Инструменты и методы спортивного анализа

Введение. С развитием технологий появилось множество новых инструментов и методик, которые возможны к применению в спортивной индустрии, и с помощью которых можно оценить эффективность деятельности спортивных клубов, организаций и объектов и повысить ее. Это и применение экономических моделей [6], и использование инструментария нейронных сетей [4], математического моделирования [3; 8] и анализа облачных данных [7].

Одной из основных технологий, приспосабливаемых футбольными клубами, являются инструменты анализа данных, в частности технологии Big Data [1], которые пытаются адоптировать многие ведущие футбольные клубы, и тем самым получить преимущество, отсутствующее у их конкурентов.

Основополагающим в применении методик Big Data является повышение эффективности футбольных клубов, как на игровом поле, так и за его пределами. Сейчас менеджмент многих клубов понимает, что необходимо постоянное развитие и улучшение своего положения. Если клуб успешен благодаря каким-то факторам сегодня, это не значит, что конкуренты не смогут его превзойти в будущем. Поэтому, все без исключения футбольные клубы стараются так или иначе повысить эффективность своей деятельности.

Основная часть. Спортивные результаты – это не единственная часть, которая оказалась под влиянием статистических данных. В современных условиях устои меняются и за пределами игрового поля. Поскольку финансовые показатели становятся все более важным фактором, влияющим на ресурсы и результаты, команды, стадионы и их коммерческие партнеры начинают обращать все больше внимания на данные, которые они получают от поклонников, зрителей, и пытаются интерпретировать процесс выгоды из подобных данных с помощью их монетизации.

Возможно, концепт, ориентированный на данные, звучит вполне реализуемо, рассматривая успех, который это принесло на игровом поле, тем не менее применение его за пределами поля в реальности представить весьма сложно. На игровом поле, хотя бы, можно увидеть реальную картину. Так, мы имеем возможность видеть, какие игроки играют и как они это делают. Однако, за пределами игрового поля, чтобы извлечь выгоду, мы должны понимать кто смотрит и как они это делают (какие у них восприятия, как их заинтересовать). Это непростая задача даже для огромных клубов, означая, что спортивный бизнес, основанный на данных – это в значительной степени неизведанный «рынок голубого океана».

Специфика игровых инструментов позволила спортивной аналитике пройти долгий путь за сравнительно короткий промежуток времени. Почти все аспекты игры и производительности теперь отслеживаются, сравниваются и вводятся в тактику, программы тренировок и трансфертные стратегии каждой командой, в каждой лиге мира. Однако бизнес потребительских данных намного сложнее, гораздо более изменчив и очевидно намного больше, чем мир статистики, генерируемой внутри игрового пула. Увеличение объемов этих данных, их сбора, обработки и передачи будет стимулировать множество новых сервисов и приложений.

Большие данные – это новый класс активов, затрагивающий все аспекты жизни общества. По своей сути, личные данные представляют собой постиндустриальную возможность, имеющие беспрецедентную сложность, скорость и глобальный охват. Заинтересованным сторонам необходимо принять во внимание неопределенность, двусмысленность и риск возникающей экосистемы. По мере того, как личные данные все чаще становятся важным источником инноваций и ценности, границы бизнеса перекраиваются. Масштабы прибыли также смещаются в сторону компаний, которые автоматизируют огромные объемы данных, и продолжают их генерировать.

В 2021 г. VK Cloud и Arenadata провели исследование (опрос и интервью) среди руководителей IT-подразделений из 150 крупных российских компаний (по различным секторам), и выяснили, как они работают с большими данными, и каковы перспективы для расширения рынка Big Data-решений в России (рис. 1–3).

Рисунок 1. Как давно компании используют Big Data-решения, %

Источник: [2].

На вопрос: – Как давно компании используют Big Data-решения? 21% компаний используют Big Data-решения около 4-х лет; 18% 2-х лет; 13% более 5-и лет; 38% участников исследования не работают с большими данными.

