。

## 预测人均充值 - 人均充值
datt %>% ggplot(aes(日期)) + 
  geom_line(aes(y = 人均充值, colour = 人均充值)) + 
  geom_line(aes(y = 预测人均充值, colour = 预测人均充值))

上图显示预测总人均充值。

4.2.2 比较预测值精准度

datt %>% na.omit %>% 
  kable(caption = '预测样本数据') %>% 
  kable_styling(bootstrap_options = c('striped', 'hover', 'condensed', 'responsive')) %>%
  scroll_box(width = '100%', height = '400px')

预测样本数据

日期	总添加	预测总添加	总注册	预测总注册	总首冲	预测总首冲	总投注	预测总投注	总流水	预测总流水	总充值	预测总充值	总盈利	预测总盈利	净投注	预测净投注	总体留存率	预测总体留存率	人均充值	预测人均充值
2089-09-24	43	91.76190	7	14.69503	1	3.463921	83	90.00000	976782.7	1201910	271163.2	213706.0	33172.268	0.00	82	88.00000	0.9318182	0.9699149	3267.027	2294.943
2089-09-25	92	89.54545	15	13.00665	6	2.647273	96	83.00000	8478958.1	1191677	845145.7	265643.7	-243203.149	0.00	90	82.25490	1.0975610	1.0319803	8803.601	3080.178
2089-09-26	87	88.40909	18	14.89499	2	3.717680	82	89.63978	4572938.6	1534160	365247.2	595537.2	-117649.620	-44838.55	80	85.74896	0.8888889	0.9306770	4454.234	8803.601
2089-09-27	109	87.63636	36	18.00000	12	3.060378	97	89.52249	686588.4	1701387	168330.2	279624.8	-50915.927	-49776.11	85	83.20221	1.0625000	1.0125143	1735.363	4454.234
2089-09-28	95	87.00000	23	18.72727	12	5.630570	94	88.06842	709611.6	1632438	129565.2	274299.7	11370.543	-53949.28	82	83.95937	0.9647059	0.9717552	1378.354	2736.780
2089-09-29	106	85.72727	24	18.81818	17	7.000000	104	95.76009	736470.6	1577224	218502.6	265803.7	-27935.516	-51606.97	87	83.15018	1.0609756	1.0007926	2100.987	2243.071
2089-09-30	117	87.13636	34	18.81818	15	11.844767	103	96.54139	1006654.2	1274437	209020.7	261435.2	-6360.269	-46116.01	88	83.93456	1.0114943	0.9615992	2029.327	2825.774
2089-10-01	71	88.00000	16	19.27273	11	14.624416	108	102.10211	800156.6	1425118	185517.8	240946.1	-59104.303	-45725.08	97	85.00000	1.1022727	0.9981803	1717.757	2449.080

## MSE 比较预测值精准度
mse <- datt %>% na.omit %>% 
    mutate(均方误差.总添加 = mean((预测总添加 - 总添加)^2),
           均方误差.总注册 = mean((预测总注册 - 总注册)^2),
           均方误差.总投注 = mean((预测总投注 - 总投注)^2),
           均方误差.总流水 = mean((预测总流水 - 总流水)^2),
           均方误差.总充值 = mean((预测总充值 - 总充值)^2),
           均方误差.总盈利 = mean((预测总盈利 - 总盈利)^2),
           均方误差.净投注 = mean((预测净投注 - 净投注)^2),
           均方误差.总体留存率 = mean((预测总体留存率 - 总体留存率)^2),
           均方误差.人均充值 = mean((预测人均充值 - 人均充值)^2))

mse2 <- mse %>% 
    select(均方误差.总添加, 均方误差.总注册, 均方误差.总投注, 
           均方误差.总流水, 均方误差.总充值, 均方误差.总盈利, 
           均方误差.净投注, 均方误差.总体留存率, 均方误差.人均充值) %>% 
    unique

suppressWarnings(mse2 %>% 
  kable(booktabs = T) %>%
  kable_styling())

均方误差.总添加	均方误差.总注册	均方误差.总投注	均方误差.总流水	均方误差.总充值	均方误差.总盈利	均方误差.净投注	均方误差.总体留存率	均方误差.人均充值
562.2449	85.39173	63.98223	8.179988e+12	54193611440	9017182777	38.93216	0.0033742	7880805

