第一步：选比赛时就要写清楚这场比赛要完成什么
输入：赛程、场馆容量、当前售票进度、比赛时间、对手信息。
AI做什么：分析引擎读取历史同类比赛的售票曲线，给出“按当前速度，比赛日预计还剩多少座位”的模拟估算，并标注哪些区域的座位最难卖。
人做什么：确定这次活动的主目标。营销负责人选择了“年轻用户首次到场”作为主目标，“赛后会员转化”作为次目标，而不是泛泛的“提升曝光”。目标不同，后面每一步的判断标准都不同。
可能出错：同时设定太多目标。如果既要曝光、又要售票、又要会员增长、又要卖球衣，AI在后续每一步都无法取舍，最后生成的方案会什么都沾一点。
第二步：年轻球迷不是一个年龄段，而是几种不同的人
输入：球迷画像中的年龄、观赛记录、内容互动、购买记录、到场记录。
AI做什么：分群模型在18—25岁用户中进一步划分，得到几个可运营的群体（示例）：经常看短视频集锦但从未到场的线上球迷；在校学生、对票价敏感、偏好结伴观赛的群体；已经到场过一两次、但没有买过任何商品的轻度现场球迷。
人做什么：决定本次重点运营哪两个群体。营销负责人选择了“线上球迷”和“学生结伴群体”，暂时不覆盖已到场过的人，因为他们更适合下一阶段的会员转化。
可能出错：把“关注球队”当成“愿意到场”。线上球迷的互动量很高，但其中不少人住得远，或者从来就只看比赛不去现场。分群结果需要叠加距离和时间因素再看。
第三步：分析兴趣，找出他们为什么会来
输入：两个群体近30天的内容浏览、搜索和互动记录。
AI做什么：分析引擎发现，线上球迷最常看的是某位年轻后卫的高光集锦（示例），而学生群体对“中场表演”“球迷互动区”这类现场体验内容的停留时间明显更长。预测模型给出两个群体在不同价格档位下的购票可能性估算。
人做什么：核对这些兴趣判断是否符合一线经验。票务同事补充了一个AI看不到的信息：德比当晚附近有一场大学活动，学生群体的时间可能冲突。
可能出错：兴趣数据只反映“看过什么”，不反映“能不能来”。价格敏感和时间冲突，常常比兴趣更决定结果。
第四步：生成内容，草稿是给人改的
输入：目标、群体、兴趣分析结果、品牌表达规范。
AI做什么：生成模型针对两个群体各写出十几条不同角度的文案和短视频脚本草稿。给线上球迷的内容围绕那位年轻后卫“第一次在德比首发”展开；给学生群体的内容强调“四人同行”和现场互动环节。
人做什么：挑选、改写、删掉不合适的表达。营销负责人删掉了几条语气过于夸张的文案，也把一条听起来像官方通稿的内容改成更口语化的说法。
可能出错：内容风格和目标人群错位；或者使用了球员形象但没有确认授权范围。这类问题只能靠人工审核发现。关于为什么生成之后不能直接上线，可以参考AI生成赛事营销方案以后为什么不能直接拿来上线。
第五步：匹配广告，把内容放到对的位置
输入：审核后的内容、可用广告渠道、预算上限。
AI做什么：推荐模型把高光集锦类内容匹配到短视频信息流，把结伴观赛内容匹配到校园周边的本地生活渠道和社交平台，并给出每个渠道的预算分配建议和频次上限。
人做什么：确认预算。营销负责人没有一次性投完，而是把预算分成三批，第一批只投40%，观察两天再决定后续。
可能出错：只追求点击率。短视频集锦的点击率往往很高，但点击后真正进入购票页的比例可能很低。评估广告时要看到购票和到场，而不是停在点击。
第六步：设置会员活动，给第一次来的人一个留下来的理由
输入：会员权益清单、现有会员名单、本次广告中的价格信息。
AI做什么：系统先做冲突检查：广告里的“学生四人票”价格，是否低于现有会员的购票价。检查发现存在冲突后，Marketing Agent给出两个方案：给现有会员同步开放一个更优的德比专享座位区，或者把学生票的优惠改为赠送现场互动区入场资格，而不是直接降价。
人做什么：选择第二个方案，并设置赛后会员活动：首次到场的用户在赛后72小时内可以领取一次免费的会员体验，包括下一场的优先购票和一段独家更衣室视频。
可能出错：把会员活动做成单纯发优惠券。第一次到场的年轻人真正在意的，可能是和朋友一起再来一次的便利，而不是几块钱的折扣。
第七步：观察消费结果，别只看首周票房
输入：购票、到场核验、现场消费、赛后会员体验领取情况。
AI做什么：分析引擎对比投放组和留出组。在最初圈定的人群中，系统随机保留了一部分人不投放任何广告，作为对照。结果显示（模拟数字），投放组首次到场率明显高于留出组，但学生群体的差距比预期小，线上球迷的差距比预期大。
人做什么：结合一线反馈解读数据。票务同事确认，大学活动确实分流了一部分学生。
可能出错：把所有购票都算成活动效果。德比本身就有自然热度，如果没有留出组，很容易高估营销带来的增量。另外，会员转化要看一到两个月后的续费和再次到场，比赛当周的数据说明不了留存。
第八步：调整营销，把结论带到下一场
基于第一批结果，营销负责人把剩余预算更多地转向线上球迷群体，同时减少学生群体的投放，改为在下一场没有时间冲突的比赛前重新测试。Marketing Agent记录下这次的判断：线上球迷对具体球员叙事反应更强，学生群体对时间和同伴更敏感。
这些结论会写回球迷画像，作为下一次营销的参考，但系统不会把它当成永久规则。球员状态、赛程和对手都会变化，下一场比赛仍然需要重新验证。
这个流程里，AI和人的边界在哪里
回看这八步，欧宝体育大模型做的主要是三件事：把分散的数据整理成可以判断的信息，给出多种可选方案，以及在执行后帮助对比结果。而目标设定、人群取舍、内容审核、预算分配、价格和权益决定，每一步都由人来拍板。
这样设计并不是因为AI做不到自动执行，而是因为体育营销里有太多AI看不到的信息：当晚附近有什么活动、球员授权到什么范围、俱乐部和合作方之间有什么约定。一个好的流程，应该让AI把能算的都算清楚，再把真正需要判断的问题交给人。