Рисунок 2. Сроки окупаемости Big Data-проектов, %

Источник: [2].

По срокам окупаемости Big Data-проектов, 28% респондентов ответили, что их окупаемость занимает более 3 лет; 43% респондентов не смогли ответить на вопрос о сроках возврата инвестиций в таких проектах.

Рисунок 3. Планируете ли вы изменить подход к затратам на инфраструктуру

для Big Data в 2021 году (в %)

Источник: [2].

Российские компании, несмотря на ограничения, связанные с инфраструктурой и инструментами, готовы работать с большими данными, как и прежде. 65% респондентов заявили, что их компании сохранят бюджет на инфраструктуру для Big Data на запланированном уровне; 24% увеличат расходы, и только 11% сократят затраты, связанные с Big Data.

Таким образом, практически во всех отраслях есть понимание концепций больших данных, и использование их потенциала. Тем не менее, прежде чем применить их к коммерческой стратегии в спорте, необходимо изучить основы данной технологии.

В качестве определяющих характеристик для больших данных традиционно выделяют «три V»: объем (volume, в контексте величины физического объема), скорость (velocity, в контекстах как скорости прироста, так и необходимости высокоскоростной обработки и получения результатов), многообразие (variety, в контексте возможности одновременной обработки различных типов, структурированных и полуструктурированных данных). В дальнейшем возникли различные вариации и интерпретации этого признака.

Консалтинговая фирма «McKinsey» выделяет следующий спектр областей, в которых большие данные могут создавать ценность [11]:

– предоставление прозрачной, подробной, точной и удобной в использовании информации;

– улучшение прогнозирования;

– более узкая сегментация клиентов для создания более точных продуктов и услуг;

– улучшение процесса принятия решений;

– улучшение разработки продукта.

Подход SSAA, изложенный Стивеном Финлеем в его книге Predictive Analytics, Data Mining and Big Data: Myths, Misconceptions and Methods (Business in the Digital Economy) интерпретирует четыре элемента философии больших данных: искать, хранить, анализировать и действовать:

– искать (Seek): активно искать и получать новые данные;

– хранить (Store): объединить все полученные данные в одном объекте;

– анализировать (Analyze): анализировать данные, чтобы получить представление о прошлых, настоящих и будущих действиях людей;

–действовать (Act): использовать эти идеи для принятия решений и действий, вытекающих из этого [10].

Управляемая большими данными организация – это организация, в которой ни одно значимое решение не принимается без вопроса: «Что говорят данные?». Таким образом, в подобных организация принимаются решения, основанные на доказательствах, а не на инстинктах и интуиции, а также проверяются и испытываются, тем самым минимизируя риски.

Сбор данных является фундаментальным строительным блоком процесса цифрового преобразования. Это обеспечивает более глубокие связи и обмен более значимым контентом с потенциальными поклонниками, способствуя росту и пропаганде. Правильно выстроив этот процесс, многие классические преимущества подхода, основанного на данных, начинают материализовываться. Данный подход позволяет клубам и другим людям постоянно узнавать о фанатах, быть в нужных местах с нужными сообщениями, повышать производительность за счет адаптации контента, влиять на поведение покупателей везде, где это необходимо. Чем актуальнее и конкретнее контент, тем больше поклонников будут ценить данную форму коммуникации, а клуб или правообладатель будут экономить деньги, снижая степень дублирования, потери и, самое важное, однообразные предложения.