5 结论

5.1 筛选最优线性模型

筛选最优线性模型。

aic <- suppressAll(llply(1:length(m), function(i) {
  y <- data.frame(paste0('m', i), t(data.frame(extractAIC(m[[i]]))))
  names(y) <- (c('模型', '自由度', 'aic'))
  y
}) %>% bind_rows)
rownames(aic) <- NULL

## 筛选最佳模型
aic %>% 
  kable(booktabs = T) %>%
  kable_styling() %>%
  row_spec(aic$aic %>% which.min, bold = T, color = "white", background = 'goldenrod')

模型	自由度	aic
m1	7	701.2393
m2	6	721.8039
m3	5	727.6240
m4	4	728.3531

以上m1是最优模型。

suppressWarnings(m[[aic %>% .$aic %>% which.min]] %>% 
  tidy %>% 
  kable(booktabs = T) %>%
  kable_styling())

term	estimate	std.error	statistic	p.value
(Intercept)	-87.4507951	1.421649e+04	-0.0061514	0.9951428
总添加	937.2357608	5.451162e+02	1.7193320	0.0984274
总注册	-3552.5306574	3.246068e+03	-1.0944103	0.2846376
总首冲	-1666.8565917	4.129018e+03	-0.4036932	0.6900128
总投注	1280.8151268	5.397134e+02	2.3731395	0.0259909
总流水	0.0252307	1.466290e-02	1.7207116	0.0981726
总充值	-0.7930163	1.564377e-01	-5.0692139	0.0000349

阐述最佳模型。

• 截距(Intercept)=是在没有任何变量的默认下的负盈利，负盈利为-87.4507951。
  • 总添加=每添加一个总添加，即可产生937.2357608负盈利。
  • 总注册=每添加一个总注册，即可产生-3552.5306574负盈利。
  • 总首冲=每添加一个总首冲，即可产生-1666.8565917负盈利。
  • 总投注=每添加一个总投注，即可产生1280.8151268负盈利。
  • 总流水=每添加一个总流水，即可产生0.0252307负盈利。
  • 总充值=每添加一个总充值，即可产生-0.7930163负盈利。
  • 总添加+总注册，即可产生937.2357608+-3552.5306574=-2615.2948966负盈利，以此类推。

5.2 筛选最优移动模型

筛选最优移动模型。

mse3 <- data.frame('数据量大小' = c('14天', '21天'), rbind(mse1, mse2))
mse3 <- data.frame(mse3, '总体均方误差' = rowMeans(mse3[-1]))

mse3 %>% 
  kable(booktabs = T) %>% 
  kable_styling()

数据量大小	均方误差.总添加	均方误差.总注册	均方误差.总投注	均方误差.总流水	均方误差.总充值	均方误差.总盈利	均方误差.净投注	均方误差.总体留存率	均方误差.人均充值	总体均方误差
14天	1924.1606	148.24237	103.04457	5.712187e+12	48882747397	25410226904	72.30030	0.0086346	7419674	642943080673
21天	562.2449	85.39173	63.98223	8.179988e+12	54193611440	9017182777	38.93216	0.0033742	7880805	915911813317

根据以上均方误差比较，21天数据会比14天数据来得精准。此报表只是个样本数据。

5.3 总结论

• 需要预测公司整体三个月、半年、一年报表数据。
• 分析好公司报表后，
  • 还需要分析彩种、赔率、流水、充值、负盈利数据。
  • 还需要分析进粉成本、租金等等其他成本，负盈利数据。

5.4 平台

中博手游 https://zbcp.yayaread.cn/#/home

1. 已有系统优势：

• 产品多、优惠多…
  • 主打产品置放在显眼的位置，还有走势图方便玩家参考。
  • 热门彩种列在左手边，方便玩家们选择。
  • 开奖通告、资讯中心、最新中奖榜都在主页，方便玩家一览即可。
  • 区分高频与低频彩种等等产品…

