球迷大數據

⑴ 大數據的「感性」應用

大數據的「感性」應用

通過大數據分析、雲計算等領先技術能力提供社交、移動等數據分析，跟蹤並解析球迷心理，並與媒體緊密結合，將用戶情緒、性格等屬性可視化呈現，產出更易引發用戶共鳴的體驗。

大數據技術已經不是一個新鮮詞兒，它的價值也已被廣泛認可，藉助海量數據的分析利用，能有效幫助企業實現市場動向預測，幫助有效支持市場活動各個階段的不同商業行為決策，還能夠實現追蹤消費者行為，並對其心理甚至下一步行為實現相對精準的預測，產生更好的用戶體驗，滿足目標消費者的多元化需求。

大數據在體育賽事中的應用很常見，在網球賽事中，一發成功率、一發得分率和Ace球是標志球員競技水平的關鍵指標；發球速度、接發球成功率、上網成功率、得分點則突出體現了球員的打法特點。

上述都是來自大數據的直觀應用，教練員和運動員通過每項賽事背後的技術統計來評價本場比賽發揮的好壞。而這些數據也將直接影響教練員對比賽的掌控。

在本屆巴西世界盃，大數據應用又有了新模式——騰訊通過IBM的大數據分析、雲計算等技術提供社交、移動等數據分析，跟蹤並「解析」球迷心理，產出更易引發用戶共鳴的優質內容，為用戶打造全新的體育觀賽體驗。

6月12日，IBM與騰訊達成深度戰略合作，成為騰訊體育社交媒體數據分析合作夥伴。

IBM的大數據技術，從賽事、球迷、文化三大維度，深度挖掘了來自世界盃球迷關注的120個熱點關鍵詞，抓取50萬條主流社交媒體信息，包括球迷話題、球迷類型、個性分析等，並以此為基礎，製作了「世界盃聲量大比拼」、「世界盃飛魚秀」、「算數」、「球迷畫像」等專題欄目，通過數據分析，精準抓住球迷關注熱點，並迅速輸出報道內容。

球迷的另類體驗

在本屆世界盃中，騰訊通過IBM大數據實時分析，打造《世界盃球迷聲量大比拼》欄目，讓球迷即時看到64場比賽中對陣球隊的當前支持率，以及個人喜愛球星的支持率，看到全球有多少人跟自己同歡喜共悲傷，滿足球迷同理心，引發球迷共鳴。

IBM輿情系統實時分析社交媒體上球迷關注點，為「世界盃飛魚秀」欄目提供大量球迷實時狀態，分析球迷心態等數據盤點，呈現蒼老師微博秀力挺德國、內衣模特大拼球技等網路話題，由兩位脫口秀達人說出球迷們的心聲，引發廣大網友共鳴。期間欄目組還邀請了IBM數據工程師前去做客，展示IBM嚴肅的大數據系統如何支持網友娛樂生活的。

根據實時數據反饋，騰訊實時發布共32篇新聞報道，《德國更熱梅西最火球王超高關注率遠勝眾星》、《荷阿大戰遭瘋狂吐槽羅本關注度不及梅西一半》等球迷角度深挖的信息，綜合展示球賽期間球迷心理變化，引發球迷共鳴。單篇新聞最高閱讀量達萬次以上，95%均來自騰訊新聞客戶端。

騰訊體育基於IBM大數據，在世界盃期間輸出80期「算數」報告，深度剖析世界盃的角角落落，從球迷地域分布、性別比例，到歷史上各大洲入圍世界盃成功率等……這些基於大數據而呈現的報道內容，讓球迷看到了一個直觀的數字化的世界盃。

騰訊還策劃了有趣的「球迷畫像」，基於IBM大數據對用戶的多維度分析，總結刻畫了每位球星的球迷性格特徵，對不同球星的粉絲類型加以區分和刻畫，推出了不同球星的粉絲畫像。例如，葡萄牙球星C羅的粉絲70%為女性，她們的個性關鍵詞是「女王范」、「實際」、「有條理」和「欣賞美」。這樣的球迷畫像在騰訊的世界盃專區中定期推出，網友一致熱捧，該畫像成為鑒定自己是真球迷的另類標准。