Существует два типа данных (табл. 1):

Таблица 1 Типы Big Data

В некоторой степени неструктурированные данные легче получить, чем другие формы данных, большинство из них находятся в доступных источниках. Обычно требуется фильтрация подобных данных, для извлечения полезной для заинтересованных сторон информации. С точки зрения спортивного маркетинга, есть три основных преимущества работы с неструктурированными данными:

– таргетирование: изучение информации о клиенте и о том, кто он, не столько в демографическом смысле, сколько в психологическом;

– креативность: помогает выстроить клиентоориентированный подход, а также предоставлять креативной группе маркетологов необходимую для их работы информацию;

– цепочка ценности: потенциал для понимания перспектив и возможностей цепочки ценности вокруг клиентов вне системы CRM [2] (поиск пробелов в опыте работы с клиентами, поиск новых потребностей и интересов в дополнение к тому, что уже известно об их текущем поведении).

Однако, несмотря на очевидное преимущество, современное движение к использованию больших данных привело к тому, что традиционные количественные и качественные исследования оказались в прямом конфликте с мониторингом социальных сетей. Последнее пришло на смену первого, точно так же, как аналитика данных в целом стала узурпировать старые способы бизнес-планирования.

Конечно, данные социальных сетей могут охватывать базы, выходящие за рамки качественного/количественного опросов, но на самом деле, эти типы данных могут конструктивно сосуществовать в инструментарии управляемой данными организации.

Исследования на основе опросов обычно подразделяются на две категории:

– количественные: выборка потребителей дает числовые результаты по определенным переменным, таким как отношение, поведение и мнения, которыми можно манипулировать математически для оценки будущих тенденций или уровней активности;

– качественные: опрос, фокус-группа или исследование участия/наблюдения используются для понимания основных причин или мотивов, лежащих в основе конкретного поведения, тенденции или проблемы.

В мире неструктурированных и полуструктурированных данных специалисты по маркетинговым исследованиям видят главное преимущество опросов над мониторингом в социальных сетях в их более научном и структурированном характере. Этот подход позволяет отбирать определенные образцы, вводить контрольные элементы, и проверять гипотезы посредством целенаправленных экспериментов.

Почти все новые данные, являются поведенческими или демографическими. Одно дело знать, что люди покупают, но совсем другое – знать, удовлетворены ли они этой покупкой, и как они воспринимают свои отношения с продуктом. Опросные данные являются последней частью общей картины, когда известна мотивация для посещения матча или совершения определенной покупки, тогда можно начинать создавать действительно хорошие предложения. Понимание мотиваций, желаний и ожиданий, которые предоставляют количественные и качественные исследования, дают убедительные доказательства для разработки услуг и стратегий, которые затем могут быть напрямую связаны с эффективностью деятельности.

Тестирование считается наиболее эффективной формой качественного/количественного исследования, поскольку оно позволяет практикующим специалистам проверять конкретные гипотезы в контролируемой среде, а затем тестировать ряд возможных решений проблем, возникающих в целевой группе потребителей.

Социальные медиа стали платформой для потребления в спорте, имеющей глобальный охват и значимость. Например,

– количество подписчиков ФК «Барселона» в социальных сетях уже превысило планку в 200 миллионов человек;

– во время Чемпионата Мира по футболу в России (2018 г.), в Instagram было зафиксировано свыше 3 миллиардов действий, связанных с чемпионатом;

– в день проведения «Супербоула 2020» в Майами-Гарденс, были зафиксированы действия от более чем 43 миллионов людей (общее число зрителей «Супербоула» было 99 миллионов), в основных социальных сетях (Facebook, Instagram, Twitter).

Огромный объем спортивного контента, производимого пользователями социальных сетей, не говоря уже о темпах его роста, вызвал волну одержимости среди брендов, которые используют социальные сети, чтобы понять больше о своих потребителях и как они могут разработать свои коммерческие стратегии для эффективного выхода на рынок.

В социальных сетях происходит больше разговоров о спорте, чем по телевизору. Поэтому понимание того, о чем говорят в социальных сетях является более ценным активом. Все больше ресурсов тратится на аналитику социальных сетей, чтобы расшифровать лучшие практики, и определить реальную ценность взаимодействий с фанатами. Социальные сети обеспечивают наибольшую отдачу от спонсорских расходов в сравнении с рекламными щитами или рекламой на телевидении.

