数据管理和商业智能已被确定为所有与赌博相关的企业最大限度地提高利润率和降低成本的关键学科，以便在竞争激烈的市场中竞争。

然而，尽管人工智能取得了创新，赌博的价值链在其数据框架和流程中变得更加复杂。因此，现有企业需要一种超越数据收集的智能方法，以受益于数据驱动的文化，确保有效的见解转化为行动。

参与专家圆桌会议的有 Swintt 的首席运营官 Etienne Azzopardi；BETBAZAR 的首席运营官 Max Sevostianov；Intelitics 的董事总经理 Allan Stone；Golden Whale Productions 的首席技术官 Thomas Kolbabek；富士通客户体验、数据和 aaS 负责人 Karl-Jorit Hausdorf；以及 Neosurf 的首席执行官 Andrea McGeachin。

SBC：企业真的充分利用了数据吗？如果没有，为什么？是什么阻碍了他们？

Etienne Azzopardi：我认为只要看看“数据挖掘”这个术语，就能意识到它对 iGaming 行业有多么重要；我们将一种广泛可用的数字商品比作一种贵金属——而且是有充分理由的。话虽如此，虽然企业可能不需要在数据价值方面说服任何人，但事实仍然是，并非所有人都充分利用了数据。

当然，这有很多原因，其中之一是大量的数据可能被孤立在不同的系统和部门中，这意味着公司可能没有意识到他们错过了哪些见解。缺乏专业知识和数据素养也在一定程度上解释了为什么企业没有确定数据计划以及系统之间数据整合的潜在价值和成本效益。公司因 BI 成本飙升而措手不及，但在业务价值方面却没有什么可展示的情况并不少见。

Max Sevostianov：1800 年代有一句古老的谚语是：“谁拥有信息，谁就拥有世界。” 虽然这句话在今天仍然是真的，但我想我们现在需要将关键词从“信息”更新为“数据”。当然，当我们观察我们行业中更成功的公司时，他们现在都收集和分析数据以改进其业务模型和产品。

对于那些目前没有这样做的人来说，可能有几个因素阻止了他们——即成本和不知道从哪里开始。我们经常听到关于数据抓取——即公司从其他网站获取数据——但这种方法是散乱的，而且总是有一定的风险。通常最好投资于官方数据以实现业务的最佳结果。

Allan Stone：根据我们与赌博企业合作的经验，他们没有充分利用数据，仅仅是因为他们无法顺畅地访问信息。在许多情况下，他们拥有一座数据宝库，但他们无法将这些数据从特定的孤岛中提取出来，并将其转换为可操作的格式。这是我们的合作伙伴面临的主要痛点之一。

我们与合作伙伴一起帮助他们了解他们的数据存储在哪里，他们如何访问它，然后如何通过将其与平台中存在的其他数据集相结合来使这些数据可操作。

Thomas Kolbabek：我们从我们在 iGaming 行业合作的公司那里获得了关于数据处理、分析和数据利用的非常不同的印象。

我们遇到了各种各样的场景，从难以整合数据或处理他们生成的数据的结构，到由非常复杂的模型支持但结果的适应和生成仍然非常缓慢的产品。

阻止大多数这些公司表现更好的原因是，可以做什么和这些公司实际做什么来修改这些结构之间的差距迅速扩大。

这就是为什么我们不仅专注于为游戏世界构建模型，而且还开发一个具有坚实基础的完整的数据处理和分析环境。这使我们能够与我们的合作伙伴进行互动，以达到他们需要实现显著增长的水平。

Karl-Jorit Hausdorf：在富士通，我们与分析公司 Freeform Dynamics 合作进行了一项联合研究，专门研究这个问题。当你说充分利用数据时，这是一个非常宽泛的问题，但对我来说，有一个明确的答案：研究。我们进行的研究表明，大多数公司没有充分利用他们的数据。

