一件球衣能说明的，比想象中少
球衣订单告诉我们三件事：他认同这支球队，愿意为球队花钱，对某位球员有偏好。但它没有告诉我们他是否住得离球馆近、是否有时间在工作日晚上到场、是否习惯和朋友一起看球。很多买球衣的用户从来不到现场，他们的消费集中在商品和线上内容上。
因此，预测模型不会把“买过球衣”直接当成“会买门票”的强信号，而是把它和其他行为放在一起：他是否浏览过票务页面、是否查过座位图、是否在比赛日打开过App的场馆导航。这些行为出现得越多，门票意图越明确；如果完全没有，他更可能是一个稳定的线上球迷，会员里的独家内容和会员商品对他的吸引力可能大于门票。
这位用户的情况介于两者之间：他没有浏览过票务页面，但比赛日晚上会准时打开直播，赛后还会看球员采访。欧宝体育的球迷画像会把他标记为“线上活跃、到场意图尚未出现”的类型。这类用户如果直接收到年度会员的推送，看到的是一个价格不低、又不确定能否用上的承诺；如果收到一张单场门票的邀请，门槛要低得多。所以在没有其他信号的情况下，模型通常会先把会员放在第二顺位。
比赛本身，往往比用户历史更能改变下一次消费
对于这位用户，下个月有一场比赛特别值得注意：他买过球衣的那名后卫，因伤缺阵两个月后预计复出。这类事件会显著提高偏好该球员用户的到场意愿。模型在Event层会给这场比赛打上“球员回归”的标签，并与用户的球员偏好匹配。
如果没有这样的赛事触发，推荐会员可能更稳妥；有了这场比赛，先推一张门票、让他完成首次到场，再在赛后介绍会员，是更顺的路径。生命周期上，这是从“首次商品购买”走向“首次购票”，再走向“会员”的一步。
同样买了四次普通票，下一次为什么可能换成好座位
再看另一类用户：过去一年买过四次普通看台票，每次都在开售后几天内下单，价格都在较低档位。直觉上，他下一次还会买普通票。但以下几种情况会让他的选择发生变化：
- 强队来访：面对争冠对手时，他可能愿意多花一些钱换更靠近场边的位置，或者提前在开售当天就下单。
- 球星出场：如果对方有知名球员，他可能会带朋友或家人一起来，购票张数从一张变成三张。
- 好座位放出：临近比赛时释放的少量好座位，对这类稳定到场用户的转化往往高于新用户。
- 刚升级会员：升级后的几周里，他会更频繁地使用优先购票权益，也更愿意尝试原来不买的档位，想让会员费“物有所值”。
这些变化说明，历史购买描述的是“在过去那些条件下”的选择。条件改变时，预测也要跟着改变。实践中，模型会把每一次购票拆成“用户固有倾向”和“当场比赛带来的额外推动”两部分来学习，这样遇到新的强队或球星场次时，就能估计这位用户在那种条件下的反应，而不是简单延续他的平均行为。
时间点和价格，决定推门票、套票还是会员
Timing层关注的是距离比赛还有多久、距离赛季结束还有多久。赛季前半段推会员，用户能享受的场次多，价值感强；赛季末尾推会员，除非包含下赛季权益，否则很难成交。单场门票则通常在比赛前一到两周推送效果更好。
Preference层补充的是他更在意什么：有人看重座位位置，有人看重和朋友坐在一起，有人只在周末出门。Price层则要看用户的消费区间。一个历史单笔消费在两三百元的用户，面对一份价格较高的年度会员，犹豫的概率很高；而一个包含三场比赛的小套票，价格介于单场和会员之间，常常是从门票走向会员的过渡选项。
预测模型、推荐模型和人工审核各管一段
在欧宝体育AI的做法里，预测模型分别估算“未来两周购票概率”“未来一个月入会概率”；推荐模型结合库存、座位档位和运营目标决定展示什么；生成模型根据渠道写出推送文案；对于高价值用户和涉及价格调整的推送，由运营人员审核后再发出。这样即使某个环节判断失误，也能快速找到原因。具体的预测维度可以在球迷消费预测页面了解。
这些地方最容易判断错
- 把球星效应当成长期偏好：一次为球星到场，不代表他以后每场都来。
- 忽略同行人：一次买三张票，可能是请客，而不是他自己的消费能力提升。
- 误读会员升级后的短期活跃：新鲜感过后，购票频率可能回落。
- 把球衣购买者一律当成潜在到场用户，忽略了地域和时间限制。
用留出组和分阶段投放检验判断
验证时，可以随机留出一部分用户不做个性化推荐，比较两组的购票率和入会率；也可以先在一两场有明确赛事触发的比赛上试行，观察赛前、赛后两个阶段的转化。离线评估要按时间切分数据，只用比赛前可获得的信息做预测。对于推荐结果变化最大的一批用户，运营人员抽样复核，确认模型没有被一次性事件带偏。关于更多类似误判，可以参考球迷消费预测最容易犯的错误。欧宝体育大模型的目标不是猜中每一个人，而是让门票和会员在合适的时间出现在合适的用户面前。