合作共贏，火花沒那麼簡單

獨特視角的內容背後，是騰訊作為網路媒體在世界盃報道模式上的一次創新，也讓我們看到了大數據實際應用的另一種模式。

記者采訪了大數據提供方IBM品牌戰略部高級經理楊磊，他表示「這是IBM第一次嘗試在足球賽事中用大數據分析來探測球迷的反映，我們希望通過技術融合參與其中，與我們而言是一次露出，對騰訊，我們提供基於大數據分析的用戶洞察，支持騰訊微用戶提供即時感更強的內容」。IBM在1993年就開始進入體育賽事領域，贊助網球賽事，並提供比賽的IT技術支持。2005年，IBM通過SlamTracker追蹤了網球四大滿貫賽事8年來全部8128場比賽，每場比賽收集4100萬個數據點，包括5500個分析模型。與媒體合作，用大數據技術分析探測球迷心理，並產出報道內容，這還是第一次。

此次與騰訊的深度合作，IBM首先看重的是騰訊龐大的用戶基礎與年輕化的用戶屬性，其次是騰訊在重大體育賽事報道中的運營能力、立體報道能力和PC端移動端雙通道能力，這些優勢將有效助力IBM大數據分析的開展和應用實現。

騰訊此次在世界盃報道中，也借大數據之力，大量並及時輸出更貼合網友當下關注的熱點內容，並發揮出網路全媒體平台的優勢，將內容及時輸送到各個媒體平台、移動終端，引發大量網友關注，並幫助品牌廣告主實現了與用戶的深度互動，實現了商業目的。

楊磊表示未來IBM將更多嘗試B2B2C的傳播模式，我們會看到更多大數據應用的場景和模式，開拓更多想像空間。

用科技改善賽事體驗

目前媒體環境，社交、大數據、雲等技術出現，B2B企業已經意識到獨立消費者對企業的巨大影響，B2B企業的傳播方式不再局限於一對一，IBM希望通過消費者的體驗，運用B2B2C的方式讓企業有更多的資訊通過終端觸達消費者。

IBM其實一直致力於用科技來改善體育賽事的一些體驗，在網球、高爾夫球賽事，我們在全球有很多年歷史。但在足球，楊磊IBM品牌戰略部高級經理這次是第一次嘗試用大數據分析來探測球迷對這個賽事的反應。騰訊對於IBM是合適的合作夥伴，用戶基數夠大，用戶屬性年輕化，媒體平台全面，而且對於此次世界盃極其重視，並勇於嘗試。這次合作對彼此都是一個很有趣的嘗試和探索。讓技術與賽事融合，通過騰訊IBM實現品牌露出，對於騰訊則多了一個內容提供方，並且開啟了全新的報道模式，也為球迷帶來了獨特的觀球體驗。

以上是小編為大家分享的關於大數據的「感性」應用的相關內容，更多信息可以關注環球青藤分享更多干貨

⑵ 大數據在nba中的應用

大數據，正在給體育產業帶來巨大的變革。NBA已經走在了其他商業性運動聯盟的前面，領先的大數據分析讓偉大的運動傳奇更具商業價值。能否有效利用數據這項戰略資產，正逐漸將領導者和落伍者劃分開來。

「我很歡迎那些能起到作用的工具，尤其是因為我們現在生活在一個信息化的年代。」波什對「大數據」做出這番評價的時候，他所在的熱火隊正憧憬著三連冠的美夢。

詳解：大數據在NBA中的應用
盡管在決賽中被上賽季功虧一簣而與冠軍失之交臂的馬刺成功復仇，並最終導致勒布朗出走重回騎士進而改變東西部局勢，最終影響了整個聯盟的格局。但是，正如聖城球隊隨著年華老去在聯盟中愈煥發出新生機一般，這些年來，隨著「大數據」在聯盟運營和球隊的發展方面發揮出越來越突出的作用，大家也開始越來越重視這項技術和理念。