2. 额外系统提升（人工智能化）：

• 如果会员可以在登录时，根据自己的等级，自动弹出个等级级别，还需要多少流水或充值量才能晋级，刺激玩家充值来玩晋级，刺激消费。
  • 如果玩家或代理盈亏到一定的（后台可以自己设置），就会弹出开发代理的流水返点，然后在图表旁边有教程视频或图，方便玩家操作，刺激消费。
  • 依据每个玩家平时玩什么彩种，然后自动推荐相关彩种，刺激消费。
  • 存取款旁也有教程视频或者图。
  • 赔率跳动风险管理设置。
  • 打开网站5秒未点击任何按钮，就会自动转到注册页面。
  • 自动出现默认邀请码，那么就不会空有流量却没有注册人数。（设置个小组专门负责这些会员，额外提升公司业绩）
  • 注册页面需要填写微信、QQ和邮箱，那么有优惠活动时可以通知会员。（回访提升公司业绩）
  • 注册页面和首次要充值的页面，左右两边会出现首充优惠、晋级奖励和每日嘉奖优惠。
  • 已注册尚未首充，一登录账户，就会弹出充值页面，左右两边会出现首充优惠、晋级奖励和每日嘉奖优惠。
  • 已充值过的会员，一到充值页面，左右两边会出现转卡优惠（根据周一至周五，周六周日的优惠而自动分辨）、晋级奖励和每日嘉奖优惠。
  • 系统自动检测每个会员的盈亏是否达到指定的百分比（比方说赢了60％或亏了40％，可以设置每周或每月），然后会弹出信息提示。可以设置总充值低于多少的话，就不会弹出提示。（自动根据各别会员的盈亏，自动产生不同的盈利图，和宏图，刺激消费）
  • 如果亏超过40％的会员，一登录账户就会弹出要不要接受亏损金。（如果亏超过40％的会员，也会自动收到邮件、微信、QQ通知，要不要来网站领取亏损金）。
  • 如果赢超过60％，系统自动弹出提示，那么方便我们进一步处理。（包括查看玩什么彩种和几倍流水，卡款等等措施）
  • 如果赢超过60％的会员，只要金额都不大（可以设置多少金额）的话，就会收到微信、QQ、邮件建议激活邀请码当代理，然后内容引导怎么操作和利润（难保他会开发到大会员）。
  • 一揽子产品推荐，就是会员投注后尚未开奖，系统系统弹出其它相关产品（根据大数据分析），刺激消费。
  • 风险管理，以足彩为例子，就是一开奖后，赔率就会自动调低，然后目前的最大投注额是100万（可以随着投注金额的大小自动变动最大投注额，或者累计投注额到了60%就会自动调动），可以根据累计投注额，设置赔率调动。
  • 开发下级：添加个上载图片视频的功能，比方说单带多少的赚多少、介绍平台、首充优惠、转卡优惠等等图片视频。
  • 体验金，智能弹出开发代理视窗，可以直接激活邀请码，并且可以输入所有朋友的QQ或微信号，然后系统提供开发下级教程、优惠等等图和视频，直接群发。
  • 吃喝嫖赌都是传统行业，可以尝试和彩票杂志、烟酒、网贷或银行贷款、情色合作，添加个额外服务（凡是顾客买杂志、烟酒或嫖妓，那些商家可以成为我们代理，然后直接通过手机提供应用下载或二维码和邀请码开发下级，并且推销优惠活动和教导如何注册充值。亏钱的会员可以自行通过网贷刺激消费，只是法律上的需要考量）
  • 存取款和网址都能智能转换，比方说有备用5到8个
  • 第一：使用模拟号投注赢钱录制视频，账号打马赛克；第二：视频赢钱欢呼，然后在视频内有个输入金额和马上投注，方便消费，刺激消费。
  • 第一：高流量不注册的话，可以和其它商家合作；第二：注册时填写职业、收入、兴趣、买车买房等等数据（可以添加个黄页，通过supper cookies收集浏览者的爱好的数据），然后根据那些数据自动弹出广告。赚取广告费。
  • API
  • 售卖官方服装、礼品等等

个人觉得比我们目前的平台好很多… 公司目前的商业模式已经可以赚到钱，不过可能公司寿命只有五六年，如果走品牌路线的话，可能可以学习威廉希尔、立博那些网站，靠品牌经营五六十年，不过成本与盈利就是的考量了…

鑫博，大发，爱彩，万达，等等 - 鑫博 https://688188.com/?invitecode=19118143 - 爱彩 https://77221122.com/spread?code=67420

6 附录

Additional session information:

Category	session_info	Category	Sys.info
version	R version 3.6.3 (2020-02-29)	sysname	Linux
os	Ubuntu 16.04.6 LTS	release	5.3.0-1017-aws
system	x86_64, linux-gnu	version	#18~18.04.1-Ubuntu SMP Wed Apr 8 15:12:16 UTC 2020
ui	X11	nodename	application-2183722-deployment-5827211-mzvcn
language	(EN)	machine	x86_64
collate	C.UTF-8	login	unknown
ctype	C.UTF-8	user	rstudio-user
tz	Etc/UTC	effective_user	rstudio-user
date	2020-07-21	Current time	2020-07-21 19:50:38 JST