在整个欧洲，我们已经看到数据饥渴、数据维持、数据赋能和数据驱动的公司之间的分歧。我们发现，大多数公司都属于数据维持和数据赋能类别。

如果我们看看是什么阻止了他们充分利用他们的数据，可能会有很多不同的事情。我们将成为一家数据成熟的企业的能力分为四个标准，第一个是“你是否有文化和心态？”。有时，数据可以保存在一个孤岛中，但它真的应该在整个组织中共享，特别是如果你想成为一家数据驱动的企业。

第二个标准是用户体验。在更成熟的组织中，他们可能拥有一支数据科学家团队。但是，如果该团队需要几个月的时间才能获得正确的数据，他们无疑会继续从事下一份工作。因此，用户体验对数据的消耗进行简化和可访问非常重要。理想情况下，应预先设置要求，以便他们可以实时分析数据。许多公司选择仅从快照中查看数据，但为了获得清晰的画面并识别趋势，需要每天收集和存储数据。这是最重要的事情之一，公司目前没有想到临时数据很重要。

如果我们看一下数据管理，我们首先要看看成为一个数据收集者的意义。这也意味着你清理你的数据——这不一定意味着你删除你拥有的数据，而是你可以确定哪些数据对业务至关重要。你存储的数据中只有 20% 往往对业务至关重要，所以区分这些信息很重要。当你开始研究人工智能等技术时，这一点变得更加重要，因为你不能给人工智能提供不正确的数据。你需要在前期管理这些数据，并明确拥有应急管理的控制权。

系统基础设施也非常重要。假设你即将投资人工智能功能，它们需要以所需的速度提供数据输入和数据输出。许多公司没有提前考虑这一点。对于许多准备好默认部署数据驱动技术的公司来说，这并非理所当然。

Andrea McGeachin：一些企业通过投资于决策科学而非单纯的数据分析来有效地利用数据。关键在于数据决策，它释放了真正的潜力。通过合并不同的数据源，我们可以揭示在检查单个数据流时无法获得的见解。尽管优先考虑这一方面的公司很少，但这一趋势正在上升。

企业如何识别合适/最佳的数据来使用？

Etienne Azzopardi：我认为任何组织的第一步都是根据其业务试图实现的目标来定义其数据战略，并相应地调整目标数据。有了这个战略，他们就可以开始清点他们拥有的每个数据源，并确定与他们的目标相关的特定相关性、价值或质量的信息。

当然，任何数据分析都应始终在业务利益相关者的参与下进行，这应该会产生报告和可视化效果，这些报告和可视化效果——通过基于反馈的迭代过程——然后可以进行完善和详细说明。只有通过这种持续的分析和开发循环，公司才能真正确定与他们最相关的数据以及如何利用它来为他们的业务增加价值。

Max Sevostianov：我认为这通常归结于确定你需要在业务的哪些方面进行改进以及你希望实现的目标。通常，一家公司会想要对特定模式或 KPI 数量进行详细分析，这只是确定哪些数据源将为该主题提供最相关的见解的问题。

如果这是一个关于客户如何与特定产品互动以及该产品的表现如何的问题，那么关注内部数据是关键。但是，如果我们在讨论优化你的交易流程并提供对你的利润率有最大益处的赔率，那么从外部来源购买官方数据将是真正使你能够改进你的产品并提供最佳正常运行时间的事情。

Allan Stone：我认为这归结于了解业务在一个月、一个季度、一年，然后到每天和每场活动的表现水平的具体目标是什么。

当我们查看数据时，我们从活动表现的角度非常具体地看待它；我们正在建议公司应该查看哪些数据，并帮助他们了解如何为特定活动设定目标。然后，我们看看这些目标如何与该时间范围内的整体业务目标保持一致，并采取相应的行动。