不止在 Google、Amazon 等互聯網公司的高談闊論里，不止在矽谷和各大高校的實驗室、論文里，在 NBA 的賽場上，在聯盟遍布全球的推廣運營過程中，「大數據」的身影正愈加頻繁，並扮演起愈加重要的角色。

數字游戲

在歷史，或許從來沒有一本書像《點球成金》(Moneyball)這樣對體育行業產生了如此重大的影響。在這本書之後，大家開始對體育運動賽事中的數字趨之若鶩並越來越重視。

一場 NBA 比賽共四節，常規時間計48分鍾。一隻 NBA 球隊一賽季要進行82場常規賽，主客場各41場，而後東西部的各前8名進入季後賽，在7戰賽制下，經過至少3輪12場比賽進入決賽。NBA 現在共有30隻球隊，一個完整的正式賽季約持續5個月，共有超過1200場比賽。

這些數字定義了 NBA 的一部分，還有更多的數據使得 NBA 之所以成為一項越來越受大眾歡迎的賽事。從某個角度而言，它的本質就是數字，很少有賽事像它一樣有如此繁復龐雜的數據——不僅是球迷、媒體看得到的得分、助攻、籃板、命中率等，還有專欄作家們津津樂道的 PER(The Player Efficiency Rating，球員效率值，將場上球員的各項表現通過演算法公式轉化為綜合的數值，現在已經成為衡量球員水平的重要指標之一)、Win Share 通過對球隊勝場和球員表現進行綜合考量得出的指數，反映了一個球員在球隊獲勝中的貢獻亦即他對球隊的重要性)等。

對球隊的教練而言，除了場上的表現之外，他們需要利用這些數據來了解球員的特點，幫助他們改進弱項發揮優勢，然後以此制定場上的戰術，並且根據球隊的人員構成變化來推動球隊風格變化來保持長久的競爭力。

這樣的案例在 NBA 中並不鮮見。

將泰克斯·溫特的「三角進攻」運用在公牛和湖人體系中並大獲成功的菲爾?傑克遜，充分解放迪瓦茨和韋伯在「普林斯頓體系」下大放光彩的國王隊，利用納什和斯塔德邁爾的配合掀起的7秒快攻跑轟的太陽隊，當然，還少不了根據 GDP 核心年齡增長和新成員加入而經歷從 Inside-Out 變陣 Pick & Pop 戰術的轉型陣痛卻最終修成正果的馬刺隊

球員的能力和球隊的配合轉化為球場上的數據，而這些數據恰恰又成為場下教練和管理團隊進行調整的重要依據，甚至可以說，數據不僅成為球員、球隊以及聯盟的導向，同時要成為它們的出發點。

「如果更好的分析師都不能創造出優勢的話，那麼，誰行呢?更好的數據!」莫雷在《哈佛商業評論》上為數據的重要性搖旗吶喊。

或許，全聯盟中沒有比火箭隊的莫雷更迷信數據的球隊經理了——盡管由於球隊成績始終無法突破，他的這份狂熱與執著在聯盟和球迷中都有著不小的爭議——但，無法否認的是，他的這套數據理論正被越來越多的球隊乃至聯盟接受採用。

NBA 同 ESPN 及 TNT 最近簽訂的9年價值240億美元的轉播合約讓我們認識到 NBA 已經成為一個在商業上空前成功的體育賽事，在這份成功背後，數據正發揮著越來越重要的作用。

⑶ 足球大數據正飛速發展 何為數據企業核心競爭力

2016年是足球大數據飛速發展的一年，一些專業的名詞術語如數據採集、統計與樣本分析、圖像識別系統、智能可穿戴設備等也已紛紛脫離教科書，越來越多地被廣大球迷和媒體所熟知並接受。而國外一些專業領域的數據分析公司和供應商也愈發重視中國國內的大數據市場，探尋遙遠的東方大陸上潛在的數據商機。

