需求是从一场比赛的分量开始的，不是从商品开始的
很多商品备货计划按照月份或季度来做，但体育消费的节奏由赛程决定。同样是一个月，有一场德比和没有德比，商城和场馆的需求可能差出好几倍。因此预测的起点应该是比赛本身：对手是谁、是否关系到排名、是否在周末、是否有球星登场、天气如何。
AI在这一步做的是事件分级。分析引擎根据历史比赛的到场、浏览和销售数据，给即将到来的比赛打出需求等级，再把这个等级传递给后面每一个环节。
分级的关键不是给出一个“热门”或“不热门”的结论，而是说明热在哪里。同样是高需求比赛，一场因为争冠而火热的比赛，老球迷和会员的占比高；一场因为对方有知名球星而火热的比赛，首次到场的新用户占比高。前者适合推会员续费和好座位，后者适合推入门级门票和第一件主队商品。欧宝体育AI会把这种差异写进事件标签，让后面的每一波预测都知道自己面对的是哪一类人。
第一波：门票决定了有多少人会真正来到现场
门票是整条链条的源头。开票后前几天的售票速度，基本决定了比赛日的到场人数，也决定了后面几个环节的规模。预测模型会根据开票首日的销量、页面访问和加购情况，滚动更新最终到场人数的估计。
这一波里的主力用户，是过去经常到场的活跃球迷和会员。对于偶尔到场的用户，强对手和周末时间是最主要的购票理由。门票的售卖结构也会影响后面几波需求：如果大量门票在开票当天被会员抢购，说明到场人群以老球迷为主，他们手里多半已经有球衣，周边需求会更集中在这场比赛的纪念商品上；如果门票销售较慢、临近比赛才加速，新用户和家庭用户的比例往往更高，入门级商品和家庭餐饮套餐的需求就会随之上升。
第二波：确定到场的人，开始看球衣和应援物
买到票的用户，会在比赛前一两周开始关注能带到现场的东西：围巾、应援旗、主队球衣。这一波需求有两个特点。第一，它和门票购买高度相关，买票用户对周边的转化明显高于未买票用户。第二，它集中在比赛前几天，过早推送容易被忽略，过晚则来不及配送。
因此，商品推荐应以已购票用户为核心人群，在比赛前五到七天推送。对于已经有主队球衣的用户，更适合推荐这场比赛的纪念围巾，而不是再推一件球衣。俱乐部商城或欧宝体育电商这类场景里，备货也应向这类场次专属商品倾斜。
第三波：比赛日餐饮取决于到场时间和天气，不只是人数
餐饮是最容易被低估的环节。同样三万人到场，晚上七点半开赛和下午三点开赛，餐饮需求的结构完全不同：晚场的正餐需求高，下午场的饮料和小食需求高。天气也会改变选择，寒冷天气里热饮需求上升，炎热天气里冷饮需求上升。
预测模型在这里需要把到场人数、开赛时间、天气预报、入场时间分布结合起来，估算各个时段、各个区域的餐饮需求。带孩子的家庭用户多集中在某些看台，他们的餐饮选择也与其他区域不同。这些估算最终交给场馆运营人员，作为备料和排班的参考。
最后一波：会员转化常常发生在比赛结束之后
一场气氛热烈的比赛，是介绍会员的好时机。用户刚经历了现场的体验，对“下次还想来”的感受最强烈。在赛后几天内，向这次首次或第二次到场的用户介绍会员的优先购票、座位升级和会员活动，比在平时发放会员折扣更容易被接受。如果这场比赛是在周末白天、以家庭观众为主，介绍的重点可以放在家庭套票和亲子会员活动上；如果以年轻球迷为主，客场出行和优先购票更有吸引力。关于会员权益的设计，可以参考体育会员运营。
备货不能照搬上一场热门比赛的数字
容易出错的地方有这些：
- 照搬历史峰值：上一场德比卖出的围巾很多，不代表这一场也一样，很多用户已经在上一场买过了。
- 忽略天气和开赛时间：餐饮预测如果只看人数，会系统性地备错品类。
- 把浏览当成购买：热门比赛期间浏览量普遍上升，但转化率未必同步上升。
- 忽略票源结构：如果大量门票被团体或客队球迷购买，主队商品的需求会低于到场人数所暗示的水平。
用赛前、赛中、赛后三次复盘检查预测
验证可以分三次进行。赛前，对比开票一周后的实际销量与预测，及时调整商品备货；比赛日，按时段记录各区域餐饮销量，与预测逐项对照；赛后，统计首次到场用户在两周内的入会情况，并与没有收到会员介绍的留出组比较。每次复盘的偏差都会回到模型里，用来修正下一场比赛的预测。欧宝体育AI在这里的作用，是把分散在票务、商城、场馆和会员系统里的数据串起来，让运营团队看到一场比赛带来的完整需求链，而不是每个部门各自估计。更多方法可以在球迷消费预测页面查看，关于单个用户如何从商品走向门票，可以参考买过球衣的用户下一次更可能买什么。
