球迷喜欢某支球队，就一定适合看到这支球队所有商业广告吗？

球队偏好只回答了一个问题：他对谁有感情

Team Preference 是体育广告定向里最容易拿到、也最容易被高估的信号。关注球队账号、观看球队比赛、搜索球队新闻，都能说明一个人对这支球队有好感。但好感和消费之间隔着很多步：他可能是学生，暂时没有消费能力；可能住在另一个城市，到不了现场；也可能只是喜欢看比赛，对商品完全没有兴趣。

所以球队偏好更适合作为定向的“入口条件”，用来圈定一个大范围，而不是直接决定每个人看到哪条广告。真正决定广告内容的，是后面三个信号。

同样爱这支队，有人只看球衣，有人只看门票

Product Interest 描述的是一个人对哪类商品有兴趣。它来自更具体的行为：在商城里反复浏览某款球衣、查看主场座位图、收藏某个会员礼包。和球队偏好相比，商品兴趣离购买更近，但变化也更快。

一个用户上周连续三天查看客场比赛门票，说明他近期可能有出行观赛的打算；如果这时候继续给他推主场球衣，广告就落后于他的真实意图。在欧宝体育的球迷画像里，商品兴趣通常按周甚至按天更新，才能跟上用户的变化。

买过什么很重要，什么时候买的、为什么买的同样重要

Purchase History 是定向里最有分量的信号，但也最容易被用错。常见的错误有两种：一是把“买过”直接理解为“还会买同样的东西”，二是忽略购买发生的背景。

• 一个用户上个月刚买了主场球衣，短期内再推同一款球衣的折扣，大概率是浪费，甚至会让他觉得自己买贵了。
• 一个用户在球队夺冠后集中买了三件纪念商品，这更像是一次情绪驱动的消费，不代表他平时也会频繁购买。
• 一个用户过去两年每个赛季初都会续订季票，这类有规律的购买才更适合作为预测依据。

在 球迷消费预测 的流程里，预测模型会把购买的时间、频率、价格区间和当时的比赛背景一起考虑，而不是只看“有没有买过”。

每天看新闻的人，和一年只看两场比赛的人

Engagement 描述互动的深度和频率。它不直接说明用户想买什么，但决定了广告应该用什么方式出现。高互动用户对球队信息熟悉，广告可以直接讲细节，比如季票座位区域的变化、球衣面料的调整；低互动用户对球队了解有限，广告需要先交代基本信息，语气也不宜太“圈内”。

互动深度还会影响频次。一个每天打开球队内容的用户，一周看到三次同一条广告就可能厌烦；一个很少出现的用户，也许需要在关键节点多触达几次才会注意到。

四个信号叠在一起，决定谁看哪条广告

下面是一个模拟的组合判断示例，展示同一支球队的关注者如何被分配到不同广告：

这里用到的不是一个模型，而是一组工具：分群模型先把行为相似的用户聚在一起，预测模型估算每一群人对不同商品的购买概率，推荐模型决定每个人看到哪条广告，最后由运营人员复核分配结果是否合理。欧宝体育AI在这个过程中提供候选方案，最终上线的定向规则仍然需要人工确认。

哪些人不该看到这条广告，同样需要写清楚

定向不只是“选谁”，还包括“排除谁”。几类常见的排除规则：

• 刚刚购买过同类商品的用户，在一段时间内不再推送同款；
• 明确关闭过商品推荐、或多次对同类广告选择“不感兴趣”的用户；
• 对手球队的忠实球迷，主队庆祝类商品对他们不合适，但客场门票信息有时反而有用；
• 已经持有季票的会员，不需要再看到单场票广告。

排除规则写得越清楚，预算浪费越少，用户对广告的反感也越低。在欧宝体育的投放项目里，建议在创建受众组时同时写下排除条件，而不是等投放出问题后再补。

定向过宽还是过窄，要靠留出组来回答

定向判断也会出错。定向过宽，预算被摊薄；定向过窄，可能把一部分潜在买家挡在外面。比如一个从未买过球衣的高互动用户，也许只是还没遇到合适的款式，被排除后就永远没机会看到。

验证可以这样做（以下为模拟方案）：在每个受众组里随机留出一部分用户看通用广告，其余用户看定向广告，三十天后比较两组的购买率；另外单独拿出一小部分被排除的用户，给他们展示广告，观察排除规则是否过于严格。先在一两个商品上小预算试投，确认有效后再推广到其他商品。关于同一场比赛受众的更多拆分方式，可以参考看同一场比赛的球迷为什么不应该收到同样的广告。喜欢这支球队是起点，至于该给他看哪条广告，要由他买过什么、最近在看什么、和球队互动得有多深来决定。