實際上，從世界范圍來看，傳統意義上的數據採集技術已日趨成熟，面臨著不斷深化的業務模式，現代化的數據公司的核心競爭力在哪？體育數據產業未來發展趨勢又是怎樣？帶著一系列問題，記者參加了由動吧主辦的「世界足球大數據峰會」，與世界知名解決方案供應商SAP、可穿戴設備供應商Catapult以及國內新興數據平台創冰科技相關負責人進行了交流，其中創冰科技CEO劉震關於大數據未來發展的觀點令人印象深刻。

（創冰2016中超大數據年鑒總覽）

數據服務融合趨勢展現，未來更多地張開懷抱，開放合作

展望未來，劉震認為雲技術的成熟和數據深挖能力的完備為以採集為主的數據公司轉型為多元化的數據平台提供了先決條件，同時未來數據產業的方向將以融合為主，服務向的數據平台將在其中發揮主導作用。

「實際上，數據在歐美的發展歷程已經證明融合是大勢所趨，無論是在博彩數據方面，還是在體能數據、可穿戴設備，亦或是圖像識別系統方面，都可以在數據平台中找到對應的生產路徑，而同時，產出的數據和服務則更加細致的針對特有領域發生化學反應。作為提供服務的數據平台，則希望能夠和這些特定數據領域的供應商擦出火花，達成合作的共識，來適應大數據融合的潮流。」

「此次大數據峰會，創冰有幸結識了國外一些著名的數據供應商，如SAP、catapult、Vizrt等，創冰也將持張開懷抱，開放合作的態度，期待能與更多專業領域的數據分析和可視化公司進行交流，共同探索足球大數據這片充滿生機的海洋。」

⑷ 足球社交大數據分析的背後

足球社交大數據分析的背後

互聯網的發展為數據收集創造了平台，並不斷擴大數據收集的范圍和規模。而社交平台的發展則讓每個人都有機會成為發聲者，企業有更多方式和渠道獲得每個個體的反饋並提升反饋速度。在新互聯網時代，大數據正在改變著人們的日常生活。

在本屆世界盃上，大數據分析技術不光幫助德國隊取得了冠軍，在賽事報道上，社交、移動和大數據技術也正在帶來無限的可能性。 過去，傳統媒體主要以單向的方式傳播信息，例如通過電視轉播世界盃比賽，通過報紙報道比賽進展，發表足球評論等。而隨著社交和移動技術的發展，每一位普通球迷都可以利用互聯網和社交媒體，以自己獨特的角度對一場比賽進行記錄。調查發現，在社交媒體上，大多數人和在真實世界裡完全不一樣，在現實生活中很多人反而會隱藏一些方面，在社交媒體上的展現更接近真實自我。這一切變化，讓人與人、人與媒體之間的溝通與連接也隨之改變。

在2014年世界盃上，騰訊首先突破，通過與IBM合作，利用社交媒體數據分析系統對網路上球迷熱議話題、球迷性格進行分析，利用大數據分析技術改變傳統的報道方式。大數據技術讀懂球迷心聲我們日常生活中產生的數據，20%是結構化的數據，例如企業通過內部IT系統收集的信息或者通過機器和感測器收集的數據，而在數據資源中高達80%是非結構化數據，例如電子郵件、圖像、音頻、視頻以及社交平台上的信息等。傳統的大數據分析面對的是如何管理、調配海量數據的問題，而與傳統的結構化數據相比，非結構化的社交數據是人產生的，這其中不僅包括成文的句子，還包括網路用語、表情，甚至錯別字等。例如，在社交平台上，球迷對於一個球星的態度不會是明確的喜歡或者厭惡，而會以各種各樣不同的方式表達出來，其真正的態度究竟是支持還是否定，是需要IBM通過分析給出結論的。

