Kenneth Cheng數學建模

研究筆記

澳門博彩營運最佳化：由旅客需求到可審核決策

以需求分群、容量配置、多目標最佳化與不確定性分析，整理澳門綜合度假村營運研究的可行框架。

2025年2月22日 · 約 2 分鐘閱讀

封存文章

本文是以合成數據探索營運建模的早期研究筆記，不代表任何澳門博彩營運商的內部資料或實際盈利預測。原文圖表中的百分比不可直接用作商業決策。

澳門綜合度假村同時面對酒店、博彩桌、餐飲、零售、演出與交通容量的聯動。把問題簡化成「增加賭桌便增加收入」會忽略需求分段、法規、人員排班與非博彩消費。

較合理的問題是：在法規與服務水平約束下，如何為不同時段和客群配置資源，並量化收益、波動與公平服務之間的取捨？

需求層

令客群 ss 在日期 tt 的到訪量為 Ds,tD_{s,t}。可用帶外生變數的計數模型：

log⁡E[Ds,t]=αs+βs⊤xt+fs(seasont)+ut,\log E[D_{s,t}] =\alpha_s+\beta_s^\top x_t +f_s(\mathrm{season}_t)+u_t,

xtx_t 可包括節假日、航班或口岸流量、房價與活動日曆；utu_t 描述共同衝擊。預測必須用時間切分驗證，避免把未來資訊滲入訓練。

客群不能只由消費額定義。停留時間、價格敏感度、非博彩偏好與服務需求都會改變最佳容量配置。分群結果亦要檢查穩定性，而不是把一次聚類當作固定真相。

營運層

設 xr,tx_{r,t} 為時段 tt 投放在資源 rr 的容量，qs,r,tq_{s,r,t} 為客群流量。核心限制包括：

∑sqs,r,t≤xr,t,∑rak,rxr,t≤Bk,t,\sum_s q_{s,r,t}\le x_{r,t}, \qquad \sum_r a_{k,r}x_{r,t}\le B_{k,t},

其中 Bk,tB_{k,t} 是人手、樓面、牌照或能源上限。若等候時間重要，應加入排隊模型；平均利用率相同的兩個方案，尖峰排隊可以完全不同。

多目標決策

單純最大化期望盈利會鼓勵過度集中。更合適的是同時考慮：

max⁡(E[Π],−CVaRα(−Π),−W,+Rnon-gaming),\max \left( E[\Pi], -\mathrm{CVaR}_\alpha(-\Pi), -W, +R_{\mathrm{non\text{-}gaming}} \right),

其中 WW 是服務等候或擠迫指標。NSGA-II 等演算法可近似 Pareto 前沿，但演算法名稱不會令輸入數據自動可信。每個解仍須通過容量、法規與壓力情境。

行銷投放

行銷增量不能用「接觸後消費」直接估算。應使用隨機試驗、地理或時間準實驗，估計增量效果

τs=E[Y(1)−Y(0)∣s].\tau_s=E[Y(1)-Y(0)\mid s].

然後才以 τs\tau_s、成本與接觸上限分配預算。否則模型只會把本來就會到訪的高價值客人誤認為廣告成效。

實施路線

  1. 先建立統一事件時間線與資料字典；
  2. 用歷史回測建立基準需求模型；
  3. 在單一場景以影子模式輸出建議，不直接控制營運；
  4. 由營運團隊審核限制與例外；
  5. 小規模 A/B 或階梯式試行；
  6. 監察盈利以外的服務、合規與非博彩指標。

研究限制

原專案使用合成旅客和營運數據，無法支持「盈利增加多少」之類結論。實際研究還要處理賭桌上限、負責任博彩、個人資料、跨部門轉移定價與宏觀政策衝擊。任何建議都應以區間、情境和可撤回試驗表達。

參考資料

  1. Macau Gaming Inspection and Coordination Bureau, official gaming statistics.
  2. Macau Statistics and Census Service, tourism and hotel statistics.
  3. Deb et al., “A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II,” IEEE Transactions on Evolutionary Computation, 2002.
  4. Hyndman and Athanasopoulos, Forecasting: Principles and Practice.