Thomas Kolbabek：这很大程度上取决于你想从系统中提出的问题。一般规则是尽可能多地生成数据，然后尽快开始一个选择过程，以筛选出你特定设置的需求。

Karl-Jorit Hausdorf：这完全取决于用例。用例只是实现数据驱动解决方案的整个过程的 10%。过去，公司更倾向于清理他们所有的所有数据，投资于大数据仓库，并启动永远不会结束的项目。但现在，更重要的是确定用例，这应该来自“用户在日常业务中应该做什么？”的问题。用户需要哪些数据？它需要是实时的吗？”

如果这些用户以所需的形式获得正确的数据，你可以通过分析、预测机器学习算法等进一步增强它。它们的好处是什么？这将构成第三个选项，即用例以及业务案例。业务案例通常考察“我们能让这些用户更有效率吗？”的问题。人工智能就像实现这一目标的最大希望；它可以帮助企业提高效率。由于我们正在进入生成式人工智能时代，它不仅仅关乎效率，还关乎实际的产出、性能、通过将数据与生成式人工智能相匹配可以大大提高的工作质量。

Andrea McGeachin：每条数据都会揭示趋势和需要改进的领域。我给公司的首要建议是彻底分析所有数据，结合熟练的员工和先进的软件。要问的关键问题是：你的数据产生了什么见解？哪些发现对你的业务运营是可操作和有益的？

SBC：识别正确的数据以释放其全部潜力有多重要？

Etienne Azzopardi：正如我在之前的回答中提到的，这变得至关重要，因为数据和商业团队应该在他们期望的结果方面得到适当的协调。如果你的产品是计算机鼠标或手持工具，那么一个旨在识别左右手客户之间差异的庞大数据项目可能很重要，但如果你是一家面包店，那么就不太重要——除非市场突然出现左手面包！

因此，数据计划应始终主要由企业试图解决的问题驱动，例如构建更好的产品、评估趋势和识别市场中的差距以寻找机会。从本质上讲，纯粹为了数据而分析数据在很大程度上是低效的，公司应该设定一个他们想要实现的目标，并据此进行研究。

Max Sevostianov：如果你真的想改进你的产品并优化你为客户提供的服务，这至关重要。正如我在上面的回答中所说，第一步始终是确定你想要关注的领域，并追踪最相关的数据。

在分析数字以及特定产品的表现时，你必须记住，我们不是在谈论在这里获得一对一的反馈——我们可能正在审查来自数百万活跃用户的信息，从你的数据中得出正确的结论可以带来更快的改进。同样，当你投资于新产品时，识别正确的数据可以帮助你更好地了解你的客户将如何接受它以及潜在的投资回报率是多少。

Allan Stone：这是关键，对吧？如果你没有查看正确的数据，你就无法了解全貌。通常，当我们与合作伙伴合作时，我们专注于了解他们掌握的数据，他们可以在哪里进行更深入的观察，他们没有观察到什么以及他们可以在哪里改进。如果你没有查看正确的数据，你将面临做出正确决策的更大困难。

我们发现，很多运营商似乎没有从他们的数据中获得全貌，他们只看到了这些数据可以实现的一小部分见解。这意味着他们做出的决定没有得到充分的证实；我们帮助他们充分发挥他们的潜力。

Thomas Kolbabek：目前，不要错过重要的数据点更为重要。我们运行全自动的过滤和选择流程，因此一旦做出选择，如果需要，很容易减少数据量。

Karl-Jorit Hausdorf：我认为这非常重要，如果不是最重要的事情的话。实际上，我们谈论数据的方式，我非常喜欢事实。数据是一种正在存储的知识。你有很多数据集，它们可以同时是正确的和错误的。公司可以将这些数据加载到他们可能使用的任何系统中，其中可能包含错误的数据。

因此，知识管理变得比数据更重要。我首先确定我的知识在哪里，然后看看哪些数据源正在提供这种知识。如果你没有提供正确的质量，你将不会拥有正确的值，这将会影响你的业务案例。