如何讓機器理解大量的人類語言背後隱藏的情感？將大量的非結構化數據轉換為結構化數據是社交大數據分析面臨的首要難題，這不僅需要IT技術的支持，也需要心理學、語義分析等知識和技術的綜合運用。 為深度挖掘社交平台上形式豐富的非結構化信息，提取有指導意義的洞察，IBM構建了Blue Pulse系統，利用機器自學習方法和自然語言分析技術，傾聽網民「心聲」。

以上是小編為大家分享的關於足球社交大數據分析的背後的相關內容，更多信息可以關注環球青藤分享更多干貨

⑸ 17年數據分析經驗告訴你大數據行業的門道

17年數據分析經驗告訴你大數據行業的門道
本文根據具有十七年數據分析行業經驗的嘉賓陳晨的紀實采訪整理。
本期專訪嘉賓：陳晨
簡歷：現任電通安吉斯 – 美庫爾(DAN – Merkle) 中國(上海/南京) 數據與分析部高級總監，兼任Merkle南京公司總負責人。十七年以上美國、加拿大及中國咨詢業及行業領先公司數據營銷、風險分析、定量模型，客戶關系管理策略的經驗，擁有市場營銷、定量方法 、經濟計量和統計學方面堅實基礎，和建立銀行/金融/零售業營銷模型和信用評分模型的豐富項目背景。
Q：如果企業想要挖掘數據價值，但由於種種原因，導致數據本身維度不完備，或缺失較多等情況。您能利用多年項目經驗，跟我們分享一下這類企業應該怎樣有效利用數據嗎？
陳晨：對於廣告營銷而言，有用的數據維度是越多越好。即使企業自身CRM做得非常完備，有了其他數據源的補充，對於理解現有客戶群體，如何進行下一步營銷活動的准備都是非常有好處的。
事實上，沒有任何一家數據提供商能夠滿足品牌所有的營銷信息需求，品牌需要的是因地制宜地購買、結合與其最相關的高質量數據內容。Merkle可以利用其購買力和強大的合作夥伴網路，幫助品牌在全球范圍內找到需要的數據，再結合數據整合和落地效果分析，為客戶創造了戰略優勢。
按照Merkle常用的用戶生命周期來說，我們把用戶的生命周期分成接觸潛在用戶(獲客階段)、老客維護(互動階段)及留存分析(促使回購階段)。在獲客階段，Merkle可以結合其他數據來源，豐富數據維度。比如我們在為某知名在線英語教育品牌服務中，由於客戶本身數據不足以支撐建模，我們就利用運營商數據和某知名科技公司數據為客戶做了數據增強，用戶畫像及建模准確度都提高了不少。
而且和運營商數據做對接有個好處，運營商天然有接觸消費者的渠道，所以這個項目的第二階段，我們會應用模型挑選最有可能轉化的消費者，通過發簡訊、彈窗的形式，在合適的觸點做營銷活動。
如果是在互動階段，數據維度越多，我們越能基於用戶行為/狀態對用戶分群，實現個性化交互。舉例來說，我們曾為NBA提供了LoyaltyPlus平台解決方案，幫助客戶打造出「NBA球迷圈「。」球迷圈」是Merkle通過收集、清洗和整合多個數據源的顧客數據，確立會員策略，為NBA中國建立的客戶忠誠度系統，從而可以基於球迷的行為和狀態建立球迷分群，個性化地實施與球迷的有效交互。
目前該忠誠度系統已有超過60萬球迷注冊，活躍用戶達到64%，收集到的會員交互數據將用於客戶分群和定製化的服務，實現營銷上升閉環的效果。對於留存分析而言，更多的做競品分析，了解用戶為何流失。
在用戶生命周期的不同時段，不同對應策略
Q：什麼情況下公司會考慮利用數據分析/模型來做優化，具體怎麼操作，落地效果又是如何評估的呢？
陳晨：從根本來說，數據分析/建模/統計等都是用來更科學的衡量數據資產的一些方法。就我的角度來講，只要有數據，有餘力，都可以嘗試從數據中感知用戶，提升營銷效果。
