一个球迷一年只去现场两次，为什么可能仍然是俱乐部最有价值的用户之一？

按到场次数排序，为什么会把他排到三百名之后

到场次数是体育运营里最早、也最容易拿到的指标。票务系统天然记录每一张票，检票口天然记录每一次入场，所以很多俱乐部的第一版用户价值模型，本质上就是一张到场频率表。它的问题不是错，而是单一：它默认球迷表达热爱的方式只有一种，就是买票进场。

现实中，球迷和球队建立关系的方式至少有五六种。住得远的人更多通过内容保持联系；工作日比赛时间不合适的人会把预算转到商品和会员上；有孩子的家庭一年只能安排几次完整的观赛日，但每次都是全家出动；还有一部分人对球队的兴趣主要落在某位球员身上，他们会买球员同款、看球员专访，却不一定每场都到。到场次数只能看到其中一种，其余几种都被算成了零。

林先生的例子里，到场只占他全年和俱乐部发生关系的很小一部分。他更主要的行为是订阅、购买、阅读和参与活动，而这些行为分散在四五个不同的系统里，没有一张表把它们放在一起。

行为层：一次到场背后，还有五条被忽略的价值线

把一个球迷一年里所有可能产生价值的行为拆开，大致可以分成下面几条线，每一条都对应不同的运营资源：

• 会员线：是否付费会员、会员档位、续费次数、权益使用情况。高档会员即使到场少，也在持续贡献收入，并且对俱乐部的信任度通常更高。
• 商品线：球衣、围巾、纪念品、会员专属商品的购买频率和客单价，以及是否购买限量款、球员款。
• 内容线：集锦、专访、战术解读、训练花絮的打开频率和完成度。高频内容用户是赛前宣传和新商品发布最先接触到的人群。
• 活动线：是否报名线下见面会、品牌联名活动、社区公益活动，是否在活动之后产生购买或分享。
• 家庭线：一次购票的张数、是否购买儿童票或家庭套票、到场时餐饮和周边的消费，以及账号下是否有家庭成员的会员或商品订单。

加上现场线，一共六条。林先生在现场线上得分很低，在另外五条线上都处于前列。一个只看现场线的模型，会把他和一年只来两次、别的什么都没做的人算成同一类，这正是误判的起点。

数据层：把票务、商城、内容和会员接在一起，先要解决三个问题

多条价值线的思路不复杂，真正耗时间的是数据。大多数俱乐部的票务、商城、App内容和会员系统是不同时期、不同供应商建起来的，同一个人在四个系统里可能有四个账号。要把它们接起来，至少要处理好三件事。

同一个人是否真的是同一个人

最常见的做法是用手机号、会员号或统一登录账号做关联。但要警惕两种情况：一种是多个家庭成员共用一个手机号下单，另一种是同一个人换过号码。关联规则要保守，宁可漏关联，也不要把两个人错并成一个人，否则后面所有画像都会失真。

时间窗口是否一致

会员是按年计费的，商品购买是离散的，内容浏览是每天都在发生的。如果不统一时间窗口，就会出现“会员价值按一年算、内容价值按一周算”的情况，几条线根本无法比较。常见做法是统一成最近十二个月，再单独保留一个最近九十天的短期窗口，用来观察趋势变化。

哪些数据有授权可以用

不同系统在收集数据时向用户说明的用途不一样。商城订单用于发货，并不自动等于可以用于广告投放；内容浏览数据是否可以和会员数据合并分析，需要看当初的授权条款。数据合并之前先做授权核对，这一步不能交给模型，必须由人确认。

分群层：现场频率只是一根坐标轴，不是整个坐标系

数据接通之后，下一步是把六条价值线变成可以比较的指标。下面是一个简化的示例口径（以下为模拟场景，数值仅用于说明结构）：

这张表的意义在于，同样“一年来两次”的两个人，在另外五条线上差距极大。把六条线放进分群/聚类模型之后，林先生会落进一个类似“高价值会员＋家庭观赛”的群，而不是“低活跃现场用户”。分群本身不用太细，关键是不再让一根坐标轴决定一个人的位置。关于分群要分到多细、怎样判断一个分群能不能运营，可以参考球迷分群为什么不能无限细分。

画像层：他为什么一年只来两次，AI只能给出假设

分群告诉我们他属于哪一类，画像要进一步回答：他为什么是现在这个样子。这一步最容易被夸大。模型可以根据行为给出几种可能的解释，但不能替用户下结论。

以林先生为例，欧宝体育AI的分析引擎会看到几条线索：他的购票全部集中在周末下午场，没有一次是工作日晚场；每次都买三张票，其中一张是儿童票；他浏览过远端看台的交通指引页面；他的内容浏览在工作日晚上特别集中。据此可以列出几条假设：