Andrea McGeachin：你系统中的任何数据都很有用，但输出才是最重要的。通过使用基本数据，我们设法剖析了我们团队的生产力，并指出了优势和劣势的领域。在衡量 AML 时，不仅仅是识别模式——它还涉及分析大量的交易数据以形成强大的 AML 战略。但是，数据收集应始终尊重玩家的隐私界限。

这种分析过程通常会揭示意想不到的见解，例如特定地区的不同业务模式。虽然数据至关重要，但解释数据科学的能力在最大限度地提高投资回报方面发挥着重要作用。

SBC：数据可以在哪些领域产生最大的影响？企业如何确定数据可以在哪里推动最大的改进？

Etienne Azzopardi：一般来说，只要一个组织有明确的目标或试图解决的问题，数据就可以在改善业务的大多数领域中发挥重要作用。我相信，通过分析团队的表现和产品开发流程等内部因素的数据，可以获得很多收获，因为这可以用来进行相对简单的改进，从而对业务效率产生切实的 impact。

同样，对于生成大量数据的组织——例如在线支付处理商积累的交易数据——设定数据战略并根据需要经常修改它以确保其持续相关非常重要。通过正确战略和基础系统，你并不罕见地发现你可能没有寻找的相关性，但这些相关性对你的业务有实际的商业利益。

Max Sevostianov：无论是在内部还是外部，数据都可以在你的业务的各个方面产生巨大的影响。无论你是在尝试改进内部工作流程程序，还是分析你的产品供应以确定如何优化某些用户体验，你所需要的所有信息都将包含在数据中——你只需要知道如何阅读它。

在确定哪些数据将为你的业务带来最大的改进方面，我认为你只需要从以问题为导向的角度来解决它。你在哪些方面没有达到预期，以及导致这种情况的主要原因是什么？一旦你完成了这项工作，你就可以深入研究你关于该特定主题的所有可用数据，并确定如何调整事情以在未来取得更好的结果。

Allan Stone：这一切都归结于了解这些目标和目标是什么。当我们与客户合作时，大部分的重点都放在收购活动上。因此，通常，我们需要查看的数据都集中在收购成本上。但在此之后，我们就会观察这些玩家在收购后做了什么，以及他们的行为是否会影响这些玩家是否会在长期内盈利。

当我们分析这些信息时，我们喜欢关注几个不同的领域。首先，这听起来可能很简单，但分析这些信息的目的是什么？我们希望了解如何最好地创建玩家收购活动——收购该玩家需要多少成本？是否有玩家收购的细分市场可能比其他细分市场更贵？有时，即使最初的玩家收购成本更高，这些玩家的质量实际上也更高。

在某些情况下，许多运营商都在努力实现客户收购目标。实现该目标很好，但你可能会冒着这些玩家的质量达不到应有水平的风险。当我们向运营商提供建议时，我们希望他们考虑他们的收购目标——他们应该关注其玩家的长期价值，而不仅仅是网站上投注者的数量。

这实际上是关于了解如何灵活地开展你的活动，以及如何有效地使用这些数据来驱动你的最终业务目标。

Thomas Kolbabek：在需要尽快解决多维和/或非线性问题的任何情况下，很可能都有很大的改进空间。

在需要搜索大量复杂数据集以寻找高价值优化潜力的情况下，通常也可以实现改进。机器在处理这些任务方面要好得多。

Karl-Jorit Hausdorf：从根本上说，这通过生成式人工智能也发生了很大变化。以前，会有很多流程，你可能需要考虑自动化以优化你的业务。公司会查看数据可视化或标准分析，只是为了了解你的业务如何使用一组标准的 KPI。下一步将是生成式人工智能，它更多地是关于你如何能够使用你之前收集的数据生成新数据，以及这些信息如何能够为决策者和消费者提供更多见解。这就是生成式人工智能将在未来产生巨大差异的地方。