我們姑且把公司分為兩類，一類是注重用戶增長型的企業，一類是注重客戶維系的企業，當然這個劃分不是很嚴格的，許多企業是兩者並重的。注重用戶增長意味著獲客，獲客沒有哪個企業是不需要的，但是隨著互聯網的興起，數據的興起，獲客在具體做法上有了很大的改變。
互聯網剛興起的時候，大家會發現網上獲客又簡單又便宜，比如在搜索引擎上投一投付費廣告，或者做做SEO，效果很顯著。
現在呢？網上的流量越來越貴，對於某些特定行業，比如汽車或者教育，一個銷售線索的成本達到了幾十甚至到幾百人民幣，所以如何在當下環境找到有效、便宜的方法來接觸到更多的潛在消費者對企業來說是很重要的。
我們現在的做法是幫助客戶量身打造一個精準獲客的策略和完整的CRM(CustomerRelationship Marketing客戶關系營銷)解決方案。
首先了解到客戶現有的獲客流程，基於行業和客戶自身特點提出解決方案，落地之後還可以通過與歷史數據對比來看效果如何，在這個過程中我們又學習到什麼，再去調整具體的操作或者實施步驟，形成閉環優化的結果。以某著名電腦品牌客戶為例，原來的獲客方法就是做線上線下活動，網上購買一些用戶資源，但是我們可以幫他做細，我們可以通過模型來挑選出對品牌感興趣的人群，在此基礎上再做活動，省錢省力。
之後在轉化階段，原先客戶的方法就是通過電話中心接觸，或者直銷的形式，我們可以豐富這些手段，比如可以結合數據來核實用戶的真實意圖和具體需求，在接觸到的時候做到個性化推薦；或者可以用模型對這些用戶做分群，之後再促進轉化，都是非常好的方法。
Merkle CRM解決方案流程圖
對於注重客戶維系的企業，我們可以幫助企業建立用戶價值和生命周期的體系。用戶價值的主要目標是作為投資標准，而對用戶的投資有多種形式：比如為高價值用戶提供更頻繁、便利的服務；在營銷活動中為不同用戶提供定製化的接觸策略等。
我們在確定用戶價值時會考慮很多因素，比如考慮到任期，流失，風險，營銷和服務成本，交易歷史以及預期的未來盈利能力和收入。而且用戶價值會隨著其生命周期的改變而改變，這是一個動態的過程，完全可以在這種變化中放大營銷效果和增加決策正確性。還是舉電腦行業的例子，我們可以結合用戶歷史購買/保修/網上瀏覽等行為，給每一個用戶一個生命周期所在階段，然後在合適的時間點接觸到用戶。
Q：能否給志在從事大數據行業的年輕人一些您的意見？
陳晨：我覺得從事大數據行業首先要可以沉得下心來，必須能夠掌握一兩種常用的數據分析工具，比如R，Python等，能夠進行一定程度的編程，這樣才能對數據理解和分析有一個直觀的學習深入過程，也可以訓練新人的數學和邏輯思維能力。
當然這是進入行業的基本前提。然後是要有一定的統計學基礎和商業分析能力，能夠迅速地從數據分析的結果中得出對商業運用或其他相關專業領域的洞察和應用方向。簡單地說不是把模型跑出來，圖表畫出來就完事兒了，還需要能夠從模型結果和數據可視化呈現中推斷總結出後面真正的故事和意義。
在這些基本的能力和技能掌握後，要保持持續學習的心態，不斷追隨和了解行業最新動態和趨勢，並能夠橫向進行多產業方向的融匯貫通。另外，大數據分析專業往往需要和不同部門，不同類型的客戶進行溝通、講解，所以如果在職業生涯的後端需要保持持續發展的競爭力，能用專業和非專業的語言和不同層次背景的合作方進行有效溝通也是必不可少的技能。
這次的訪談到此結束，謝謝陳晨分享關於數據整合/增強、數據分析和建模的一些項目經驗。