Социальные сети работают в режиме реального времени, и люди открыто делятся тем, чем увлекаются. Таким образом, с помощью исчерпывающих данных социальных сетей можно увидеть истинные точки увлечения аудитории, интересы бренда и соответствие лояльности брендам, командам и спортсменам. Эти вещи представляют реальные интересы аудитории.

Однако проблема социальных сетей исходит из того же источника: их молодость и темпы развития означают, что установить и проверить связи труднее, поскольку не хватает исторических данных для отслеживания, а также огромного разнообразия создаваемой неструктурированной информации.

Для сбора данных можно использовать мероприятия в день игрового дня или во время перерывов, что характерно для видов спорта с частыми перерывами (баскетбол, теннис и т.д.), для проведения опросов и знакомства с аудиторией, но почти для всех видов спорта самым действенным методом является использование новых технологий (табл. 2), которые являются основным механизмом доступа к информации о зрителях и их поведении на стадионе.

Таблица 2 Технологии для оснащения стадионов

Перечисленные в таблице 2 технологии не являются дешевыми, и также важно понимать, что использование этого уровня подключения, обусловлено не только его потенциалом для сбора данных, но и необходимостью предоставить новому поколению зрителей доступ к Интернету и социальным сетям, которые они считают само собой разумеющимся в местах развлечения и отдыха; необходимостью обеспечить впечатления от стадиона, которые могут конкурировать со все более изощренным предложением просмотра матчей по телевизору на дому; и увеличению коммерческих расходов на стадионе.

Данные, которые спортивные организации, обычно пытаются получить от фанатов на мероприятии, можно разделить на четыре типа:

– транзакционные данные: обычно информация о покупках, которые зрители совершают на стадионе, будь то покупка товаров, программа матчей, еда, напитки, или совершение ставок на спорт;

– данные о местонахождении: информация о перемещении зрителей по стадиону: от времени прибытия и отъезда до времени пребывания и участия в разных активностях на стадионе;

– поведенческие данные: информация о деятельности зрителя на площадке. Здесь есть некоторое пересечение с транзакционными данными и данными о местонахождении с точки зрения того, куда они идут, и что они покупают, однако эта ветвь все больше сосредотачивается на онлайн-привычках болельщиков на стадионе, рассматривая информацию, к которой они получают доступ, как они взаимодействуют с цифровыми услугами и внутри арены и т.д.;

– мотивационные данные: более глубокий уровень мнений и мотивации, который помогает объяснить закономерности, выявленные в трех других потоках, обеспечивает обратную связь по качеству опыта, и помогает выявить сильные и слабые стороны предложения о мероприятии.

Между тем, в данных, собираемых о клиентах, всегда есть пробелы. Их можно заполнить, купив информацию у внешних поставщиков. Существуют следующие типы внешних источников данных: данные переписи, панельные данные, данные cookie, данные, запрошенные у клиента, данные, полученные от партнеров.

Любые данные можно преобразовать в аналитические модели (описательные, прогнозирующие и предписывающие).

Описательное моделирование дает представление о прошлом, помогая ответить на вопрос: что произошло? В спортивной сфере оно используется, чтобы интерпретировать кто такие фанаты, тип демографической информации о клиенте, на которой основан каждый элемент маркетинга [1]. Результатом описательного моделирования является криминалистическая разбивка аудитории организации, на основе которой могут быть произведены маркетинговые выводы. Короче говоря, описательное моделирование является основой персонализации, конечной точкой спортивного информационного путешествия.

Основной компонент описательных данных имеет тенденцию быть демографическим по своей природе – возраст, семья, местоположение, покупательское поведение с точки зрения покупки товаров, билетов и так далее. К этой психографической информации добавляются фактические данные о том, как они относятся к бренду или, в случае спорта, событию или команде. Это направлено на выявление мотивов и стимулов.