Andrea McGeachin：在这里，首先浮现在脑海的是数据如何对 AML、欺诈监控和报告产生巨大影响。增强的数据可用性使公司能够及时检测可疑活动。

此外，数据有助于识别玩家行为，指导量身定制的互动和有针对性的营销策略。这种个性化的方法培养了客户忠诚度。

数据还影响商业模式，实现明智的决策以实现盈利，而不会损害客户的公平性。通过数据驱动的见解，根据个人玩家的需求定制入职流程可以增强客户体验。

SBC：然后，这些见解如何转化为最终推动改进的行动？

Etienne Azzopardi：为了实现这一点，组织必须首先准备好适应数据导向的文化。行业资深人士信任自己的经验多于数据告诉他们的，这并不少见，他们可能会低估某些见解。当然，在某些领域，专业知识占上风，但在定义数据战略时，任何企业都需要确定哪些是“超出范围”的，哪些是开放的实验。

一旦收集了数据见解，推动改进的最快方法是将其转化为可操作的任务，例如根据数据告诉你的内容对产品进行更改。在这个例子中，产品团队应该能够及时对这些见解采取行动，以提供最佳结果，同时也了解在价值方面什么是可能的，什么是不可能的。

Max Sevostianov：我认为，一旦你获得了相关数据，这是一个相对简单的过程。你只需要分析所有可用的信息以查找模式和趋势，对它们可能存在的原因做出假设，并创建一个假设，用于说明将来如何改进它们。

无论这是否会导致你优化某个产品功能、加强你的安全措施或为特定市场个性化你的内容，你只需要尝试你的假设，分析数据如何变化，并不断重新测试和完善这个过程，直到你获得你想要的结果。正如我上面所说，人工智能的使用——特别是可以实时自动化改进的程序——使这个测试循环更加高效。

Allan Stone：真正重要的是，我们要了解运营商用来确定其活动成功和失败的不同指标。然后，我们设置这些指标，以便从 CMO 到活动经理的每个人都可以使用相同的数据集进行操作并做出协同决策。这样，就不会有利益冲突。

我们看到，有时在市场上，你可能有一个 CMO，他希望 FTD 的数量能够快速增长。但你可能会有一个活动层面的员工，他的表现集中在各个活动的投资回报率上。这两个目标理论上可能相互矛盾——特别是如果团队无法访问相同的数据集。你可以想象，这可能会导致业务试图实现的目标不一致。

这一切都归结于你如何创建一个环境，让组织中的每个人都了解数据、它在说什么以及你如何使用这些数据来确保每个人都在朝着正确的方向努力。

Thomas Kolbabek：我们正在开发下一代运营基础设施，其中会生成大型数据空间用于实验，并将这些结果连接到最终客户方面的可操作项目。

在这一点上，人类的想法和创造力比以往任何时候都重要，因为这就是我们生成尽可能多的相关项目以进行优化并应对机器驱动优化所带来的更陡峭的学习曲线的方式。

Karl-Jorit Hausdorf：我认为这归结于你从商业角度设置的 KPI。假设你想改进招聘员工的流程，你需要设置 KPI，然后找到正确的数据来支持这些 KPI。然后，理想情况下，你会从商业角度更改你的流程以增加这些 KPI，无论它们是什么。例如，在人力资源方面，你可能希望从市场上招聘更多人才。因此，我们需要改进引进人才的流程。

你应该查看有多少人申请、有多少人快速响应请求、有多少人你想面试、你如何存储面试的反馈等数据。这些 KPI 将构成数据作为练习的所需输入。

Andrea McGeachin：可以通过承诺和管理培训将这些见解转化为行动。最初，倾听你的数据团队的意见并确定基本见解与那些仅仅有趣的见解至关重要。

在此过程中，确保多位经理和领导参与最终决策至关重要。高级领导可以协助识别被忽视的领域并预测决策对其他部门的影响。