1. 工作日晚场与工作或孩子作息冲突，所以只能选周末下午场；
2. 住得比较远，每次到场是一次需要提前安排的家庭出行；
3. 他对球队的热情主要通过内容和商品维持，现场只是一年中的“特别日子”。

这些假设在画像里应该以“可能原因”的形式存在，并附上支持它的行为证据，而不是被写成“家住郊区、工作繁忙”之类的确定标签。假设的价值在于指导下一步动作：如果第一条成立，多推工作日晚场门票不会有用；如果第二条成立，交通和停车信息可能比折扣更能促成一次到场。

行动层：对这类用户，少推门票，多给他在意的东西

原来的规则会给林先生发一张买二送一的门票券，这个动作有两个问题：一是他并不缺门票的购买力，折扣对他意义不大；二是它传递的信息是“你来得太少了”，对一位最高档会员来说，这种提醒有点失礼。

更合适的动作应该从他实际在意的几条线出发：

• 家庭观赛日：在周末下午场开放家庭区优先选座，附带儿童活动或赛前球场参观，而不是单纯降价。
• 会员商品预售：限量球衣和球员款在对外发售前，先向这一群会员开放预订，这比优惠券更贴合他的购买习惯。
• 独家内容：他在工作日晚上看内容最多，可以把训练花絮、战术复盘这类会员内容安排在这个时段推送。
• 活动优先报名：品牌联名活动和见面会名额有限，给这类用户保留优先报名资格。

这些动作分别由不同的能力完成：推荐模型决定推哪件商品、哪段内容；预测模型估计他对家庭观赛日的响应概率；生成模型根据他的偏好写推送文案；最终是否执行、以什么频率触达，由会员运营人员审核确认。具体的会员权益组合，可以放到体育会员运营的流程里统一设计。欧宝体育大模型在这里更像是把几条价值线的信息整理好、把候选动作列出来，而不是一个人替运营团队拍板。

哪里可能看错：让一个人显得比实际更有价值的几种情况

多条价值线能纠正“只看到场”的偏差，但它自己也会制造新的偏差。下面几种情况在实践中很常见：

• 代买与礼物：一个人一次买了四件球衣，可能是给朋友代买，也可能是节日礼物。商品线得分很高，但他本人的兴趣未必这么强。可以通过收货地址是否分散、尺码是否差异很大来辅助判断。
• 共享账号：家庭成员共用一个账号看内容，内容线会被放大，画像会变成几个人的混合体。
• 奖品驱动的活动参与：有些用户报名活动只是为了抽奖，活动结束后没有任何后续行为。活动线要看参与之后是否有购买、内容或复购，而不只是报名次数。
• 一次性大额消费：某一年因为球队进决赛买了很多东西，第二年恢复正常。价值评估要看连续性，不能被单年高峰带偏。
• 家庭线误读：买三张票不一定是家庭，也可能是朋友聚会，对应的动作完全不同。

这些偏差的共同点是：某一条线的数据看起来很高，但背后的动机和用户本人并不一致。所以每条线的得分都要配上“证据是否一致”的检查，比如商品购买多的人，内容和会员是否也同步活跃。

怎么验证：用留出组检验“他更有价值”这个判断

判断一个到场少的用户其实价值很高，最终要靠结果来检验，而不是靠一张看起来合理的表。比较可行的做法有三步：

1. 留出组：从被重新归为“高价值会员＋家庭观赛”的用户里随机留出一部分，继续按原来的规则对待（收到门票折扣券），其余用户改用新的动作组合。三到六个月后比较两组的续费率、商品复购率和家庭场次到场率。
2. 分阶段投放：新动作先在一小部分用户上试行，确认没有明显的退订、投诉或打开率下降，再逐步扩大范围。
3. 人工复核：每个季度抽取一批被模型判定为“高价值但低到场”的账号，由会员运营人员逐个查看行为明细，确认是否存在代买、共享账号或奖品驱动的情况，并把复核结论反馈给模型调整规则。

如果留出组和实验组在续费和复购上没有差别，说明要么新动作不够好，要么价值判断本身有偏差，两种可能都值得回头检查。只有在结果上站得住，“一年只来两次也可能是最有价值的用户”才是一个可以写进运营规则的结论。完整的多维画像思路，可以在AI球迷画像页面看到欧宝体育的整体设计。