Модель прогнозной аналитики – это понимание будущего. Оно обеспечивает действенное понимание, основанное на данных, таких как оценки вероятности будущего результата [5]. Это способность применять знания и понимание характера болельщика, полученные в результате анализа данных, и использовать их для прогнозирования их поведения, например, когда, где и как они будут покупать билеты, сувенирную продукцию или где они будут смотреть матч.

Модель предписательной аналитики позволяет пользователям «прописывать» ряд возможных действий и направлять их к решению [9]. Предписательные модели часто начинаются с определенного вопроса. В спортивном контексте это может быть так: как мы можем заполнить стадион во вторник вечером? Как мы можем увеличить продажи сувенирной продукции в определенной стране? Или какие клипы привлекают внимание фанатов на IGTV?

Все эти аналитические материалы предназначены для предоставления рекомендаций и пытаются количественно оценить влияние будущих решений, чтобы сформировать рекомендации о возможных результатах до того, как эти решения будут фактически приняты.

Рекомендации относительно подходов к сегментации обычно следуют принципам анализа больших данных: начните с малого, увеличивайте масштаб и сосредоточьтесь на маркерах, которые наиболее соответствуют вашим целям.

В любом случае придется столкнуться с проблемой эффективности. Одно дело – привлечь внимание, и совсем другое – добиться устойчивого интереса. Подтолкнуть человека к действию – совершенно особая задача. Привлечь внимание – значит сделать так, чтобы человек провел определенное время, сосредоточившись на чем-либо. Но приведет ли это к покупке – другой вопрос.

Процесс определения типа коммуникационного или медиа-контента, который привлечет внимание и позволит привлечь любителей спорта, является одним из подходов сегментации. Демографические данные и данные транзакций, опять же, будут отправной точкой, но, также, следует обратить внимание на сегментацию контента, который нравится потребителям, на то, что они делают и кем они являются. Это означает, что мотивационные данные, данные анализа социальных сетей и просмотра веб-страниц становятся гораздо более важными идентификаторами предпочтений.

Заключение

Когда люди думают о больших данных, они склонны думать о цифрах: сколько, в каком объеме, как часто. И эта тенденция потенциально сильнее в спорте, чем во многих других сферах деятельности: результаты, рекорды, положение в лиге, количество забитых голов и т.д. На игровой арене действительно важны цифры, но с коммерческой стороны индустрия спорта остается бизнесом, зависящим от людей, на их психологических качествах: страсть, эмоции, гордость и чувство единения.

Таким образом, задача будущего в мире аналитики данных заключается в том, как сбалансировать человека и машину, чтобы гарантировать, что цифры дополняют его уникальность, а не делают его ограниченным. И преуспеют те, кто сможет сочетать человеческий фактор и данные, чтобы укрепить личные связи, которые делают спорт особенным.

Прогнозирование поведения болельщиков станет гораздо точнее, но аналитика станет более эффективной, если в ней сохранится человеческий подход. Данные могут стать гораздо более сложными и изощренными, но они не должны становиться слишком автоматизированными. Болельщики – это люди, и организации нужны такие же люди, способные анализировать и прогнозировать их действия.

[1] Большие данные (англ. Big Data) – обозначение структурированных и неструктурированных данных огромных объёмов и значительного многообразия, эффективно обрабатываемых горизонтально масштабируемыми программными инструментами, появившимися в конце 2000-х годов и альтернативных традиционным системам управления базами данных и решениям класса Business Intelligence.

[2] Система управления взаимоотношениями с клиентами (CRM, CRM-система, от англ. Customer Relationship Management) – прикладное программное обеспечение для организаций, предназначенное для автоматизации стратегий взаимодействия с заказчиками (клиентами), в частности, для повышения уровня продаж, оптимизации маркетинга и улучшения обслуживания клиентов путём сохранения информации о клиентах и истории взаимоотношений с ними, установления и улучшения бизнес-процессов и последующего анализа результатов.