Caso de uso de Machine Learning: detectar partidos amañados

Otro ejemplo de uso de Machine Learning es la detección de amaños en las apuestas de eventos deportivos.

En estos casos los propios deportistas propician esultados poco probables; en el ejemplo del fútbol podrían ser un alto número de goles en el partido, un alto número de saques de esquina, una improbable remontada en los últimos minutos, etc. Los propios deportistas apuestan ellos mismos o a través de intermediarios en alguna plataforma online a sabiendas de lo que va a ocurrir en el partido.

Entamos entonces tratando con casos de comportamiento inusual: importes repentinamente altos de apuestas en eventos poco probables. Es un caso idóneo para aplicar algún algoritmo de Machine Learning.
 
No sólo el fútbol se ve afectado, si no también muchos otros deportes

Se podría pensar en poner a una persona a analizar los datos después de cada jornada estimando "a ojo" sobre una heurística subjetiva definida por algún analista pero los defraudadores se adaptan rápido y el número de variables a tener en cuenta haría que se pasase por alto la mayoría de los casos.

Para detectar el fraude de manera rápida y segura partiríamos del histórico de estadísticas de partidos junto con del volumen de apuestas realizadas para cada evento posible. Sería fácil aplicar por ejemplo una Distribución Gaussiana Multivariable para que salten los eventos sobre los que hay que investigar.





Comentarios

Publicar un comentario

Entradas populares de este blog

¿Para qué sirve Machine Learning? [Parte 2 y última]

Imagen
En otro post dábamos un listado de casos de uso de Machine Learning, y es hora de explicar con más detalle algunos ejemplos. Imagina que tenemos trabajamos para una gran compañía como Amazon y tenemos y completo historial de compras de los usuarios de nuestro portal de venta, así como de las reclamaciones, devoluciones, navegación por el portal, etc Lo que queremos saber es la probabilidad de que un cliente compre un determinado  artículo, para saber qué  recomendarle. Sería muy sencillo mostrarle su historial de búsqueda o los accesorios para artículos que ya ha comprado.  Para eso no necesitamos Machine Learning. Pero nuestro objetivo es mucho más ambicioso: predecir qué  producto va a comprar. Por ejemplo si el cliente ha comprado artículos para sembrar césped probablemente tenga un jardín y necesitará otras herramientas relacionadas : cortadora de césped, podadora, etc y las querrá dentro del rango de precios en el que compra habitualmente.  De nuevo sería se
Leer más

¿Para que sirve Machine Learning? [Parte 1]

Imagen
Probablemente hayas oído hablar del concepto Machine Learning pero no tengas ni idea claro para qué sirve. Conviene enterarse, porque después la competencia se te adelanta y ya sólo queda lamentarse. Aquí presento una lista no exhaustiva: Deportes Prever rendimiento deportistas sin depender de las corazonadas de los ojeadores Marketing Detectar si un cliente va a abandonar la empresa La tarifa aplicable a un cliente Sacar un perfil completo del cliente Prever la demanda de un artículo Personalizar oferta a un cliente Prever la demanda de un articulo en una determinada fecha Determinar si una comunicación con un cliente va a resultar en una compra Determinar los clientes que es más probable contraten un servicio Ingeniería Detectar fallos en fabricación de piezas (la medidas individuales son correctas pero el conjunto falla) predecir la localización de pozos de petróleo, de los bancos de peces en el mar, etc.   Tareas de clasificación Mejorar la colocación de lo
Leer más

Ejemplo práctico de Machine Learning: precio de vivienda

Imagen
Detengámonos en un ejemplo práctico de uso de Machine Learning: Tengo la información de varios años de los precios de venta de viviendas en todo el país junto con docenas de características de cada vivienda: localización , m2, nº de habitaciones, sueldo medio de la zona, etc. ¿Puedo calcular el precio óptimo de una vivienda para este año?  Este es un gran ejemplo de lo útil que puede resultar Machine Learning para aligerar ventas y mejorar ganancias . No queremos tener a la venta una vivienda a un precio superior al de mercado (no se venderá) ni tampoco queremos tener un precio inferior y reducir el margen de beneficio. Actualmente el precio se establece "a ojo" por el profesional inmobiliario "según a lo que se hayan vendido otras viviendas similares de la zona" .  El problema de la subjetividad es que se nos pueden pasar por alto la influencia que tienen ciertas características en el precio. Por ejemplo, una vivienda de dos dormitorios y 70 m2
Leer más